Matlab做全局优化,matlab全局优化与局部优化

在实际的工作和生活过程中，优化问题无处不在，比如资源如何分配效益最高，拟合问题，最小最大值问题等等。优化问题一般分为局部最优和全局最优，局部最优，就是在函数值空间的一个有限区域内寻找最小值；而全局最优，是在函数值空间整个区域寻找最小值问题。

函数局部最小点是那种它的函数值小于或等于附近点的点。但是有可能大于较远距离的点。

全局最小点是那种它的函数值小于或等于所有的可行点。

全局优化和局部优化区别示意图

matlab中的提供的传统优化工具箱(Optimization Tool)，能实现局部最优，但要得全局最优，则要用全局最优化算法(Global Optimization Tool)，主要包括：

GlobalSearch 全局搜索和MultiStart多起点方法产生若干起始点，然后它们用局部求解器去找到起始点吸引盆处的最优点。

ga 遗传算法用一组起始点(称为种群)，通过迭代从种群中产生更好的点，只要初始种群覆盖几个盆，GA就能检查几个盆。

simulannealbnd模拟退火完成一个随机搜索，通常，模拟退火算法接受一个点，只要这个点比前面那个好，它也偶而接受一个比较糟的点，目的是转向不同的盆。

patternsearch模式搜索算法在接受一个点之前要看看其附近的一组点。假如附近的某些点属于不同的盆，模式搜索算法本质上时同时搜索若干个盆。

下面我就一些具体例子，来说明各种优化方法：

先看一个求最小值的普通优化问题

%%目标函数

f = @(x) x.*sin(x) + x.*cos(2.*x);

%% 的取值范围

lb = 0;

ub = 10;

%% 寻找最小值和绘图

x0 = [0 1 3 6 8 10];

hf = figure;

for i=1:6

x(i) = fmincon(f,x0(i),[],[],[],[],lb,ub,[],...

optimset('Algorithm','SQP','Disp','none'));

subplot(2,3,i)

ezplot(f,[lb ub]);

hold on

plot(x0(i),f(x0(i