一、基本概念
无约束问题在数学建模中是指优化过程中没有任何限制条件的情况。这种问题旨在寻找一个决策变量集合,使得某个目标函数(如成本、效益或其他需要优化的量)达到最大或最小值。具体来说,无约束问题通常可以表示为:
其中是目标函数,是决策变量。在这种情况下,优化过程仅依赖于目标函数的性质,而无需考虑其他限制条件。假设我们要最大化某公司利润,利润函数为。这是一个无约束的优化问题,我们可以通过求导和分析得到最优解。
无约束问题的求解方法包括但不限于:
- 梯度下降法:通过计算目标函数的梯度,逐步调整变量值以找到最优解。
- 牛顿法:利用二阶导数信息来加速收敛。
- 遗传算法、粒子群优化等启发式算法:在更复杂的情形中寻找近似最优解。
无约束问题常见于经济学、工程、运筹学等领域,适用于那些目标明确、且不受其他条件限制的优化任务。
二、例题求解
例题一
求解多元函数的极值
如果在驻点处 Hessian 阵为正定阵,则在该点取极小值;如果在驻点处 Hessian 阵为负定阵则在该点取极大值;如果在驻点处 Hessian 阵为不定阵,则该驻点不是极值点。可以验证:
Matlab求解
clc, clear
f=@(x) x(1)^3-x(2)^3+3*x(1)^2+3*x(2)^2-9*x(1); %定义匿名函数
g=@(x) -f(x);
[xy1,z1]=fminunc(f, rand(2,1)) %求极小值点
[xy2,z2]=fminsearch(g,rand(2,1)); %求极大值点
xy2, z2=-z2
Python求解
import numpy as np
from scipy.optimize import minimize
# 定义函数 f
def f(x):
return x[0]**3 - x[1]**3 + 3*x[0]**2 + 3*x[1]**2 - 9*x[0]
# 求极小值点
x0 = np.random.rand(2) # 随机初始化
result_min = minimize(f, x0)
xy1 = result_min.x
z1 = result_min.fun
# 定义函数 g
def g(x):
return -f(x)
# 求极大值点
result_max = minimize(g, np.random.rand(2))
xy2 = result_max.x
z2 = -result_max.fun
print("最小值点:", xy1, "最小值:", z1)
print("最大值点:", xy2, "最大值:", z2)
例题二
求函数的极小值。
Matlab求解
function main()
% 主程序
% 优化 fun3
options = optimset('GradObj', 'on');
[x3, y3] = fminunc(@fun3, rand(1, 2), options);
fprintf('fun3 最小值点: [%f, %f], 最小值: %f\n', x3(1), x3(2), y3);
% 优化 fun4
options = optimset('GradObj', 'on', 'Hessian', 'on');
[x4, y4] = fminunc(@fun4, rand(1, 2), options);
fprintf('fun4 最小值点: [%f, %f], 最小值: %f\n', x4(1), x4(2), y4);
end
function [f, g] = fun3(x)
f = 100 * (x(2) - x(1)^2)^2 + (1 - x(1))^2;
g = [-400 * x(1) * (x(2) - x(1)^2) - 2 * (1 - x(1));
200 * (x(2) - x(1)^2)];
end
function [f, df, d2f] = fun4(x)
f = 100 * (x(2) - x(1)^2)^2 + (1 - x(1))^2;
df = [-400 * x(1) * (x(2) - x(1)^2) - 2 * (1 - x(1));
200 * (x(2) - x(1)^2)];
d2f = [-400 * x(2) + 1200 * x(1)^2 + 2, -400 * x(1);
-400 * x(1), 200];
end
% 调用主程序
main();
Python求解
import numpy as np
from scipy.optimize import minimize
# 定义函数 fun3
def fun3(x):
f = 100 * (x[1] - x[0]**2)**2 + (1 - x[0])**2
g = np.array([-400 * x[0] * (x[1] - x[0]**2) - 2 * (1 - x[0]),
200 * (x[1] - x[0]**2)])
return f, g
# 定义函数 fun4
def fun4(x):
f = 100 * (x[1] - x[0]**2)**2 + (1 - x[0])**2
df = np.array([-400 * x[0] * (x[1] - x[0]**2) - 2 * (1 - x[0]),
200 * (x[1] - x[0]**2)])
d2f = np.array([[-400 * x[1] + 1200 * x[0]**2 + 2, -400 * x[0]],
[-400 * x[0], 200]])
return f, df, d2f
# 使用 fminunc 求解最小值
x0 = np.random.rand(2)
# 优化 fun3
result_min3 = minimize(lambda x: fun3(x)[0], x0, jac=lambda x: fun3(x)[1])
x3, y3 = result_min3.x, result_min3.fun
# 优化 fun4
result_min4 = minimize(lambda x: fun4(x)[0], x0, jac=lambda x: fun4(x)[1],
hess=lambda x: fun4(x)[2])
x4, y4 = result_min4.x, result_min4.fun
print("fun3 最小值点:", x3, "最小值:", y3)
print("fun4 最小值点:", x4, "最小值:", y4)
例题三
求函数取极小值时候的值。
Matlab求解
function main()
% 初始值
x0 = 2;
% 调用优化函数
[x, y] = fminsearch(@fun5, x0);
% 输出结果
fprintf('最优点: %f, 最小值: %f\n', x, y);
end
function f = fun5(x)
% 目标函数
f = sin(x) + 3;
end
% 调用主程序
main();
Python求解
import numpy as np
from scipy.optimize import minimize
def fun5(x):
# 目标函数
return np.sin(x) + 3
def main():
# 初始值
x0 = 2
# 调用优化函数
result = minimize(fun5, x0)
# 输出结果
print(f'最优点: {result.x[0]:.6f}, 最小值: {result.fun:.6f}')
# 调用主程序
if __name__ == "__main__":
main()
例题四
求多项式的零点。
Matlab求解
clc, clear
xishu=[1 -1 2 -3]; %多项式是用向量定义的,系数从高次幂到低次幂排列
x0=roots(xishu)
syms x
x0=solve(x^3-x^2+2*x-3) %求函数零点的符号解
x0=vpa(x0,5) %化成小数格式的数据
y=@(x) x^3-x^2+2*x-3;
x=fsolve(y,rand) %只能求给定初始值附近的一个零点
Python求解
import numpy as np
from scipy.optimize import fsolve
from sympy import symbols, solve, N
# 定义多项式系数
coefficients = [1, -1, 2, -3]
# 求多项式的根
roots = np.roots(coefficients)
print(f'多项式的根: {roots}')
# 使用符号解求零点
x = symbols('x')
symbolic_roots = solve(x**3 - x**2 + 2*x - 3, x)
symbolic_roots_decimal = [N(root, 5) for root in symbolic_roots]
print(f'符号解的零点(小数格式): {symbolic_roots_decimal}')
# 定义目标函数
def y(x):
return x**3 - x**2 + 2*x - 3
# 使用 fsolve 求给定初始值附近的一个零点
initial_guess = np.random.rand()
numerical_root = fsolve(y, initial_guess)
print(f'给定初始值附近的零点: {numerical_root[0]}')
例题五
求方程组的解。
Matlab求解
syms x y
[x,y]=solve(x^2+y-6,y^2+x-6)
f=@(x) [x(1)^2+x(1)-6; x(2)^2+x(1)-6];
xy=fsolve(f,rand(2,1)) %只能求给定初始值附近的一组解
Python求解
import numpy as np
from scipy.optimize import fsolve
from sympy import symbols, solve
# 定义符号变量
x, y = symbols('x y')
# 求解方程组
solutions = solve((x**2 + y - 6, y**2 + x - 6), (x, y))
print(f'方程组的符号解: {solutions}')
# 定义目标函数
def equations(vars):
x_val, y_val = vars
return [x_val**2 + y_val - 6, y_val**2 + x_val - 6]
# 使用 fsolve 求解
initial_guess = np.random.rand(2)
numerical_solution = fsolve(equations, initial_guess)
print(f'给定初始值附近的解: {numerical_solution}')
标签:方法论,求解,无约束,最小值,数模,result,np,import,x0
From: https://blog.csdn.net/qq_41489047/article/details/142448935