[MATLAB]非线性方程求解与函数极值计算(fsolve fminunc fzero fminsearch)

非线性方程数值求解
(1)单变量非线性方程求解
函数的调用格式为：

x=fzerof(filename,x0)

其中，filename是待求根方程左端的函数表达式，x0是初始值。

>> f=@(x) x-1./x+5;
>> x1=fzero(f,-5)

x1 =

   -5.1926

>> x2=fzero(f,1)

x2 =

    0.1926

>> x3=fzero(f,0.1)

x3 =

  3.7372e-016

>> 

>> f=@(x) x.^2-1;
>> x=[];
>> x0=-0.25:0.001:0.25;
>> for x00 = x0
x=[x,fzero(f,x00)];
end
>> plot(x0,x,'-o')
>> xlabel('初值');
>> ylabel('方程的根');
>> axis([-0.25,0.25,-1,1])
>> 

(2)非线性方程组的求解
函数的调用格式为：

x=fsolve(filename,x0,option)

其中，x为返回的近似解，filename是待求根方程左端的函数表达式，x0是初值，option用于设置优化工具箱的优化参数，可以调用optimset函数来完成。

看起来有两种函数可以求解非线性方程组，但是如何在使用中找取最关键的解决方案呢？这里采用了跟线性方程组迭代法一样的测试方案，同时再对例1求解！(现在采用fsolve函数)

>> f=@(x) x-1./x+5;
>> x1=fsolve(f,-5,optimset('Display','off'))

x1 =

   -5.1926

>> x2=fsolve(f,1,optimset('Display','off'))
Warning: Divide by zero.
> In @(x) x-1./x+5
  In optim\private\trustnleqn at 210
  In fsolve at 295

x2 =

    0.1926

>> x3=fsolve(f,0.1,optimset('Display','off'))

x3 =

    0.1926

>> 

相信各位已经发现，报了一个warnning，说明两个函数实现方法不同，采取的计算步数也不同，希望同学们认真理解运用，方能体会出真正的细微行差异！

>> f=@(x) [sin(x(1))+x(2)+x(3)^2*exp(x(1)),x(1)+x(2)+x(3),x(1)*x(2)*x(3)];
>> f([1,1,1])

ans =

    4.5598    3.0000    1.0000

>> x=fsolve(f,[1,1,1],optimset('Display','off'))

x =

    0.0224   -0.0224   -0.0000

>> f(x)

ans =

  1.0e-006 *

   -0.5931   -0.0000    0.0006

>> 

有些同学感觉这道题说的不是很舒服，其实题目的意思很明确让你在一个区间内取出满足方程组的解，这时候同fsolve就可以解决啦！
函数极值得计算

• 最大值
• 最小值
  这里仅讨论最小值。为什么？因为最小值的添个负号就是最大值
  (1)无约束最优化问题
  求最小值的函数：

[xmin,fmin]=fminbnd(filename,x1,x2,option)
[xmin,fmin]=fminsearch(filename,x0,option)
[xmin,fmin]=fminunc(filename,x0,option)

其中，filename是定义的目标函数。第一个函数的输入变量x1、x2分别表示被研究区间的左、右边界。后两个函数的输入变量x0是一个向量,表示极值点的初值。option为优化参数，可以通过optimset函数来设置。

>> f=@(x) x-1./x+5;
>> [xmin,fmin]=fminbnd(f,-10,-1)

xmin =

   -10


fmin =

   -4.9000

>> [xmin,fmin]=fminbnd(f,1,10)

xmin =

     1


fmin =

     5

(2)有约束最优化问题
有约束最优化问题的一般描述为：

约束条件可细化为：

• 线性不等式约束
• 线性等式约束
• 非线性不等式约束
• 非线性等式约束
• X的上界和下界
  (2)有约束最优化问题
  求有约束条件下最小值的函数为：

[xmin,fmin]=fmincon(filename,x0,A,b,Aeq,beq,Lbnd,Ubnd,NonF,option)

其中，xmin、fmin、filename、x0和option的含义与求最小值函数相同。其余参数为约束条件，包括线性不等式约束、线性等式约束、x的下界和上界以及定义非线性约束的函数。如果某个约束不存在，则用空矩阵来表示。

f=@(x) 0.4*x(2)+x(1)^2+x(2)^2-x(1)*x(2)+1/30*x(1)^3;
x0=[0.5;0.5];
A=[-1,-0.5;-0.5,-1];
b=[-0.4;-0.5];
lb=[0;0];
option=optimset('Display','off');
[xmin,fmin]=fmincon(f,x0,A,b,[],[],lb,[],[],option)

(3)最小值问题应用实例
例5 某公司有A、B、C、D、E5个工厂，分别位于xy平面上的坐标点(10,10),(30,50),(16.667,29),(0.555,29.888)和(22.2221,49.988)处。设两点之间的距离表示在工厂之间开车的距离，以公里为单位。公司计划在平面上某点处建造一座仓库，预期平均每周到A、B、C、D、E工厂分别有10、18、20、14和25次送货。理想情况下，要使每周送货车的里程最小、仓库应建在xy平面的什么位置？
建立约束条件、目标函数即可得出相应方程，下面给出目标函数

>> a=[10,30,16.667,0.555,22.2221];%%横坐标
>> b=[10,50,29,29.888,49.988];%%纵坐标
>> c=[10,18,20,14,25];%%运送次数
>> f=@(x) sum(c.*sqrt((x(1)-a).^2+(x(2)-b).^2));%%目标函数
>> [xmin,fmin]=fminsearch(f,[15,30])

xmin =

   19.8143   41.1247


fmin =

  1.3618e+003

>> 

函数重新调用

>> [xmin,fmin]=fmincon(f,[15,30],[],[],[],[],[],[],'funny')
Warning: Large-scale (trust region) method does not currently solve this type of problem,
 switching to medium-scale (line search).
> In fmincon at 260
Optimization terminated: Magnitude of directional derivative in search
 direction less than 2*options.TolFun and maximum constraint violation
  is less than options.TolCon.

xmin =

    5.9363   35.2401


fmin =

  1.6676e+003

>> 

>> f=@(x) [x(1)-0.6*sin(x(1))-0.3*cos(x(2)),x(2)-0.6*(cos(x(1)))+0.3*sin(x(2))];
>> x=fsolve(f,[0.5,0.5],optimset('Display','off'))

x =

    0.6354    0.3734

>> 

改编，套用，老师从来不指望学生能写出高深的代码，一切基础性的学习只为通向更专业的知识领域！