matlab进阶

最新推荐文章于 2023-05-28 10:36:04 发布

WhaTEveR。。。。

最新推荐文章于 2023-05-28 10:36:04 发布

阅读量3.6k

点赞数 7

文章标签： matlab

本文链接：https://blog.csdn.net/qq_43613688/article/details/120482469

版权

设置matlab路径

你写了一个外部函数，想在其他目录下直接拿来用的话需要设置下工作路径

把一些含有需要的外部函数文件的文件夹添加就好了

线性

ＬＰ　ｌｉｎｅａｅｒ　ｐｒｏｇｒａｍｉｎｇ线性规划

matlab只能求最小，求最大需要加负号

Aeq 就是A equal

当线性规划的约束中有aiXi=bi的条件时，用Aeq和beq来保证等号的成立，就是说aiXi=bi那个xi对应的Aeq位子取ai，其他取0，beq取值是有几个aiXi=bi就取几个bi。

例子

matlab只能求最小，求最大需要加负号

除了等式不需要加负号，其他都要加。

这里的f是目标函数的，a.b 是不等式的。aeq,beq是等式的。用linprog求解，x,y=-y

求不出来，因为没具体的数。看思想。

多目标规划改成线性规划。

投资问题

$q_i$ 是风险损失率， $q_ix$ 是风险额，总体风险率最小。

$M$ 是最大金额

总风险减去总收益最小就可以。或者是总收益减去总风险最大就可以。

假设以a 方案构建

这些数字是用已知的图表 $r_i-p_i$ 得到的。其中 $r_0$ 是5%

clc ,clear
a=0,hold on
while a<0.05
    c=[-0.05,-0.27,-0.19,-0.185,-0.185];
    A=[zeros(4,1),diag([0.025,0.015,0.055,0.026])];
    b=a*ones(4,1);
    Aeq=[1,1.01,1.02,1.045,1.065];
    beq=1;LB=zeros(5,1);
    [x,Q]=linprog(c,A,b,Aeq,beq,LB);
    Q=-Q;plot(a,Q,'*k');      %k是黑色颜色的代号
    a=a+0.001;
end
xlabel('a'),ylabel('Q')

函数图形用黑色颜色和“*”符号来表示a和Q的函数曲线关系。

这里，plot是绘图函数，a和Q是一组数据，k是黑色颜色的代号，“*”在图形中表示a和Q的对应值。

整数规划(Integer Programming，IP)

(94条消息) 整数规划之分支定界法_咖瑞芝的博客-CSDN博客_整数规划分支定界法

(94条消息) 整数规划：分支定界法_胡拉哥-CSDN博客_整数规划的分支定界法

分支定界法

分支定界法的核心思想就是分枝和剪枝。当我们不考虑所求解必须是整数这个条件时，用单纯形法可求出最优解，但是这个解往往不全是整数，因此我们采用剪枝的方式一点一点缩小范围，直到所求解为整数解。

剪枝：如果某一个子问题无可行解或者最优值小于原来的下界，则称这个分支已经查清，将该支剪掉，不再计算。

解出现小数的形式，取上界和下界。也就是说，假如x1=2.25和x2=3.75.先选一个分支x2，加新的约束条件 $x2\leq 3,x2\geq 4$ 。这是因为不确定整数解到底在那个方向能取到最优值，因此需要考虑两种情况。

求解整数规划的分支定界算法是一个树搜索（Tree-Search）算法。它的基本思想是考虑整数规划问题的松弛问题，通过增加“整性”约束条件来构造子问题，求解所有子问题从而得到最优的整数解。通过“定界”，可以避免不必要的搜索。

将branchbound．ｍ和intprog．ｍ配置到路径

branchbound．ｍ

function [newx,newfval,status,newbound] = branchbound(f,A,B,I,x,fval,bound,Aeq,Beq,lb,ub,e)

% 分支定界法求解整数规划
% f,A,B,Aeq,Beq,lb,ub与线性规划相同
% I为整数限制变量的向量
% x为初始解，fval为初始值

options = optimset('display','off');
[x0,fval0,status0]=linprog(f,A,B,Aeq,Beq,lb,ub,[],options);

%递归中的最终退出条件
%无解或者解比现有上界大则返回原解
if status0 <= 0 || fval0 >= bound
    newx = x;
    newfval = fval;
    newbound = bound;
    status = status0;
    return;
end

%是否为整数解,如果是整数解则返回
intindex = find(abs(x0(I) - round(x0(I))) > e);
if isempty(intindex) %判断是否为空值
    newx(I) = round(x0(I));
    newfval = fval0;
    newbound = fval0;
    status = 1;
    return;
end

%当有非整可行解时，则进行分支求解
%此时必定会有整数解或空解
%找到第一个不满足整数要求的变量
n = I(intindex(1));
addA = zeros(1,length(f));
addA(n) = 1;
%构造第一个分支 x<=floor(x(n))
A = [A;addA];
B = [B,floor(x(n))];%向下取整
[x1,fval1,status1,bound1] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e);
A(end,:) = [];
B(:,end) = [];
%解得第一个分支，若为更优解则替换，若不是则保持原状

status = status1;
if status1 > 0 && bound1 < bound
    newx = x1;
    newfval = fval1;
    bound = fval1;
    newbound = bound1;
else
    newx = x0;
    newfval = fval0;
    newbound = bound;
end

%构造第二分支
A = [A;-addA];
B = [B,-ceil(x(n))];%向上取整
[x2,fval2,status2,bound2] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e);    
A(end,:) = [];
B(:,end) = [];

%解得第二分支，并与第一分支做比较，如果更优则替换
if status2 > 0 && bound2 < bound
    status = status2;
    newx = x2;
    newfval = fval2;
    newbound = bound2;
end

intprog．ｍ

function [x,fval,status] = intprog(f,A,B,I,Aeq,Beq,lb,ub,e)
%整数规划求解函数 intprog()
%     其中 f为目标函数向量
%     A和B为不等式约束 Aeq与Beq为等式约束
%     I为整数约束
%     lb与ub分别为变量下界与上界
%     x为最优解，fval为最优值
%例子:
%        maximize 20 x1 + 10 x2 
%        S.T.
% 	             5 x1 + 4 x2 <=24
%                2 x1 + 5 x2 <=13
%                   x1, x2 >=0 
%                   x1, x2是整数
% f=[-20, -10];
% A=[ 5  4; 2 5];
% B=[24; 13];
% lb=[0 0];
% ub=[inf inf];
% I=[1,2];
% e=0.000001;
% [x v s]= IP(f,A,B,I,[],[],lb,ub,,e)
% x = 4     1  v = -90.0000   s = 1

% 控制输入参数
if nargin < 9, e = 0.00001;
   if nargin < 8, ub = []; 
      if nargin < 7, lb = []; 
         if nargin < 6, Beq = []; 
            if nargin < 5, Aeq = [];
               if nargin < 4, I = [1:length(f)];
               end, end, end, end, end, end
  
%求解整数规划对应的线性规划,判断是否有解
options = optimset('display','off');
[x0,fval0,exitflag] = linprog(f,A,B,Aeq,Beq,lb,ub,[],options);
if exitflag < 0
    disp('没有合适整数解');
    x = x0;
    fval = fval0;
    status = exitflag;
    return;
else
    %采用分支定界法求解
    bound = inf;
    [x,fval,status] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e);
end

%例子1
% f = [-40 -90];
 %A = [9 7;7 20];
 %B = [56 70];
% lb = [0 0]';
%例子2
 f = [-20 -10];
 A = [5 4;2 5];
 B = [24 13];
 lb = [0 0];


[x,fval,status] = intprog(f,A,B,[1 2],[],[],lb)

branchbound.m 和intprog.m都是拿来直接用的。用来求解整数问题。

割平面算法

首先不考虑变量 xi是整数这一条件,但增加线性约束条件( 用几何术语,称为割平面) 使得由原可行域中切割掉一部分,这部分只包含非整数解, 但没有切割掉任何整数可行解。这个方法就是指出怎样找到适当的割平面(不见得一次就找到) ,使切割后最终得到这样的可行域, 它的一个有整数坐标的极点恰好是问题的最优解。

有几个不等式就要引入几个松弛变量。

DividePlane.ｍ　将这个.ｍ文件配置到路径里面

function  [intx,intf] = DividePlane(A,c,b,baseVector)
%功能：用割平面法求解整数规划
%调用格式：[intx,intf]=DividePlane(A,c,b,baseVector)
%其中，A：约束矩阵；
%      c：目标函数系数向量；
%      b：约束右端向量；
%      baseVector：初始基向量；
%      intx：目标函数取最小值时的自变量值；
%      intf：目标函数的最小值；
sz = size(A);
nVia = sz(2);%获取有多少决策变量
n = sz(1);%获取有多少约束条件
xx = 1:nVia;

if length(baseVector) ~= n
    disp('基变量的个数要与约束矩阵的行数相等！');
    mx = NaN;
    mf = NaN;
    return;
end
 
M = 0;
sigma = -[transpose(c) zeros(1,(nVia-length(c)))];
xb = b;
 
%首先用单纯形法求出最优解
while 1   
    [maxs,ind] = max(sigma);
%--------------------用单纯形法求最优解--------------------------------------
    if maxs <= 0   %当检验数均小于0时，求得最优解。      
        vr = find(c~=0 ,1,'last');
        for l=1:vr
            ele = find(baseVector == l,1);
            if(isempty(ele))
                mx(l) = 0;
            else
                mx(l)=xb(ele);
            end
        end
        if max(abs(round(mx) - mx))<1.0e-7  %判断最优解是否为整数解，如果是整数解。
            intx = mx;
            intf = mx*c;
            return;
        else  %如果最优解不是整数解时，构建切割方程
            sz = size(A);
            sr = sz(1);
            sc = sz(2);
            [max_x, index_x] = max(abs(round(mx) - mx));
            [isB, num] = find(index_x == baseVector);
            fi = xb(num) - floor(xb(num));
            for i=1:(index_x-1)
                Atmp(1,i) = A(num,i) - floor(A(num,i));
            end
            for i=(index_x+1):sc
                Atmp(1,i) = A(num,i) - floor(A(num,i));
            end
            
            Atmp(1,index_x) = 0; %构建对偶单纯形法的初始表格
            A = [A zeros(sr,1);-Atmp(1,:) 1];
            xb = [xb;-fi];
            baseVector = [baseVector sc+1];
            sigma = [sigma 0];
         
            %-------------------对偶单纯形法的迭代过程----------------------
            while 1
                %----------------------------------------------------------
                if xb >= 0    %判断如果右端向量均大于0，求得最优解
                    if max(abs(round(xb) - xb))<1.0e-7   %如果用对偶单纯形法求得了整数解，则返回最优整数解
                        vr = find(c~=0 ,1,'last');
                        for l=1:vr
                            ele = find(baseVector == l,1);
                            if(isempty(ele))
                                mx_1(l) = 0;
                            else
                                mx_1(l)=xb(ele);
                            end
                        end
                        intx = mx_1;
                        intf = mx_1*c;
                        return;
                    else   %如果对偶单纯形法求得的最优解不是整数解，继续添加切割方程
                        sz = size(A);
                        sr = sz(1);
                        sc = sz(2);
                        [max_x, index_x] = max(abs(round(mx_1) - mx_1));
                        [isB, num] = find(index_x == baseVector);
                        fi = xb(num) - floor(xb(num));
                        for i=1:(index_x-1)
                            Atmp(1,i) = A(num,i) - floor(A(num,i));
                        end
                        for i=(index_x+1):sc
                            Atmp(1,i) = A(num,i) - floor(A(num,i));
                        end
                        Atmp(1,index_x) = 0;  %下一次对偶单纯形迭代的初始表格
                        A = [A zeros(sr,1);-Atmp(1,:) 1];
                        xb = [xb;-fi];
                        baseVector = [baseVector sc+1];
                        sigma = [sigma 0];
                        continue;
                    end
                else   %如果右端向量不全大于0，则进行对偶单纯形法的换基变量过程
                    minb_1 = inf;
                    chagB_1 = inf;
                    sA = size(A);
                    [br,idb] = min(xb);
                    for j=1:sA(2)
                        if A(idb,j)<0
                            bm = sigma(j)/A(idb,j);
                            if bm<minb_1
                                minb_1 = bm;
                                chagB_1 = j;
                            end
                        end
                    end
                    sigma = sigma -A(idb,:)*minb_1;
                    xb(idb) = xb(idb)/A(idb,chagB_1);
                    A(idb,:) = A(idb,:)/A(idb,chagB_1);
                    for i =1:sA(1)
                        if i ~= idb
                            xb(i) = xb(i)-A(i,chagB_1)*xb(idb);
                            A(i,:) = A(i,:) - A(i,chagB_1)*A(idb,:);
                        end
                    end
                    baseVector(idb) = chagB_1;
                end
              %------------------------------------------------------------
            end 
            %--------------------对偶单纯形法的迭代过程---------------------    
        end     
    else     %如果检验数有不小于0的，则进行单纯形算法的迭代过程
        minb = inf;
        chagB = inf;
        for j=1:n
            if A(j,ind)>0
                bz = xb(j)/A(j,ind);
                if bz<minb
                    minb = bz;
                    chagB = j;
                end
            end
        end
        sigma = sigma -A(chagB,:)*maxs/A(chagB,ind);
        xb(chagB) = xb(chagB)/A(chagB,ind);
        A(chagB,:) = A(chagB,:)/A(chagB,ind);
        for i =1:n
            if i ~= chagB
                xb(i) = xb(i)-A(i,ind)*xb(chagB);
                A(i,:) = A(i,:) - A(i,ind)*A(chagB,:);
            end
        end
        baseVector(chagB) = ind;
    end
    M = M + 1;
    if (M == 1000000)
        disp('找不到最优解！');
        mx = NaN; 
        minf = NaN;
        return;
    end
end

A=[0.01 0.01 0.01 0.03 0.03 0.03 1 0 0 0;0.02 0 0 0.05 0 0 0 1 0 0;0 0.02 0 0 0.05 0 0 0 1 0;0 0 0.03 0 0 0.08 0 0 0 1];
c=[-20;-14;-16;-36;-32;-30];
b=[850;700;100;900];
[intx,intf]=DividePlane(A,c,b,[7 8 9 10])

别忘了ｃ里是负的。

0,1选择问题，互斥约束问题

生产线生产产品，新旧工艺只能用一个，用了新工艺就不能用旧工艺；用了旧工艺就不能用新工艺。

$M$ 去很大很大的值。当 $y=1$ 时，执行第一个方程 $4x_1+5x_2\leq200$ ,因为 $M$ 是很大的数，让第二个方程没有什么意义了。

$M1,M2,M3$ 都是无穷大的数

WhaTEveR。。。。

关注

7
点赞
踩
37

收藏

觉得还不错? 一键收藏
1
评论
matlab进阶

matlab只能求最小，求最大需要加负号Aeq 就是A equal当线性规划的约束中有aiXi=bi的条件时，用Aeq和beq来保证等号的成立，就是说aiXi=bi那个xi对应的Aeq位子取ai，其他取0，beq取值是有几个aiXi=bi就取几个bi。例子matlab只能求最小，求最大需要加负号除了等式不需要加负号，其他都要加。这里的f是目标函数的，a.b 是不等式的。aeq,beq是等式的。用linprog求解，x,y=-y...
复制链接

扫一扫