目录

第一章:一维搜索问题

黄金分割法

股票交易策略优化

总结:

第二章:线性规划

线性规划(Simplex 算法)

生产计划优化

总结:

第三章:无约束非线性优化问题

梯度下降法

神经网络训练

总结:

牛顿法

非线性系统求解

总结:

第四章:有约束非线性优化问题

拉格朗日乘数法

机械设计优化

总结:

第五章:二次规划

二次规划

投资组合优化

总结:

第六章:混合整数线性规划

混合整数线性规划(MILP)

工厂选址问题

总结:

第七章:多目标规划

多目标规划(权重法)

生产计划优化

总结:

第八章:极大最小化

极大最小化

供货中心选址问题

总结:

第九章:半无限问题

半无限优化

天线设计优化

总结:

第十章:最小二乘问题

线性最小二乘法

数据拟合

总结:

第十一章:非线性方程(组)的求解

牛顿法

非线性系统求解

总结:

割线法

非线性方程求解

总结:

总结


731bd47804784fa2897220a90a387b28.gif

专栏:数学建模学习笔记

第一章:一维搜索问题

黄金分割法

应用类型: 函数优化问题

算法简介: 黄金分割法是一种用于一维搜索问题的优化算法,特别适用于无导数信息的目标函数。通过利用黄金分割比(φ ≈ 0.618),该算法逐步缩小搜索区间,以快速逼近极值点。黄金分割法在优化问题中具有高效性和稳健性,特别适用于目标函数光滑但无导数信息的情况。

优势:

  1. 效率高: 通过逐步缩小搜索区间,迅速逼近极值点。
  2. 简单易用: 算法步骤简单,容易实现和理解。
  3. 无需导数信息: 适用于目标函数不易求导或不可导的情况。

应用领域: 黄金分割法广泛应用于各种一维搜索优化问题,如经济学中的定价策略、金融学中的投资决策、工程中的设计参数优化等。

股票交易策略优化

已知数据: 假设某只股票在一个交易日中的价格变化函数如下:

其中,t是交易时间,以小时为单位。我们希望找到在交易日内(0到10小时)最佳的买入和卖出时机,以最大化利润。

% 定义股票价格变化函数
price = @(t) -0.1*t.^3 + 2*t.^2 - 15*t + 50;

% 黄金分割法
function [xmin, fmin] = golden_section_search(f, a, b, tol)
    phi = (sqrt(5) - 1) / 2; % 黄金分割比
    c = b - phi * (b - a);
    d = a + phi * (b - a);
    while (b - a) > tol
        if f(c) < f(d)
            b = d;
        else
            a = c;
        end
        c = b - phi * (b - a);
        d = a + phi * (b - a);
    end
    xmin = (a + b) / 2;
    fmin = f(xmin);
end

% 定义搜索区间和容差
a = 0;
b = 10;
tol = 1e-5;

% 使用黄金分割法找到最佳买入和卖出时机
[xmin, fmin] = golden_section_search(price, a, b, tol);

fprintf('Optimal time to buy/sell: %.5f\n', xmin);
fprintf('Optimal price: %.5f\n', fmin);

代码解释:

  1. 定义目标函数:函数 price 表示股票价格随时间的变化。
  2. 黄金分割法实现:函数 golden_section_search 使用黄金分割比 φ 逐步缩小搜索区间,寻找极值点。
  3. 搜索区间和容差:初始化搜索区间为 0 到 10 小时,设置容差为 1e-5。
  4. 求解最优时机:调用 golden_section_search 函数,找到最佳的买入和卖出时机,并打印结果。

总结:

黄金分割法在无导数信息的情况下,通过逐步缩小搜索区间,能够高效地找到目标函数的极值点。在股票交易策略优化竞赛中,利用黄金分割法可以有效地确定最佳的买入和卖出时机,以最大化交易利润。

第二章:线性规划

线性规划(Simplex 算法)

应用类型: 资源分配、生产计划、投资组合优化

算法简介: 线性规划(Linear Programming,LP)是一类求解线性目标函数在一组线性约束条件下的优化问题的算法。Simplex 算法是最经典的线性规划求解算法之一。它通过逐步移动顶点来搜索可行区域,最终找到最优解。Simplex 算法以其高效性和鲁棒性,广泛应用于各种线性优化问题中。

优势:

  1. 效率高: Simplex 算法在大多数情况下能够高效求解线性规划问题。
  2. 鲁棒性强: 适用于各种线性约束和目标函数。
  3. 全局最优: 线性规划问题的全局最优解能够通过 Simplex 算法求得。

应用领域: 线性规划广泛应用于资源分配、生产计划、物流调度、金融投资组合优化等领域。

生产计划优化

已知数据: 某工厂生产两种产品 P1 和 P2,每种产品的利润分别为 40 美元和 30 美元。生产每种产品需要的资源如下表:

P121
P212

 工厂每天最多有 100 小时的资源1和 80 小时的资源2。目标是通过合理分配资源以最大化利润。

% 定义目标函数和约束
f = [-40; -30]; % 注意:由于 linprog 求解的是最小值,这里取负
A = [2, 1; 1, 2];
b = [100; 80];
lb = [0; 0];
ub = [];

% 求解线性规划问题
[x, fval] = linprog(f, A, b, [], [], lb, ub);

fprintf('Optimal production of P1: %.2f units\n', x(1));
fprintf('Optimal production of P2: %.2f units\n', x(2));
fprintf('Maximum profit: $%.2f\n', -fval);

代码解释:

  1. 定义目标函数:向量 f 表示每种产品的单位利润,由于 linprog 求解的是最小化问题,所以取负。
  2. 定义约束条件:矩阵 A 和向量 b 分别表示线性约束条件的系数矩阵和右端项,lbub 表示变量的下界和上界。
  3. 求解线性规划问题:调用 linprog 函数,求解最优生产计划,并打印结果。

总结:

线性规划(Simplex 算法)通过高效求解线性目标函数在一组线性约束条件下的最优解,广泛应用于各种资源分配和生产计划优化问题。在生产计划优化竞赛中,利用 Simplex 算法可以有效地确定最优的生产组合,以最大化工厂利润。

第三章:无约束非线性优化问题

梯度下降法

应用类型: 参数优化、机器学习模型训练

算法简介: 梯度下降法(Gradient Descent)是一种用于无约束非线性优化问题的迭代算法。它通过沿着目标函数梯度的反方向逐步更新变量,从而逼近函数的极小值。梯度下降法因其简单易用和适用广泛,成为机器学习模型训练和参数优化中的常用算法。

优势:

  1. 简单易用: 算法简单,易于实现。
  2. 适用广泛: 适用于多种无约束非线性优化问题。
  3. 收敛速度可控: 通过调整步长,可以控制收敛速度和精度。

应用领域: 梯度下降法广泛应用于机器学习模型训练、参数优化、图像处理、信号处理等领域。

神经网络训练

已知数据: 假设一个简单的二次函数作为训练误差函数:

我们希望通过优化权重参数 w使得训练误差最小。

% 定义训练误差函数及其梯度
E = @(w) (w(1) - 3)^2 + (w(2) - 2)^2;
grad_E = @(w) [2*(w(1) - 3); 2*(w(2) - 2)];

% 梯度下降法
function [w, fval] = gradient_descent(E, grad_E, w0, alpha, tol)
    w = w0;
    while norm(grad_E(w)) > tol
        w = w - alpha * grad_E(w);
    end
    fval = E(w);
end

% 定义初始权重、步长和容差
w0 = [0; 0];
alpha = 0.1;
tol = 1e-5;

% 使用梯度下降法优化权重参数
[w, fval] = gradient_descent(E, grad_E, w0, alpha, tol);

fprintf('Optimal weights: w1 = %.5f, w2 = %.5f\n', w(1), w(2));
fprintf('Minimum error: %.5f\n', fval);

代码解释:

  1. 定义目标函数及其梯度:函数 E 表示训练误差函数,grad_E 表示其梯度。
  2. 梯度下降法实现:函数 gradient_descent 使用梯度下降法,通过沿着梯度反方向更新权重参数,逐步逼近极小值。
  3. 初始权重、步长和容差:初始化权重参数为 [0; 0],设置步长为 0.1,容差为 1e-5。
  4. 优化权重参数:调用 gradient_descent 函数,优化权重参数,并打印结果。

总结:

梯度下降法通过沿着目标函数梯度的反方向更新变量,能够有效地逼近函数的极小值。在神经网络训练竞赛中,利用梯度下降法可以有效地优化权重参数,以最小化训练误差。

牛顿法

应用类型: 参数优化、高精度问题求解

算法简介: 牛顿法(Newton's Method)是一种用于求解无约束非线性优化问题的迭代算法。它利用目标函数的一阶和二阶导数信息,通过在当前点处近似目标函数为二次函数,逐步逼近函数的极小值。牛顿法因其快速收敛和高精度,常用于高精度问题求解。

优势:

  1. 收敛速度快: 二次收敛速度使其在接近根时具有极高的精度。
  2. 精度高: 利用一阶和二阶导数信息,提高求解精度。
  3. 适用范围广: 适用于目标函数光滑且二次可导的情况。

应用领域: 牛顿法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性系统求解

已知数据: 假设我们希望求解非线性方程

实现代码:

% 定义目标函数及其导数
f = @(x) x^3 - 2*x^2 - 5;
df = @(x) 3*x^2 - 4*x;

% 牛顿法
function [x, fval] = newton_method(f, df, x0, tol)
    x = x0;
    while abs(f(x)) > tol
        x = x - f(x) / df(x);
    end
    fval = f(x);
end

% 定义初始点和容差
x0 = 3;
tol = 1e-5;

% 使用牛顿法求解非线性方程
[x, fval] = newton_method(f, df, x0, tol);

fprintf('Root: %.5f\n', x);
fprintf('Function value at root: %.5f\n', fval);

代码解释:

  1. 定义目标函数及其导数:函数 f 表示目标非线性方程,df 表示其导数。
  2. 牛顿法实现:函数 newton_method 使用牛顿法,通过在当前点处近似目标函数为二次函数,逐步逼近函数的根。
  3. 初始点和容差:初始化初始点为 3,设置容差为 1e-5。
  4. 求解非线性方程:调用 newton_method 函数,求解非线性方程,并打印结果。

总结:

牛顿法通过利用目标函数的一阶和二阶导数信息,能够快速逼近函数的极小值或根。在非线性系统求解竞赛中,利用牛顿法可以高效地求解复杂的非线性方程组。

第四章:有约束非线性优化问题

拉格朗日乘数法

应用类型: 工程优化、经济模型

算法简介: 拉格朗日乘数法(Lagrange Multiplier Method)是一种用于有约束非线性优化问题的算法。通过引入拉格朗日乘数,将约束条件融入目标函数,形成拉格朗日函数,从而将原问题转化为无约束优化问题进行求解。该方法广泛应用于工程和经济领域的优化问题中。

优势:

  1. 灵活性高: 可以处理等式和不等式约束。
  2. 理论基础扎实: 基于凸优化理论,能保证求解的准确性。
  3. 适用范围广: 适用于各种非线性约束优化问题。

应用领域: 拉格朗日乘数法广泛应用于工程设计优化、经济模型求解、资源分配、生产计划等领域。

机械设计优化

已知数据: 假设我们希望设计一个机械部件,使其在满足强度约束的同时,最小化成本。

目标函数为:

约束条件为:

实现代码:

% 定义目标函数及其梯度
f = @(x) x(1)^2 + x(2)^2;
grad_f = @(x) [2*x(1); 2*x(2)];

% 定义约束条件及其梯度
g = @(x) 1 - x(1) - x(2);
grad_g = @(x) [-1; -1];

% 拉格朗日乘数法
function [x, lambda, fval] = lagrange_multiplier_method(f, grad_f, g, grad_g, x0, lambda0, tol)
    x = x0;
    lambda = lambda0;
    while norm(grad_f(x) + lambda * grad_g(x)) > tol
        x = x - 0.1 * (grad_f(x) + lambda * grad_g(x));
        lambda = lambda - 0.1 * g(x);
    end
    fval = f(x);
end

% 定义初始点、初始拉格朗日乘数和容差
x0 = [0.5; 0.5];
lambda0 = 0;
tol = 1e-5;

% 使用拉格朗日乘数法优化
[x, lambda, fval] = lagrange_multiplier_method(f, grad_f, g, grad_g, x0, lambda0, tol);

fprintf('Optimal parameters: x1 = %.5f, x2 = %.5f\n', x(1), x(2));
fprintf('Lagrange multiplier: %.5f\n', lambda);
fprintf('Minimum cost: %.5f\n', fval);

代码解释:

  1. 定义目标函数及其梯度:函数 f 表示目标函数,grad_f 表示其梯度。
  2. 定义约束条件及其梯度:函数 g 表示约束条件,grad_g 表示其梯度。
  3. 拉格朗日乘数法实现:函数 lagrange_multiplier_method 使用拉格朗日乘数法,通过引入拉格朗日乘数,将约束条件融入目标函数进行优化。
  4. 初始点、初始拉格朗日乘数和容差:初始化初始点为 [0.5; 0.5],初始拉格朗日乘数为 0,设置容差为 1e-5。
  5. 优化过程:调用 lagrange_multiplier_method 函数,优化参数并打印结果。

总结:

拉格朗日乘数法通过将约束条件融入目标函数,能够有效地求解有约束非线性优化问题。在机械设计优化竞赛中,利用拉格朗日乘数法可以找到满足强度约束的最优设计参数,以最小化设计成本。

第五章:二次规划

二次规划

应用类型: 投资组合优化、资源分配、控制系统设计

算法简介: 二次规划(Quadratic Programming,QP)是一类优化问题,其中目标函数为二次函数,约束条件为线性不等式或等式。二次规划问题可以通过各种优化算法求解,如内点法和信赖域法。该方法在处理具有二次目标函数的优化问题中具有高效性和精度。

优势:

  1. 精度高: 利用二次函数的性质,提高求解精度。
  2. 收敛速度快: 在二次规划问题中具有良好的收敛性能。
  3. 适用范围广: 适用于具有二次目标函数和线性约束的优化问题。

应用领域: 二次规划广泛应用于投资组合优化、资源分配、控制系统设计、机械设计等领域。

投资组合优化

已知数据: 假设我们有五种投资产品,每种产品的预期收益和风险如下表:

P110%0.05
P215%0.10
P320%0.15
P425%0.20
P530%0.25

我们希望通过合理分配资金,使得总体收益最大化,同时风险最小。

% 定义目标函数的系数矩阵和约束条件
H = diag([0.05, 0.10, 0.15, 0.20, 0.25]);
f = [-0.10; -0.15; -0.20; -0.25; -0.30];
Aeq = [1, 1, 1, 1, 1];
beq = 1;
lb = zeros(5, 1);
ub = ones(5, 1);

% 求解二次规划问题
options = optimoptions('quadprog', 'Display', 'off');
[x, fval] = quadprog(H, f, [], [], Aeq, beq, lb, ub, [], options);

fprintf('Optimal investment in P1: %.2f%%\n', x(1) * 100);
fprintf('Optimal investment in P2: %.2f%%\n', x(2) * 100);
fprintf('Optimal investment in P3: %.2f%%\n', x(3) * 100);
fprintf('Optimal investment in P4: %.2f%%\n', x(4) * 100);
fprintf('Optimal investment in P5: %.2f%%\n', x(5) * 100);
fprintf('Minimum risk (variance): %.4f\n', fval);

 

代码解释:

  1. 定义目标函数的系数矩阵和约束条件:矩阵 H 表示二次目标函数的系数矩阵,向量 f 表示一次项系数。矩阵 Aeq 和向量 beq 表示线性等式约束,向量 lbub 表示变量的下界和上界。
  2. 求解二次规划问题:调用 quadprog 函数,求解最优投资组合,并打印结果。

总结:

二次规划通过利用二次目标函数的性质,能够高效地求解具有线性约束的优化问题。在投资组合优化竞赛中,利用二次规划可以找到最优的投资组合,以最大化收益和最小化风险。

第六章:混合整数线性规划

混合整数线性规划(MILP)

应用类型: 物流优化、项目调度、供应链管理

算法简介: 混合整数线性规划(Mixed-Integer Linear Programming,MILP)是一类优化问题,其中目标函数和约束条件均为线性,但部分或全部决策变量必须是整数。MILP 可以通过分支定界法、割平面法等求解。该方法在处理整数和连续变量混合的优化问题中具有独特优势。

优势:

  1. 精度高: 可以精确求解具有整数约束的优化问题。
  2. 灵活性强: 适用于多种实际应用场景,包含整数和连续变量。
  3. 全局最优: 在给定约束条件下能够找到全局最优解。

应用领域: 混合整数线性规划广泛应用于物流优化、项目调度、供应链管理、设施选址等领域。

工厂选址问题

已知数据: 假设我们有三个潜在的工厂选址点,每个点的建设成本和满足市场需求的能力如下表:

A200 万50%
B300 万70%
C400 万90%

 我们希望通过合理选择工厂选址,使得建设成本最小,同时满足至少 80% 的市场需求。

% 定义目标函数的系数和约束条件
f = [200; 300; 400];
intcon = [1, 2, 3];
A = [-0.5, -0.7, -0.9];
b = -0.8;
lb = zeros(3, 1);
ub = ones(3, 1);

% 求解混合整数线性规划问题
options = optimoptions('intlinprog', 'Display', 'off');
[x, fval] = intlinprog(f, intcon, A, b, [], [], lb, ub, options);

fprintf('Choose location A: %d\n', x(1));
fprintf('Choose location B: %d\n', x(2));
fprintf('Choose location C: %d\n', x(3));
fprintf('Minimum cost: %.2f 万元\n', fval);

代码解释:

  1. 定义目标函数的系数和约束条件:向量 f 表示建设成本,向量 intcon 表示整数变量的索引。矩阵 A 和向量 b 表示线性不等式约束,向量 lbub 表示变量的下界和上界。
  2. 求解混合整数线性规划问题:调用 intlinprog 函数,求解最优选址方案,并打印结果。

总结:

混合整数线性规划通过精确求解具有整数约束的优化问题,能够找到全局最优解。在工厂选址优化竞赛中,利用 MILP 可以找到最优的工厂选址方案,以最小化建设成本并满足市场需求。

第七章:多目标规划

多目标规划(权重法)

应用类型: 生产计划、工程设计、资源分配

算法简介: 多目标规划(Multi-Objective Optimization)是一类优化问题,其中需要同时优化多个目标函数。权重法是解决多目标规划问题的一种常用方法,通过为每个目标函数分配权重,将多目标函数合并为单一目标函数进行优化。该方法具有灵活性高、易于实现的特点。

优势:

  1. 灵活性高: 可以根据实际需求调整目标权重。
  2. 适用范围广: 适用于多种多目标优化问题。
  3. 解决方案易解释: 多目标函数合并为单一目标函数,易于解释。

应用领域: 多目标规划广泛应用于生产计划、工程设计、资源分配、供应链管理等领域。

生产计划优化

已知数据: 某工厂生产两种产品 P1 和 P2,每种产品的利润分别为 40 美元和 30 美元,同时希望最大化产量和利润。生产每种产品需要的资源如下表:

P121
P212

 工厂每天最多有 100 小时的资源1和 80 小时的资源2。

% 定义目标函数及其权重
function F = multi_obj_func(x)
    F = [-x(1) - x(2); -40*x(1) - 30*x(2)];
end

% 定义初始点、目标值和权重
x0 = [0, 0];
goals = [0, 0];
weights = [1, 1];
A = [2, 1; 1, 2];
b = [100; 80];
lb = [0, 0];
ub = [];

% 求解多目标规划问题
options = optimoptions('fgoalattain', 'Display', 'off');
[x, fval] = fgoalattain(@multi_obj_func, x0, goals, weights, A, b, [], [], lb, ub, [], options);

fprintf('Optimal production of P1: %.2f units\n', x(1));
fprintf('Optimal production of P2: %.2f units\n', x(2));
fprintf('Goal attainment: %.2f, %.2f\n', fval);

代码解释:

  1. 定义目标函数及其权重:函数 multi_obj_func 表示多目标函数,目标为最大化产量和利润。向量 goals 表示目标值,向量 weights 表示目标权重。
  2. 定义初始点、目标值和权重:初始化初始点为 [0, 0],设置目标值为 [0, 0],权重为 [1, 1]
  3. 求解多目标规划问题:调用 fgoalattain 函数,求解最优生产计划,并打印结果。

总结:

多目标规划(权重法)通过为每个目标函数分配权重,将多目标函数合并为单一目标函数进行优化,能够灵活地处理多目标优化问题。在生产计划优化竞赛中,利用多目标规划可以找到同时最大化产量和利润的最优生产计划。

第八章:极大最小化

极大最小化

应用类型: 决策分析、博弈论、稳健优化

算法简介: 极大最小化(Maximin Optimization)是一类优化问题,目标是在最坏情况下找到最优解。该方法广泛应用于决策分析、博弈论和稳健优化问题中,通过最大化最小收益或最小化最大损失,寻找最优决策。

优势:

  1. 稳健性强: 适用于不确定环境中的决策问题。
  2. 全局最优: 寻找到在最坏情况下的最优解。
  3. 应用广泛: 适用于金融、供应链、博弈论等多个领域。

应用领域: 极大最小化广泛应用于决策分析、博弈论、稳健优化、供应链管理等领域。

供货中心选址问题

已知数据: 假设一个公司计划在三个城市中选址供货中心,以最小化最大供货距离。供货距离矩阵如下:

A102030
B201040
C304010

 目标是找到最佳的选址组合,使得最大供货距离最小。

% 定义损失函数
function f = max_loss_func(x)
    D = [10, 20, 30; 20, 10, 40; 30, 40, 10];
    f = max(D * x);
end

% 定义初始点和约束条件
x0 = [0, 0, 0];
lb = zeros(3, 1);
ub = ones(3, 1);

% 求解极大最小化问题
options = optimoptions('fminimax', 'Display', 'off');
[x, fval] = fminimax(@max_loss_func, x0, [], [], [], [], lb, ub, [], options);

fprintf('Choose location A: %.2f\n', x(1));
fprintf('Choose location B: %.2f\n', x(2));
fprintf('Choose location C: %.2f\n', x(3));
fprintf('Minimum maximum loss: %.2f\n', fval);

代码解释:

  1. 定义损失函数:函数 max_loss_func 表示最大供货距离。
  2. 定义初始点和约束条件:初始化初始点为 [0, 0, 0],设置变量的下界和上界分别为 01
  3. 求解极大最小化问题:调用 fminimax 函数,求解最优选址方案,并打印结果。

总结:

极大最小化通过最大化最小收益或最小化最大损失,能够在不确定环境中找到最优决策。在供货中心选址竞赛中,利用极大最小化可以找到最优的选址方案,以最小化最大供货距离。

第九章:半无限问题

半无限优化

应用类型: 设计优化、资源管理、控制系统

算法简介: 半无限优化(Semi-Infinite Programming)是一类优化问题,其中目标函数和有限个约束条件为一般形式,而一组约束条件为无限多。该方法广泛应用于设计优化、资源管理和控制系统中,通过处理无穷多约束条件,寻找最优解。

优势:

  1. 处理复杂约束: 能处理无穷多约束条件的优化问题。
  2. 灵活性高: 适用于多种实际应用场景。
  3. 精度高: 在复杂约束条件下能够找到精确解。

应用领域: 半无限优化广泛应用于设计优化、资源管理、控制系统、金融工程等领域。

天线设计优化

已知数据: 假设我们需要设计一个天线,使其在特定频段内的性能最佳化。天线性能可以用一个函数 P(x) 表示,设计变量 x 需要满足某些约束条件。

实现代码:

% 定义目标函数
function f = antenna_design_func(x)
    f = x(1)^2 + x(2)^2 + x(1)*x(2);
end

% 定义约束条件
function [c, ceq] = antenna_constraints(x)
    c = x(1) + x(2) - 1;
    ceq = [];
end

% 定义初始点和约束条件
x0 = [0, 0];

% 求解半无限优化问题
options = optimoptions('fmincon', 'Display', 'off');
[x, fval] = fmincon(@antenna_design_func, x0, [], [], [], [], [], [], @antenna_constraints, options);

fprintf('Optimal antenna design: x1 = %.2f, x2 = %.2f\n', x(1), x(2));
fprintf('Minimum value: %.2f\n', fval);

代码解释:

  1. 定义目标函数:函数 antenna_design_func 表示天线性能目标函数。
  2. 定义约束条件:函数 antenna_constraints 表示天线设计约束条件。
  3. 定义初始点和约束条件:初始化初始点为 [0, 0]
  4. 求解半无限优化问题:调用 fmincon 函数,求解最优天线设计方案,并打印结果。

总结:

半无限优化通过处理无穷多约束条件,能够在复杂约束条件下找到精确解。在天线设计优化竞赛中,利用半无限优化可以找到满足特定频段性能的最优天线设计参数。

第十章:最小二乘问题

线性最小二乘法

应用类型: 数据拟合、参数估计、信号处理

算法简介: 线性最小二乘法(Linear Least Squares)是一种用于数据拟合和参数估计的优化方法,通过最小化目标函数与观测数据之间的平方误差,找到最佳拟合参数。该方法在处理线性模型和数据拟合问题中具有高效性和精度。

优势:

  1. 计算速度快: 线性最小二乘法具有闭式解。
  2. 精度高: 能有效地处理线性模型。
  3. 适用广泛: 适用于各种数据拟合和参数估计问题。

应用领域: 线性最小二乘法广泛应用于数据拟合、参数估计、信号处理、图像处理等领域。

数据拟合

已知数据: 假设我们有以下实验数据,需要拟合一个二次函数:

x=[1,2,3,4,5]                y=[2.2,2.8,3.6,4.5,5.1]

实现代码:

% 定义数据点
xdata = [1, 2, 3, 4, 5];
ydata = [2.2, 2.8, 3.6, 4.5, 5.1];

% 使用polyfit进行二次拟合
p = polyfit(xdata, ydata, 2);
yfit = polyval(p, xdata);

% 绘制数据和拟合曲线
figure;
plot(xdata, ydata, 'o', xdata, yfit, '-');
legend('Data', 'Fit');
title('Least Squares Fit');

fprintf('Optimal coefficients: a = %.5f, b = %.5f, c = %.5f\n', p(1), p(2), p(3));

代码解释:

  1. 定义数据点:向量 xdataydata 表示实验数据。
  2. 二次拟合:使用 polyfit 函数进行二次拟合,得到拟合参数 p
  3. 计算拟合值:使用 polyval 函数计算拟合曲线 yfit
  4. 绘制数据和拟合曲线:绘制实验数据和拟合曲线,并打印拟合参数。

总结:

线性最小二乘法通过最小化目标函数与观测数据之间的平方误差,能够高效地处理数据拟合和参数估计问题。在数据拟合竞赛中,利用线性最小二乘法可以找到最佳拟合参数,以准确地描述实验数据。

第十一章:非线性方程(组)的求解

牛顿法

应用类型: 数值分析、工程计算、非线性系统求解

算法简介: 牛顿法(Newton's Method)是一种用于求解非线性方程组的迭代算法。通过利用目标函数的一阶和二阶导数信息,在当前点处近似目标函数为二次函数,逐步逼近函数的根。牛顿法因其快速收敛和高精度,常用于高精度问题求解。

优势:

  1. 收敛速度快: 二次收敛速度使其在接近根时具有极高的精度。
  2. 精度高: 利用一阶和二阶导数信息,提高求解精度。
  3. 适用范围广: 适用于目标函数光滑且二次可导的情况。

应用领域: 牛顿法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性系统求解

已知数据: 假设我们需要求解以下非线性方程组:

实现代码:

% 定义非线性方程组及其雅可比矩阵
F = @(x) [x(1)^2 + x(2)^2 - 4;
          x(1) * x(2) - 1];
J = @(x) [2*x(1), 2*x(2);
          x(2), x(1)];

% 牛顿法
function [x, fval] = newton_method(F, J, x0, tol)
    x = x0;
    while norm(F(x)) > tol
        x = x - J(x)\F(x);
    end
    fval = F(x);
end

% 定义初始点和容差
x0 = [1, 1];
tol = 1e-5;

% 使用牛顿法求解非线性方程组
[x, fval] = newton_method(F, J, x0, tol);

fprintf('Solution: x1 = %.5f, x2 = %.5f\n', x(1), x(2));
fprintf('Function value: fval1 = %.5f, fval2 = %.5f\n', fval(1), fval(2));

代码解释:

  1. 定义非线性方程组及其雅可比矩阵:函数 F 表示非线性方程组,J 表示雅可比矩阵。
  2. 牛顿法实现:函数 newton_method 使用牛顿法,通过在当前点处近似目标函数为二次函数,逐步逼近函数的根。
  3. 初始点和容差:初始化初始点为 [1, 1],设置容差为 1e-5。
  4. 求解非线性方程组:调用 newton_method 函数,求解非线性方程组,并打印结果。

总结:

牛顿法通过利用目标函数的一阶和二阶导数信息,能够快速逼近函数的根。在非线性系统求解竞赛中,利用牛顿法可以高效地求解复杂的非线性方程组。

割线法

应用类型: 数值分析、工程计算、非线性系统求解

算法简介: 割线法(Secant Method)是一种用于求解非线性方程的迭代算法,通过利用两个初始猜测点,逐步逼近方程的根。与牛顿法不同,割线法不需要计算目标函数的导数,因此在目标函数不易求导或不可导的情况下具有优势。

优势:

  1. 无需导数信息: 适用于目标函数不易求导或不可导的情况。
  2. 收敛速度快: 相比于直接求解方法,收敛速度较快。
  3. 适用范围广: 适用于多种非线性方程组求解问题。

应用领域: 割线法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性方程求解

已知数据:

% 定义目标函数
f = @(x) x^3 - 2*x^2 - 5;

% 割线法
function root = secant_method(f, x0, x1, tol)
    while abs(x1 - x0) > tol
        f0 = f(x0);
        f1 = f(x1);
        x2 = x1 - f1 * (x1 - x0) / (f1 - f0);
        x0 = x1;
        x1 = x2;
    end
    root = x1;
end

% 定义初始点和容差
x0 = 2;
x1 = 3;
tol = 1e-5;

% 使用割线法求解非线性方程
root = secant_method(f, x0, x1, tol);

fprintf('Root: %.5f\n', root);

 

代码解释:

  1. 定义目标函数:函数 f 表示非线性方程。
  2. 割线法实现:函数 secant_method 使用割线法,通过两个初始猜测点,逐步逼近方程的根。
  3. 初始点和容差:初始化初始点为 [2, 3],设置容差为 1e-5。
  4. 求解非线性方程:调用 secant_method 函数,求解非线性方程,并打印结果。

总结:

割线法通过利用两个初始猜测点,逐步逼近非线性方程的根,能够在无需导数信息的情况下高效求解。在非线性方程求解竞赛中,利用割线法可以找到方程的精确解。

总结

从一维搜索问题到非线性方程求解的各种优化算法,包括黄金分割法、线性规划、梯度下降法、拉格朗日乘数法、二次规划、混合整数线性规划、多目标规划、极大最小化、半无限优化、线性最小二乘法和牛顿法等。这些算法在实际竞赛环境中的应用有强大功能和解决问题的能力。

点赞(0) 打赏

评论列表 共有 0 条评论

暂无评论

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部