【MATLAB学习笔记】数值方法——二次插值法（求极小值）

已于 2023-11-24 20:01:17 修改
阅读量1.7k 收藏 9
点赞数 8
分类专栏： MATLAB学习笔记 文章标签： matlab 学习 笔记 算法
于 2023-11-24 19:58:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_53350487/article/details/134605100
版权

目录

前言

  二次插值法是一种数值优化方法，用于求解函数的极小值。其基本思想是通过对函数进行二次插值来逼近极小值点的位置，并通过求解插值函数的极小值点来得到函数的极小值。

具体步骤如下：

  1. 选择一个起始点，并计算该点处的函数值和一阶导数值；
  2. 根据起始点和一阶导数值，构造一个二次插值函数，通常采用二次多项式来表示；
  3. 求解二次插值函数的极小值点，得到新的近似极小值点；
  4. 判断新的近似极小值点与前一次的近似极小值点之间的误差是否小于预设的精度要求，如果满足则停止迭代，否则返回步骤2，继续迭代。

  需要注意的是，二次插值法可能会因为插值函数的形状而导致迭代过程不稳定，因此在实际应用中需要根据具体情况选择合适的起始点和迭代策略，以确保能够得到准确的极小值点。

算法流程图

在这里插入图片描述
注：其中的 h h h表示区间消去法的步长，具体可以看这篇文章。

算法代码

function Paowuxian_minValue(f_sym,x0,eps,N,h)
    % f_sym为所求函数, 符号函数
    % x0为初始点，默认为0
    % eps为允许误差, 默认为1e-4
    % N为最大迭代次数, 默认为500
    % h为区间消去法迭代步长, 默认为0.01
    if nargin < 2, x0 = 0; end
    if nargin < 3, eps = 1e-4; end
    if nargin < 4, N = 500; end
    if nargin < 5, h = 0.01; end
    
    f = matlabFunction(f_sym);
    y = f(x0);

    x = x0;
    k = 0;
    fprintf('函数f=%s迭代开始:\n',f_sym)
    while true
        k = k + 1;
        c1 = (y(3) - y(1))/(x(3)-x(1));
        c2 = ( (y(2)-y(1))/(x(2)-x(1)) - c1 ) / (x(2)-x(3));
        xp = (1/2)*(x(1) + x(3) - c1/c2 );
        yp = f(xp);

        fprintf('k=%2.d, x1=%.4f, x2=%.4f, x3=%.4f, xp=%.4f, fp=%.4f\n',k,x(1),x(2),x(3),xp,yp);
        
        if abs((y(2)-yp)/y(2)) < eps
            if y(2)<yp
                x_star = x(2);
            else
                x_star = xp;
            end
            y_star = f(x_star);
            fprintf('已收敛!结果如下：\nk=%2.d, x1=%.4f, x2=%.4f, x3=%.4f, x_star=%.4f, f_star=%.4f',...
                k,x(1),x(2),x(3),x_star,y_star);
            break
        end

        if (xp - x(2))*h > 0
            if y(2) >= yp
                x(1) = x(2);
                y(1) = y(2);
                x(2) = xp;
                y(2) = yp;
            else
                x(3) = xp;
                y(3) = yp;
            end
        else
            if y(2) >= yp
                x(3) = x(2);
                y(3) = y(2);
                x(2) = xp;
                y(2) = yp;
            else
                x(1) = xp;
                y(1) = yp;
            end
        end

        if k > N
            fprintf('已经超出最大迭代次数%d！\n',N)
            break
        end

    end
    fprintf('\n\n')

end

测试

测试函数如下：

syms x
f1_sym = (1/4)*x.^4 - (4/3)*x.^3 + (5/2)*x.^2 - 2*x ;
f2_sym = 8*x.^3 - 2*x.^2 - 7*x + 3;

解析解

% 解析解
f1 = diff(f1_sym);
x1_min = double(vpa(solve(f1,x)));
f2 = diff(f2_sym);
x2_min = double(vpa(solve(f2,x)));
x1_minx2_min
2.00000.6298

注：上表格仅展示了局部解。

算法解

x01 = [1,0,3];
x02 = [0,1,2];
eps1 = 1e-6;
eps2 = 1e-6;
N = 100;
Paowuxian_minValue(f1_sym,x01,eps1,N)
Paowuxian_minValue(f2_sym,x02,eps2,N)

迭代过程如下：

函数f=(5*x^2)/2 - 2*x - (4*x^3)/3 + x^4/4迭代开始:
k= 1, x1=1.0000, x2=0.0000, x3=3.0000, xp=1.2000, fp=-0.5856
k= 2, x1=0.0000, x2=1.2000, x3=3.0000, xp=1.1951, fp=-0.5854
k= 3, x1=1.1951, x2=1.2000, x3=3.0000, xp=1.2341, fp=-0.5869
k= 4, x1=1.2000, x2=1.2341, x3=3.0000, xp=1.2589, fp=-0.5880
k= 5, x1=1.2341, x2=1.2589, x3=3.0000, xp=1.2962, fp=-0.5901
k= 6, x1=1.2589, x2=1.2962, x3=3.0000, xp=1.3351, fp=-0.5927
k= 7, x1=1.2962, x2=1.3351, x3=3.0000, xp=1.3820, fp=-0.5966
k= 8, x1=1.3351, x2=1.3820, x3=3.0000, xp=1.4336, fp=-0.6017
k= 9, x1=1.3820, x2=1.4336, x3=3.0000, xp=1.4907, fp=-0.6082
k=10, x1=1.4336, x2=1.4907, x3=3.0000, xp=1.5507, fp=-0.6160
k=11, x1=1.4907, x2=1.5507, x3=3.0000, xp=1.6120, fp=-0.6247
k=12, x1=1.5507, x2=1.6120, x3=3.0000, xp=1.6718, fp=-0.6335
k=13, x1=1.6120, x2=1.6718, x3=3.0000, xp=1.7279, fp=-0.6417
k=14, x1=1.6718, x2=1.7279, x3=3.0000, xp=1.7784, fp=-0.6488
k=15, x1=1.7279, x2=1.7784, x3=3.0000, xp=1.8223, fp=-0.6544
k=16, x1=1.7784, x2=1.8223, x3=3.0000, xp=1.8594, fp=-0.6585
k=17, x1=1.8223, x2=1.8594, x3=3.0000, xp=1.8900, fp=-0.6615
k=18, x1=1.8594, x2=1.8900, x3=3.0000, xp=1.9146, fp=-0.6634
k=19, x1=1.8900, x2=1.9146, x3=3.0000, xp=1.9342, fp=-0.6647
k=20, x1=1.9146, x2=1.9342, x3=3.0000, xp=1.9496, fp=-0.6655
k=21, x1=1.9342, x2=1.9496, x3=3.0000, xp=1.9615, fp=-0.6660
k=22, x1=1.9496, x2=1.9615, x3=3.0000, xp=1.9707, fp=-0.6663
k=23, x1=1.9615, x2=1.9707, x3=3.0000, xp=1.9778, fp=-0.6664
k=24, x1=1.9707, x2=1.9778, x3=3.0000, xp=1.9832, fp=-0.6665
k=25, x1=1.9778, x2=1.9832, x3=3.0000, xp=1.9873, fp=-0.6666
k=26, x1=1.9832, x2=1.9873, x3=3.0000, xp=1.9904, fp=-0.6666
k=27, x1=1.9873, x2=1.9904, x3=3.0000, xp=1.9927, fp=-0.6666
k=28, x1=1.9904, x2=1.9927, x3=3.0000, xp=1.9945, fp=-0.6667
k=29, x1=1.9927, x2=1.9945, x3=3.0000, xp=1.9959, fp=-0.6667
k=30, x1=1.9945, x2=1.9959, x3=3.0000, xp=1.9969, fp=-0.6667
k=31, x1=1.9959, x2=1.9969, x3=3.0000, xp=1.9977, fp=-0.6667
k=32, x1=1.9969, x2=1.9977, x3=3.0000, xp=1.9982, fp=-0.6667
k=33, x1=1.9977, x2=1.9982, x3=3.0000, xp=1.9987, fp=-0.6667
k=34, x1=1.9982, x2=1.9987, x3=3.0000, xp=1.9990, fp=-0.6667
已收敛!结果如下：
k=34, x1=1.9982, x2=1.9987, x3=3.0000, x_star=1.9990, f_star=-0.6667

函数f=8*x^3 - 2*x^2 - 7*x + 3迭代开始:
k= 1, x1=0.0000, x2=1.0000, x3=2.0000, xp=0.5227, fp=-0.0629
k= 2, x1=0.0000, x2=0.5227, x3=1.0000, xp=0.5491, fp=-0.1223
k= 3, x1=0.5227, x2=0.5491, x3=1.0000, xp=0.6131, fp=-0.1998
k= 4, x1=0.5491, x2=0.6131, x3=1.0000, xp=0.6207, fp=-0.2024
k= 5, x1=0.6131, x2=0.6207, x3=1.0000, xp=0.6274, fp=-0.2034
k= 6, x1=0.6207, x2=0.6274, x3=1.0000, xp=0.6287, fp=-0.2034
k= 7, x1=0.6274, x2=0.6287, x3=1.0000, xp=0.6295, fp=-0.2034
k= 8, x1=0.6287, x2=0.6295, x3=1.0000, xp=0.6297, fp=-0.2034
k= 9, x1=0.6295, x2=0.6297, x3=1.0000, xp=0.6297, fp=-0.2034
已收敛!结果如下：
k= 9, x1=0.6295, x2=0.6297, x3=1.0000, x_star=0.6297, f_star=-0.2034

总代码

clc;clear;close all
%% 
syms x
f1_sym = (1/4)*x.^4 - (4/3)*x.^3 + (5/2)*x.^2 - 2*x ;
f2_sym = 8*x.^3 - 2*x.^2 - 7*x + 3;

% 解析解
f1 = diff(f1_sym);
x1_min = double(vpa(solve(f1,x)));
f2 = diff(f2_sym);
x2_min = double(vpa(solve(f2,x)));

x01 = [1,0,3];
x02 = [0,1,2];
eps1 = 1e-6;
eps2 = 1e-6;
N = 100;
Paowuxian_minValue(f1_sym,x01,eps1,N)
Paowuxian_minValue(f2_sym,x02,eps2,N)

%% 
function Paowuxian_minValue(f_sym,x0,eps,N,h)
    % f_sym为所求函数, 符号函数
    % x0为初始点，默认为0
    % eps为允许误差, 默认为1e-4
    % N为最大迭代次数, 默认为500
    % h为区间消去法迭代步长, 默认为0.01
    if nargin < 2, x0 = 0; end
    if nargin < 3, eps = 1e-4; end
    if nargin < 4, N = 500; end
    if nargin < 5, h = 0.01; end
    
    f = matlabFunction(f_sym);
    y = f(x0);

    x = x0;
    k = 0;
    fprintf('函数f=%s迭代开始:\n',f_sym)
    while true
        k = k + 1;
        c1 = (y(3) - y(1))/(x(3)-x(1));
        c2 = ( (y(2)-y(1))/(x(2)-x(1)) - c1 ) / (x(2)-x(3));
        xp = (1/2)*(x(1) + x(3) - c1/c2 );
        yp = f(xp);

        fprintf('k=%2.d, x1=%.4f, x2=%.4f, x3=%.4f, xp=%.4f, fp=%.4f\n',k,x(1),x(2),x(3),xp,yp);
        
        if abs((y(2)-yp)/y(2)) < eps
            if y(2)<yp
                x_star = x(2);
            else
                x_star = xp;
            end
            y_star = f(x_star);
            fprintf('已收敛!结果如下：\nk=%2.d, x1=%.4f, x2=%.4f, x3=%.4f, x_star=%.4f, f_star=%.4f',...
                k,x(1),x(2),x(3),x_star,y_star);
            break
        end

        if (xp - x(2))*h > 0
            if y(2) >= yp
                x(1) = x(2);
                y(1) = y(2);
                x(2) = xp;
                y(2) = yp;
            else
                x(3) = xp;
                y(3) = yp;
            end
        else
            if y(2) >= yp
                x(3) = x(2);
                y(3) = y(2);
                x(2) = xp;
                y(2) = yp;
            else
                x(1) = xp;
                y(1) = yp;
            end
        end

        if k > N
            fprintf('已经超出最大迭代次数%d！\n',N)
            break
        end

    end
    fprintf('\n\n')

end

总结

  这只是一个基础的示例，实际中还会有更具体的、更细致的要求，这就需要再做额外调整；另外本人也仍在学习中，这只是个人的学习笔记，可能还有一些不足之处，欢迎指正。

参考文献

主编白清顺. 机械优化设计.第6版 [M]. 2017.

【插值】二次样条插值的 MATLAB 函数
Fanjufei的博客
06-03 381
进行二次样条插值，并能够计算出插值函数在指定点。总体来说，这段代码实现了对给定数据点。
el-select 多选取值_数值优化|笔记整理（3）——线搜索中的步长选取方法，线性共轭梯度法...
weixin_39567046的博客
11-21 585
上一节笔记传送门：学弱猹：数值优化|笔记整理（2）——线搜索：步长选取条件的收敛性​zhuanlan.zhihu.com————————————————————————————————————大家好！我们在上一节花了很多篇幅介绍了线搜索中，步长选取条件的收敛性。那么在这一节，我们会开始关注线搜索中，如何实操中设计不同步长选取条件算法，并且还会关注线搜索中初始步长的选取。当然了，这些部分没有太多的理...
matlab二次插值函数 interp2
最新发布
handuoduo1234的博客
05-08 2285
在实际应用中，这两种插值方法的选择取决于具体的需求和场景。而如果你需要保留原始数据的关键特征，比如突变点或者尖锐的变化，那么你可能更愿意使用最临近插值。需要注意的是，虽然这两种插值方法都可以用来估计未知的值，但是它们在处理边界情况时可能会有所不同。例如，当待插值点位于已知数据范围之外时，线性插值可能会产生不切实际的延伸，而最临近插值则会直接使用边界数据点的值。（线性插值）：这种插值方法通过连接待插值点周围的两个最近的已知点，然后在这两点之间。（最临近插值）：这种插值方法会选择离待插值点最近的已知点，并。
二次插值法求极小值
07-06
二次插值法求函数极小值及其编程C 语言编写步骤
MATLAB实现拉格朗日插值（线性插值、二次插值、三次插值······）
03-18
已知 sin(0.32)=0.314567，sin(0.34)=0.333487，sin(0.36)=0.352274， sin(0.38)=0.370920。 请采用线性插值、二次插值、三次插值分别计算 sin(0.35)的值。
最优化三点二次插值Matlab
04-24
关于最优化三点二次插值的，点的坐标直接给出，输入迭代次数
插值算法——数学建模清风笔记
wudjhxji的博客
01-15 1437
数模比赛中，常常需要根据已知的函数点进行数据、模型的处理和分析，而有时候现有的数据是极少的，不足以支撑分析的进行，这时就需要使用一些数学的方法，“模拟产生”一些新的但又比较靠谱的值来满足需求，这就是插值的作用。
MATLAB学习笔记06——无约束一维极值问题（三）优化工具箱及工具箱函数fminbnd的改进
寒的博客
08-22 3073
利用工具箱求解 一、fminbnd函数 fminbnd函数用法 [x,fval,exitflag,output]=fminbnd(fun,x1,x2,option); x:极小值点，fval：目标函数极小值，exitflag：返回优化失败或成功（1：成功，0：到达最大迭代次数，-1因自定义函数退出，-2边界条件不协调（x1>x2）），output：返回求解信息中迭代次数、使用的算法等。
线性共轭梯度法python_数值优化|笔记整理（3）——线搜索中的步长选取方法，线性共轭梯度法...
weixin_39589241的博客
12-07 1266
上一节笔记传送门：学弱猹：数值优化|笔记整理(2)——线搜索：步长选取条件的收敛性​zhuanlan.zhihu.com————————————————————————————————————大家好！我们在上一节花了很多篇幅介绍了线搜索中，步长选取条件的收敛性。那么在这一节，我们会开始关注线搜索中，如何实操中设计不同步长选取条件算法，并且还会关注线搜索中初始步长的选取。当然了，这些部分没有太多的理...
《数学建模算法与应用第二版》——chapter5. 插值与拟合
zwszws111的博客
07-29 835
司守奎老师第二版书学习笔记，代码all get
matlab代码二次插值-reduce-linear-interp1:对于指定的绝对误差容限，请减少一维数据集以用于MATLAB中的线性插值（
05-28
matlab代码二次插值自述文件（reduce-linear-interp1） 对于指定的绝对误差容限，请减少与MATLAB中的线性插值（interp1）一起使用的1D数据集。 安装 下载项目代码： 运行以将项目文件自动添加到您的MATLAB路径，并打开一些示例。 一种简单的方法是简单地将文件拖到MATLAB命令窗口。 INSTALL_RLI1 请参阅一些示例 open RLI1_examples 描述 该提交减小了所提供的原始X和Y数据集的大小，同时在具有缩减后的原始数据的线性插值（ interp1 ）下保持了指定的绝对误差容限。 主要算法是递归的，并且利用线性插值是局部的这一事实。 使用仅由这三个点组成的线性插值检查由端点和最接近的中点组成的间隔的准确性。 如果绝对误差小于指定的公差，则间隔令人满意，并且保存点。 否则，将根据最接近的中点将间隔分为两半，然后再次应用算法直到终止。 这种方法可能不会选择最小点数，但效率极高，并且可以在任何数据集上使用。 其他类似的表断点减少方法似乎在处理大型数据集或具有高度不规则数据的方法时会遇到困难。 但是，此提交仅限于一维线性插值，而其他提交则适
利用MATLAB计算任意二元函数的极小值
09-13
利用MATLAB计算任意二元函数的极小值的详细模板 请用pdf打开
MATLAB无约束一维极值之二次插值法
STM89C56的博客
04-12 2771
一、算法原理 设曲线F（x），寻找到其极值区间[x1,x2],使其满足f(x1)>f((x1+x2)/2) , f((x1+x2)/2)<f(x2),利用这三个点的值拟合一条抛物线方程 f(x)=ax^2+bx+c,a b c 为系数。 ax1^2+bx1+c=f(x1) ax2^2+bx2+c=f(x2) ax3^2+bx3+c=f(x3) 写成矩阵形式...
用二次插值法求解函数极小值
ZeroZeroOneTwo的博客
03-21 1074
【代码】用二次插值法求解函数极小值。
【学习笔记】Matlabs实现用二次插值法求单变量函数在单峰区间上近似极小点
qq_48013448的博客
07-17 1681
最近的暑期学校在上算法课，其中有一节课后作业便是用二次插值法求单变量函数在单峰区间上近似极小点，我需要自己编程设计算法程序。 算法书是马昌凤的**《最优化方法及其Matlab程序设计》**，本次编程也是依照该书的算法步骤，但是有改进。 算法简介 在求解一元函数f的极小点时，在搜索区间中用低次（通常不超过三次）插值多项式P来近似目标函数，后求该多项式的极小点（比较容易计算），并以此作为目标函数f的近似极小点。如果其近似的程度尚未达到所要求的精度时，反复使用此法，逐次拟合，直到满足给定的精度时为止。 算
matlab中二次插值,一点二次插值、二点二次插值 ,matlab
weixin_39822423的博客
03-17 713
syms f x a b c;f(x)=3*x^4-4*x^3-12*x^2;q(x)=a*x^2+b*x+c;%二点二次插值x=[-1.2 -0.8];ff=diff(diff(f));dif=diff(f);for i=1:3%[a b c]=solve(‘f(x(1))=q(x(1))‘,‘f(x(2))=q(x(2))‘,‘12*x(1)^3-12*x(1)^2-24*x(1)=2*a*x...
二次插值法详细步骤及其matlab代码举例
热门推荐
weixin_42332198的博客
10-13 1万+
基本思想:在搜索区间中不断使用二次多项式去近似目标函数，并逐步用插值多项式的极小点去逼近搜索问题（什么鬼？）其实就是模拟目标函数，求出模拟出来的函数的极小值近似等于目标函数极小值 mini f(x) 区间[a,b] 精度e=0.3（自己设置） 确定目标函数区间[a,b],精度e=0.3（就是迭代终止条件） 计算f(a),f(b)的值，若 1. f(a)<f(b),则计算f（）的值，属于（a+b)/2,(a+b)/4,(a+b)/8......直到找到一个f(a)>f（）， 找...
分段二次插值的matlab程序,怎样用matlab进行抛物插值（二次插值）
weixin_30388691的博客
03-16 6443
4.1问题的提法一个多项式的幂级数形式可表示为：p(x)= a0xn + a1xn-1 + … + an-1x + an在MATLAB中，多项式用行向量表示，其元素为多项式的系数，且从左到右按降幂排列。如多项式p(x)= ax+ ax+ … + ax + a在MATLAB 中被表示为p= [aa…aa]roots命令：多项式的根可用roots命令求解，如x=roots(p).polyval命令：可...
【MATLAB与机械设计】一维优化之二次插值法（抛物线法）
199538220
03-19 6984
MATLAB与机械设计优化（三）
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Infww

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值