蒙特卡洛模型——有约束的非线性规划问题

蒙特卡洛模型——有约束的非线性规划问题

题目：

$$\begin{gathered} \text{例:求}f\left(x\right)=x_1\cdot x_2\cdot x_3\text{的最大值} \\ s.t\{\begin{array}{l}-x_1+2x_2+2x_3⩾0\\ x_1+2x_2+2x_3⩽72\\ 10⩽x_2⩽20\\ x_1-x_2=10\end{array} \end{gathered}$$
蒙特卡洛模型的思路：
1.求变量受限的大致范围；
2.在上述的范围中用随机数生成若干组实验点，先验证是否满足所有约束条件。若满足则将其划分到行组，再从组中找到的函数的最大值（最小值）。

matlab代码部分

蒙特卡洛模拟实现代码

clc;clear
tic
n=10000000;
x1=unifrnd(20,30,n,1);
x2=x1-10;
x3=unifrnd(-10,16,n,1);
fmax=-inf;
for i=1:n
    x=[x1(i),x2(i),x3(i)];
    if  -x(1)+2*x(2)+2*x(3)>=0 && x(1)+2*x(2)+2*x(3)<=72
        result=x(1)*x(2)*x(3);
        if result>fmax
            fmax=result;
            X=x;
        end
    end
end
disp(['蒙特卡洛模拟的结果为：',num2str(fmax)]);
disp(['此时x1，x2,x3的值为',num2str(X)]);
toc

代码输出结果

我用一个表格来表示这次求出来的结果

类型	Value
最大值	3445.5138
x1	22.6222
x2	12.6222
x3	12.0666

收获与心得

在求解非线性规划的问题时，我们还可以通过蒙特卡洛方法来解决，我们可以对比两次的结果几乎差不多，尤其是在蒙特卡洛模拟次数n较大时，模拟的结果更加贴近现实。还有为了提高结果的运算过程和精度，我们可以通过缩小随机生成变量的范围来实现，大家还可以通过for循环来优化算法。还有蒙特卡洛算法具有随机性，所以每一次的结果有差异，但是差异可以忽略，结果几乎差不多。
刚开始写博客，作为一名预备码农，数理爱好者，希望和广大数模爱好者、matlab爱好者等交流、分享学习过程，共同进步！