这里写自定义目录标题
单纯形法最优化算法matlab程序
作者:liu;wei;
单纯形法由Spendley, Hext和Himsworth首先提出,1965年被Nelder和Mead所改进。现在检索到的单纯形法有很多种,而且大多数不是我这一种,请区分辨别。
通过计算出若干点处的函数值,对其大小进行比较,可以看出函数值变化的大致趋势,从而可以寻求使函数值下降的搜索方向。在n维空间中,由n+1个不同点顺序相连,就可以构成一个具有n+1个顶点的多面体- --称之为单纯形。计算函数在这n+1个顶点的函数值,并进行比较,据此来确定有利的搜索方向和步长,找到一个比较好的点来取代单纯形中较“坏”的那个顶点,从而组成了-一个新的单纯形,并用之取代原来的单纯形。如此下去,新单纯形不断地向目标函数的极小点靠近,直到搜索到极小点为止。
在这里插入图片描述
例题
试用单纯形法求 f(x)=4(x1-5)2 + (x2-6)2
的极小值。
初始点x1=(8,9)并取 x2=(10,11)和x3=(8,11),增长因子alpha = 2;阻尼因子beta = 0.5;收敛误差epsilon = 1e-2;
clc;clear all;
xx.x1=[8,9];
xx.x2=[10,11];
xx.x3=[8,11];
xx.alpha = 2;
xx.beta = 0.5;
xx.epsilon = 1e-2;
[ xx ] = NeldSearch( xx );
function [ param ] = NeldSearch( param )
initPts = [param.x3;param.x2;param.x1];
disp(initPts);
fvals = [func(param.x3) func(param.x2) func(param.x1)];
if(max(fvals) - min(fvals) < param.epsilon)
param.solve = mean(initPts);
disp('最优化结果');
param.solve
return;
end
%先排序;
[~,index]= sort(fvals); %默认升序;
%确定b,g,w;
param.x3 = initPts(index(1),:);%3
param.x2 = initPts(index(2),:);%2
param.x1 = initPts(index(3),:);%1
param.x4 = (param.x3 + param.x2)/2;%4
param.x5 = param.x4 + (param.x4 - param.x1);%5
if(func(param.x5) < func(param.x3))
param.x6 = param.x4 + param.alpha*(param.x4-param.x1);%6
if(param.x6 < param.x5)
param.x1 = param.x6;
else
param.x1 = param.x5;
end
elseif(func(param.x3) < func(param.x5) && func(param.x5) <= func(param.x2))
param.x1 = param.x5;
elseif(func(param.x2) < func(param.x5) && func(param.x5) <= func(param.x1))
param.x7 = param.x4 + param.beta*(param.x5-param.x4);%7
param.x1 = param.x7;
else
param.x8 = param.x4 - param.beta*(param.x4-param.x1);%8
if(func(param.x8) < func(param.x1))
param.x1 = param.x8;
else
param.x9 = (param.x1 + param.x3)/2;%9
param.x1 = param.x9;
param.x10 = (param.x2 + param.x3)/2;%10
param.x2 = param.x10;
end
end
plot(param.x3(1),param.x3(2),'*',param.x2(1),param.x2(2),'*',param.x1(1),param.x1(2),'*');
param = NeldSearch(param); %递归;
end
function f = func(point)
x1= point(1);
x2= point(2);
f = 4*(x1-5)^2+(x2-6)^2;
end