数学建模专栏 | 第六篇：MATLAB优化模型求解方法(下)：全局优化

最新推荐文章于 2024-09-10 10:00:17 发布

稳定性与频率补偿

最新推荐文章于 2024-09-10 10:00:17 发布

阅读量2.9k

点赞数

分类专栏： MATLAB 编程与数学建模文章标签： Matlab数学建模

MATLAB 编程与数学建模专栏收录该内容

12 篇文章 111 订阅

订阅专栏

离散型问题是建模竞赛中的主流题型，如果判断所研究的问题是组合优化问题，那么就大概率需要全局优化算法了。历年赛题中，比较经典的这类问题有灾情巡视、公交车调度、彩票问题、露天矿卡车调度、交巡警服务平台、太阳影子定位等等。可见全局优化问题的求解算法在数学建模中的重要性，这一讲重要就介绍 MATLAB 全局优化技术及相关实例。

1. MATLAB 全局优化概况

MATLAB 中有个全局优化工具箱 ( Global Optimization Toolbox ) ，该工具箱集成了几个主流的全局优化算法，包含全局搜索、多初始点、模式搜索、遗传算法、多目标遗传算法、模拟退火求解器和粒子群求解器，如图 1 所示。对于目标函数或约束函数连续、不连续、随机、导数不存在以及包含仿真或黑箱函数的优化问题，都可使用这些求解器来求解。

图 1 MATLAB 全局优化工具箱包含的求解器

另外，还可通过设置选项和自定义创建、更新函数来改进求解器效率。可以使用自定义数据类型，配合遗传算法和模拟退火求解器，来描绘采用标准数据类型不容易表达的问题。利用混合函数选项，可在第一个求解器之后应用第二个求解器来改进解算。

2. 遗传算法

遗传算法可以说是典型的通过变化解的结构以得到更优解的算法，适应能力比较强，现已经典的旅行商问题（TSP）为例，来看看如何使用 MATLAB 来实现遗传算法。

旅行商问题的数据

load(’usborder.mat’,‘x’,‘y’,‘xx’,‘yy’);
plot(x,y,‘Color’,‘red’); hold on;
cities = 40;
locations = zeros(cities,2);
n = 1;
while (n <= cities)
    xp = rand*1.5;
    yp = rand;
    if inpolygon(xp,yp,xx,yy)
        locations(n,1) = xp;
        locations(n,2) = yp;
        n = n+1;
    end
end
plot(locations(:,1),locations(:,2),‘bo’);

计算城市间的距离

distances = zeros(cities);

for count1=1:cities
    for count2=1:count1
        x1 = locations(count1,1);
        y1 = locations(count1,2);
        x2 = locations(count2,1);
        y2 = locations(count2,2);
        distances(count1,count2)=sqrt((x1-x2)^2+(y1-y2)^2);
        distances(count2,count1)=distances(count1,count2);
    end
end

定义目标函数

FitnessFcn = @(x) traveling_salesman_fitness(x,distances);

my_plot = @(options,state,flag) traveling_salesman_plot(options, …
state,flag,locations);

设置优化属性并执行遗传算法求解

options = optimoptions(@ga, ’PopulationType’, ‘custom’,‘InitialPopulationRange’, …
                            [1;cities]);

options = optimoptions(options,‘CreationFcn’,@create_permutations, …
                        ‘CrossoverFcn’,@crossover_permutation, …
                        ‘MutationFcn’,@mutate_permutation, …
                        ‘PlotFcn’, my_plot, …
                        ‘MaxGenerations’,500,‘PopulationSize’,60, …
                        ‘MaxStallGenerations’,200,‘UseVectorized’,true);

numberOfVariables = cities;
[x,fval,reason,output] = …
    ga(FitnessFcn,numberOfVariables,[ ],[ ],[ ],[ ],[ ],[ ],[ ],options);

3. 模拟退火算法

模拟退火（SA）算法也是经典的全局优化算法之一，它脱胎于自然界的物理过程，奇妙地与优化问题挂上了钩。这里将以求解经典的 Peaks 问题为例，介绍如何使用 MATLAB 中的 SA 算法。

用模拟退火(SA)算法求解Peaks问题

clc, clear, close all

定义优化问题

peaks

problem = createOptimProblem(’fmincon’,…
                             ‘objective’,@(x) peaks(x(1),x(2)), …
                             ‘nonlcon’,@circularConstraint,…
                             ‘x0’,[-1 -1],…
                             ‘lb’,[-3 -3],…
                             ‘ub’,[3 3],…
                             ‘options’,optimset(‘OutputFcn’,…
                                                @peaksPlotIterates))

用一般最优算法求解

[x,f] = fmincon(problem)

x =

-1.3474 0.2045
f =
-3.0498

用 SA 算法寻找全局最小值

problem.solver = ’simulannealbnd’;

problem.objective = @(x) peaks(x(1),x(2)) + (x(1)^2 + x(2)^2 - 9);
problem.options = saoptimset(’OutputFcn’,@peaksPlotIterates,…
                             ‘Display’,‘iter’,…
                             ‘InitialTemperature’,10,…
                             ‘MaxIter’,300)

[x,f] = simulannealbnd(problem)

x =
0.2280 -1.5229
f =
-13.0244