最优化方法练习题答案

1、精选优质文档-倾情为你奉上练习题一1、建立优化模型应考虑哪些要素?答：决策变量、目标函数和约束条件。2、讨论优化模型最优解的存在性、迭代算法的收敛性及停止准则。答：针对一般优化模型，讨论解的可行域，若存在一点，对于 均有则称为优化模型最优解，最优解存在；迭代算法的收敛性是指迭代所得到的序列 ，满足，则迭代法收敛；收敛的停止准则有，等等。 练习题二1、某公司看中了例2.1中厂家所拥有的3种资源R1、R2、和R3，欲出价收购（可能用于生产附加值更高的产品）。如果你是该公司的决策者，对这3种资源的收购报价是多少？（该问题称为例2.1的对偶问题）。解：确定决策变量 对3种资源报价作为本问题的决策变量。

2、确定目标函数 问题的目标很清楚“收购价最小”。确定约束条件 资源的报价至少应该高于原生产产品的利润，这样原厂家才可能卖。因此有如下线性规划问题：*2、研究线性规划的对偶理论和方法（包括对偶规划模型形式、对偶理论和对偶单纯形法）。答：略。3、用单纯形法求解下列线性规划问题： （1）； （2）解：（1）引入松弛变量x4，x5，x6cj1-11000CB基bx1x2x3x4x5x60x4211-21000x532110100x64-101001cj-zj1-11000因检验数2<0，故确定x2为换入非基变量，以x2的系数列的正分量对应去除常数列，最小比值所在行对应的基变量x4作为换出的基变量。

3、cj1-11000CB基bx1x4x3x4x5x6-1x2211-21000x51103-1100x64-101001cj-zj20-1100因检验数3<0，故确定x3为换入非基变量，以x3的系数列的正分量对应去除常数列，最小比值所在行对应的基变量x5作为换出的基变量。cj1-11000CB基bx1x2x5x4x5x6-1x28/35/3101/32/301x31/31/301-1/31/300x611/3-4/3001/3-1/31cj-zj7/3032/31/30因检验数j>0，表明已求得最优解：，去除添加的松弛变量，原问题的最优解为：。（2）根据题意选取x1，x4，x5，为基

4、变量：cj0-1100CB基bx1x2x3x4x50x121-21000x4201-2100x5501101cj-zj0-1100因检验数2<0最小，故确定x2为换入非基变量，以x2的系数列的正分量对应去除常数列，最小比值所在行对应的基变量x4作为换出的基变量。cj0-1100CB基bx1x2x3x4x50x1610-320-1x2201-2100x53003-11cj-zj00-110因检验数3<0最小，故确定x3为换入非基变量，以x1的系数列的正分量对应去除常数列，最小比值所在行对应的基变量x5作为换出的基变量。cj0-1100CB基bx1x2x3x4x50x1910011-1

5、x240101/32/31x31001-1/31/3cj-zj0002/31/3因检验数j>0，表明已求得最优解：。4、分别用大法、两阶段法和Matlab软件求解下列线性规划问题：（1）； （2）解：（1）大M法根据题意约束条件1和2可以合并为1，引入松弛变量x3，x4，构造新问题。cj41M0CB基bx1x2x3x4Mx3331100x431201cj-zj4-3M1-M004x1111/31/300x4205/3-1/31cj-zj0-1/3M -4/304x13/5102/5-1/51x26/501-1/53/5cj-zj00M-7/51/5因检验数j>0，表明已求得最优解：

6、。Matlab调用代码：f=4;1;A=-9,-3;1,2;b=-6;3;Aeq=3,1;beq=3;lb=0;0;x,fval = linprog(f,A,b,Aeq,beq,lb)输出结果：Optimization terminated.x = 0.6000 1.2000fval = 3.6000（2）大M法引入松弛变量x4，x5，x6，x7构造新问题。单纯形表计算略；当所有非基变量为负数，人工变量=0.5，所以原问题无可行解。请同学们自己求解。Matlab调用代码：f=-10;-15;-12;A=5,3,1;-5,6,15;-2,-1,-1;b=9;15;-5;lb=0;0;0;x =

7、linprog(f,A,b,lb)输出结果：原题无可行解。5、用内点法和Matlab软件求解下列线性规划问题： 解：用内点法的过程自己书写，参考答案：最优解；最优值5 Matlab调用代码：f=2;1;1;Aeq=1,2,2;2,1,0;beq=6;5;lb=0;0;0;x,fval = linprog(f,Aeq,beq,lb)输出结果：Optimization terminated.x = 1.3333 2.3333 0.0000fval = 5.00006、用分支定界法求解下列问题： （1） ； （2）解：（1）调用matlab编译程序bbmethodf=-5; -8;G=1 1;5 9

8、;h=6; 45x,y=bbmethod(f,G,h,0;0,1;1,1)x = 3 3y = -39最优解3 3；最优值39（2）调用matlab编译程序bbmethodf=-7; -9;G=-1 3; 7 1;h=6; 35x,y=bbmethod(f,G,h,0;0,1;0,1)x = 5 0y = -35最优解5 0；最优值357、用隐枚举法和Matlab软件求解下列问题：（1）；（2）解： 隐枚举法：（1）将（0，0，0）（0，0，1）（0，1，0）（1，0，0）（0，1，1）（1，0，1）（1，1，0）（1，1，1）分别带入到约束条件中，可以得到：原问题的最优解是（0，0，1），目

9、标函数最优值2.（2）将（0，0，0，0，0）（0，0，0，0，1）（0，0，0，1，0）（0，0，1，0，0）. （1，1，1，1，1）分别带入到约束条件中，可以得到：原问题的最优解是（1，1，0，0，0），目标函数最优值-5。Matlab软件求解：（1）调用代码：f=4; 3;2;% 价值向量fA=2,-5,3; -4,-1,-3;0,-1,-1;% 不等式约束系数矩阵A， 中的分号“；”% 为行分隔符b=4; -3;-1;% 不等式约束右端常数向量bx, fval=bintprog(f, A, b, , );%调用函数bintprog。注意两个空数组的占位作用。输出结果 x=001fva

10、l=2（2）调用代码：f=-3; -2;5;2;3;% 价值向量fA=1,1,1,2,1; 7,0,3,-4,3;-11, 6,0,-3, 3;% 不等式约束系数矩阵A， 中的分号“；”% 为行分隔符b=4; 8;-1;% 不等式约束右端常数向量bx, fval=bintprog(f, A, b, , );%调用函数bintprog。注意两个空数组的占位作用。输出结果 x=11000fval=-5最优值5。8、某地区有A、B、C三个化肥厂，供应本地甲、乙、丙、丁四个产粮区。已知各化肥厂可供应化肥的数量和各产粮区对化肥的需要量，以及各厂到各区每吨化肥的运价如表2-28所示。试制定一个使总运费最少

11、的化肥调拨方案。表2- 1运价/ 产粮 (元/吨) 区化肥厂甲乙丙丁各厂供应量/万吨A158737A2491078A384293各区需要量/万吨6633解：设A、B、C三个化肥厂为A1、A2、A3，甲、乙、丙、丁四个产粮区为B1、B2、B3、B4；cij为由Ai运化肥至Bj的运价，单位是元/吨；xij为由Ai运往Bj的化肥数量（i=1,2,3;j=1,2,3,4）单位是吨；z表示总运费，单位为元，依题意问题的数学模型为：该题可以用单纯形法或matlab自带工具箱命令（linprog）求解。 *9、求解下列不平衡运输问题（各数据表中，方框内的数字为单位价格，框外右侧的一列数为各发点的供应量，框底

12、下一行数是各收点的需求量）：（1） 5 1 7 10 要求收点3的需求必须正好满足。 6 4 6 80 3 2 5 15 75 20 50（2） 5 1 0 20 要求收点1的需求必须由发点4供应。 3 2 4 10 7 5 2 15 9 6 0 15 5 10 15解答略。10、一公司经理要分派4位推销员去4个地区推销某种商品。推销员各有不同的经验和能力，因而他们在不同地区能获得的利润不同，其获利估计值如表2-29所示。公司经理应怎样分派才使总利润最大？表2- 2 地区推销员1234135272837228342940335243233424322528解：用求极大值的“匈牙利法”求解。效率

13、矩阵表示为：行约简MCijM=40 标号列约简 所画（）0元素少于n（n4），未得到最优解，需要继续变换矩阵（求能覆盖所有0元素的最少数直线集合）：未被直线覆盖的最小元素为cij=2，在未被直线覆盖处减去2，在直线交叉处加上2。标号 得最优解：使总利润为最大的分配任务方案为：11，24，33，42此时总利润W=35+40+32+32=139练习题三1、用0.618法求解问题的近似最优解，已知的单谷区间为，要求最后区间精度。答：t=0.8115；最小值-0.0886.（调用golds.m函数） 2、求无约束非线性规划问题min =的最优解解一：由极值存在的必要条件求出稳定点：，则由得， 再用充分

14、条件进行检验：，即为正定矩阵得极小点为，最优值为-1。解二：目标函数改写成 min =易知最优解为（1,0,0），最优值为-1。3、用最速下降法求解无约束非线性规划问题。其中，给定初始点。解一：目标函数的梯度令搜索方向再从出发，沿方向作一维寻优，令步长变量为，最优步长为，则有故令可得 求出点之后，与上类似地，进行第二次迭代： 令令步长变量为，最优步长为，则有故令可得 此时所达到的精度本题最优解，解二：利用matlab程序求解首先建立目标函数及其梯度函数的M文件function f=fun(x)f=x(1)-x(2)+2*x(1)*x(1)+2*x(1)*x(2)+x(2)*x(2);funct

15、ion g=gfun(x)g=1+4*x(1)+2*x(2),-1+2*x(1) +2* x(2) ;调用grad.m文件x0=0,0;x,val,k=grad('fun','gfun',x0)结果x= -1.0000 ,1.5000val= -1.2500k=33即迭代33次的到最优解x= -1.0000 ,1.5000；最优值val= -1.2500。4、试用Newton法求解第3题。解一：计算目标函数的梯度和Hesse阵目标函数的梯度，其逆矩阵为计算。本题最优解，解二：除了第3题建立两个M文件外，还需建立Hesse矩阵的M文件利用matlab程序求解首先建

16、立目标函数及其梯度函数的M文件function f=fun(x)f=x(1)-x(2)+2*x(1)*x(1)+2*x(1)*x(2)+x(2)*x(2);function g=gfun(x)g=1+4*x(1)+2*x(2),-1+2*x(1) +2* x(2) ;function h=hess(x)g=4 2;2 2 ;调用newton.m文件x0=0,0;x,val,k=newton('fun','gfun','hess',x0)结果x= -1.0000 ,1.5000val= -1.2500k=15、用FletcherReeves法求解问

17、题其中，要求选取初始点。解一： ，第一次迭代：令，即，第二次迭代：，第三次迭代：（建议同学们自己做下去，注意判别）解二：利用matlab程序求解首先建立目标函数及其梯度函数的M文件function f=fun(x)f=x(1)2+25* x(2)*x(2);function g=gfun(x)g=2*x(1), 50* x(2) ;调用frcg.m文件x0=2,2;epsilon=1e-6;x,val,k=frcg('fun','gfun',x0, epsilon)结果x = 1.0e-006 * 0.2651, 0.0088val =7.2182e-014k

18、= 616、试用外点法（二次罚函数方法）求解非线性规划问题其中解：设计罚函数 采用Matlab编程计算，结果x=1 0；最优结果为1。（调用waidianfa.m）7、用内点法（内点障碍罚函数法）求解非线性规划问题：解：容易看出此问题最优解为x=1 0；最优值为8.给出罚函数为 令；从而当时，（建议同学自己编程序计算）8、用乘子法求解下列问题解：建立乘子法的增广目标函数：令：解上述关于x的二元一次方程组得到稳定点当乘子取2时，或发参数趋于无穷时，得到即最优解。（建议同学自己编程序计算）练习题四1、石油输送管道铺设最优方案的选择问题：考察网络图4-6，设A为出发地，F为目的地，B，C，D，E分别

19、为四个必须建立油泵加压站的地区。图中的线段表示管道可铺设的位置，线段旁的数字表示铺设这些管线所需的费用。问如何铺设管道才能使总费用最小？图4- 1解： 第五阶段：E1F 4；E2F 3；第四阶段：D1E1 F  7；D2E2F   5；D3E1F   5；第三阶段：C1D1E1 F   12；C2D2E2F   10；C3D2E2F   8；C4D3E1F   9；第二阶段：B1C2D2E2F    13；

20、 B2C3D2E2F   15；  第一阶段：AB1C2D2E2F   17；最优解：AB1C2D2E2F    最优值：172、 用动态规划方法求解非线性规划解：，最优值为9。3、用动态规划方法求解非线性规划解：用顺序算法阶段：分成两个阶段，且阶段1 、2 分别对应。决策变量：状态变量：分别为第j 阶段第一、第二约束条件可供分配的右段数值。 由于，可解的，最优值为702.92。4、设四个城市之间的公路网如图4-7。两点连线旁的数字表示两地间的距离。使用迭代法求各地到城市4的最短路线及相应的最短

21、距离。图4- 2 城市公路网解：城市1到城市4路线1-3-4 距离10；城市2到城市4路线2-4 距离8；城市3到城市4路线3-4 距离4。5、某公司打算在3个不同的地区设置4个销售点，根据市场部门估计，在不同地区设置不同数量的销售点每月可得到的利润如表4-19所示。试问在各地区如何设置销售点可使每月总利润最大。 表4- 1解：将问题分为3个阶段，k=1，2，3；决策变量xk表示分配给第k个地区的销售点数；状态变量为sk表示分配给第k个至第3个地区的销售点总数；状态转移方程：sk+1=skxk，其中s1=4；允许决策集合：Dk（sk）=xk|0xksk阶段指标函数：gk（xk）表示xk个销售点

22、分配给第k个地区所获得的利润；最优指标函数fk（sk）表示将数量为sk的销售点分配给第k个至第3个地区所得到的最大利润，动态规划基本方程为：k=3时，k=2时，k=1时，最优解为：x1*=2，x2*=1，x3*=1，f1(4)=47，即在第1个地区设置2个销售点，第2个地区设置1个销售点，第3个地区设置1个销售点，每月可获利润47。 6、设某厂计划全年生产某种产品A。其四个季度的订货量分别为600公斤，700公斤，500公斤和1200公斤。已知生产产品A的生产费用与产品的平方成正比，系数为0.005。厂内有仓库可存放产品，存储费为每公斤每季度1元。求最佳的生产安排使年总成本最小。解：四个季度为

23、四个阶段，采用阶段编号与季度顺序一致。 设 sk 为第k季初的库存量，则边界条件为 s1=s5=0 设 xk 为第k季的生产量，设 yk 为第k季的订货量；sk ，xk ，yk 都取实数，状态转移方程为 sk+1=sk+xk - yk 仍采用反向递推，但注意阶段编号是正向的目标函数为：第一步：(第四季度) 总效果 f4(s4,x4)=0.005 x42+s4 由边界条件有： s5= s4 + x4 y4=0，解得：x4*=1200 s4 将x4*代入 f4(s4,x4)得： f4*(s4)=0.005(1200 s4)2+s4=7200 11 s4+0.005 s42第二步：(第三、四季度)

24、总效果 f3(s3,x3)=0.005 x32+s3+ f4*(s4) 将 s4= s3 + x3 500 代入 f3(s3,x3) 得：第三步：(第二、三、四季度) 总效果 f2(s2,x2)=0.005 x22+s2+ f3*(s3) 将 s3= s2 + x2 -700 代入 f2(s2,x2) 得：第四步：(第一、二、三、四季度) 总效果 f1(s1,x1)=0.005 x12+s1+ f2*(s2) 将 s2= s1 + x1 600= x1 600 代入 f1(s1,x1) 得：由此回溯：得最优生产库存方案 x1*=600，s2*=0； x2*=700，s3*=0； x3*=800

25、，s4*=300； x4*=900。7、某种机器可在高低两种不同的负荷下进行生产。设机器在高负荷下生产的产量函数为g=8u1，其中u1为投入生产的机器数量，年完好率a=0.7；在低负荷下生产的产量函数为h=5y，其中y为投入生产的机器数量，年完好率为b=0.9。假定开始生产时完好机器的数量s1=1000。试问每年如何安排机器在高、低负荷下的生产，使在5年内生产的产品总产量最高。解：构造这个问题的动态规划模型：设阶段序数k表示年度。状态变量sk为第k年度初拥有的完好机器数量，同时也是第k1年度末时的完好机器数量。决策变量uk为第k年度中分配高负荷下生产的机器数量，于是skuk为该年度中分配在低负

26、荷下生产的机器数量。这里sk和uk均取连续变量，它们的非整数值可以这样理解，如sk=0.6，就表示一台机器在k年度中正常工作时间只占6/10；uk=0.3，就表示一台机器在该年度只有3/10的时间能在高负荷下工作。状态转移方程为：k段允许决策集合为：设为第k年度的产量，则故指标函数为：令最优值函数fk(sk)表示由资源量sk出发，从第k年开始到第5年结束时所生产的产品的总产量最大值。因而有逆推关系式：从第5年度开始，向前逆推计算。当k=5时，有：因f5是u5的线性单调增函数，故得最大解u5*，相应的有：当k=4时，有：故得最大解，u4*=s4，相应的有依此类推，可求得因s1=1000，故：计算

27、结果表明：最优策略为即前两年应把年初全部完好机器投入低负荷生产，后三年应把年初全部完好机器投入高负荷生产。这样所得的产量最高，其最高产量为23700台。在得到整个问题的最优指标函数值和最优策略后，还需反过来确定每年年初的状态，即从始端向终端递推计算出每年年初完好机器数。已知s1=1000台，于是可得：8、有一辆最大货运量为10t 的卡车，用以装载3种货物，每种货物的单位重量及相应单位价值如表4-20所示。应如何装载可使总价值最大？表4- 2货物编号i123单位重量（t）345单位价值 ci456解：利用动态规划的逆序解法求此问题。 状态转移方程为： 该题是三阶段决策过程，故可假想存在第四个阶段

28、，而，于是动态规划的基本方程为：计算最终结果为，最大价值为13 。9、设有 A，B，C 三部机器串联生产某种产品，由于工艺技术问题，产品常出现次品。统计结果表明，机器 A，B，C产生次品的概率分别为 pA=30%, PB=40%, PC=20%, 而产品必须经过三部机器顺序加工才能完成。为了降低产品的次品率，决定拨款 5 万元进行技术改造，以便最大限度地提高产品的成品率指标。现提出如下四种改进方案：方案1：不拨款，机器保持原状；方案2：加装监视设备，每部机器需款 1 万元；方案3：加装设备，每部机器需款 2 万元；方案4：同时加装监视及控制设备，每部机器需款 3 万元；采用各方案后，各部机器的

29、次品率如表4-21。表4- 3ABC不拨款30%40%20%拨款 1 万元20%30%10%拨款 2 万元10%20%10%拨款 3 万元5%10%6%问如何配置拨款才能使串联系统的可靠性最大？解：为三台机器分配改造拨款，设拨款顺序为A, B, C，阶段序号反向编号为 k，即第一阶段计算给机器 C 拨款的效果。 设 sk 为第 k 阶段剩余款，则边界条件为 s3=5； 设 xk 为第 k 阶段的拨款额； 状态转移方程为 sk-1=sk-xk； 目标函数为 max R=(1-PA)(1-PB)(1-PC) 仍采用反向递推第一阶段 ：对机器 C 拨款的效果 R1(s1,x1)=d1(s1,x1)&

30、#180; R0(s0,x0)= d1(s1,x1)x1 s1 0123x1*R1(s1, x1*)00.800.810.80.910.920.80.90.91, 20.930.80.90.90.9430.9440.80.90.90.9430.9450.80.90.90.9430.94第二阶段 ：对机器 B, C 拨款的效果 由于机器 A 最多只需 3 万元，故 s2 ³ 2 递推公式： R2(s2,x2)=d2(s2,x2)´ R1(s1,x1*) 例：R2(3,2)=d2(3,2)´ R1(1,1)=(1-0.2) ´0.9=0.72 得第二阶段最优

31、决策表x1 s1 x1*R1(s1, x1*)000.8110.921, 20.9330.94430.94530.94x2 s2 0123x2*R2(s2, x2*)20.540.630.6420.6430.5640.630.720.722,30.7240.5640.6580.720.8130.8150.5640.6580.7520.8130.81第三阶段 ：对机器 A, B, C 拨款的效果 边界条件：s3 = 5 递推公式： R3(s3,x3)=d3(s3,x3)´ R2(s2,x2*) 例：R3(5,3)=d3(5,3)´ R2(2,2)=(1-0.05) ´

32、;0.64=0.608得第三阶段最优决策表x2 s2 x2*R2(s2, x2*)220.6432,30.72430.81530.81s3 x30123x3*R3(s3, x3*)50.5670.6480.6480.6081,20.648回溯 ：有多组最优解。 I：x3=1, x2=3, x1=1, R3=0.8 ´0.9 ´0.9=0.648 II：x3=2, x2=2, x1=1, R3= 0.9´0.8´0.9=0.648III： x3=2, x2=3, x1=0, R3= 0.9´0.9´0.8=0.648练习题五1、考察多目

33、标规划问题其中，试画出个目标函数的图形，并求出，这里是的最优解集。解：2、用线性加权法中的法求解下述多目标规划问题。解：最优解为；最优解为；利用法得线性方程组：解得唯一加权系数原多目标规划加权后解得加权后的最优解为：，最优值为-1.23123、用线性加权求和法求解下述多目标规划问题，取。解：将问题转化为一个新的单目标规划问题。 约束条件同上，该问题转化为线性规划问题，可用单纯形法求解，也可用Matlab命令求解（求解过程略）。解得加权后的最优解为：，最优值为-1.4。4、用平方和加权法求解多目标规划问题： 其中 ，。解：不难看出两个目标函数下界均为0，得平方和加权法后的新目标规划问题：利用ma

34、tlab程序求解首先建立目标函数及其梯度函数的M文件function f=fun(x)f=1/3*x(1)2+2/3* x(2)*x(2);x,fval=fmincon(f,0 0,1 -1;1 1,4;8,0 0)解得最优解为：，最优值为0。5、用极小极大法和Matlab软件求解下述多目标规划问题。解：取评价函数为，再求Matlab软件求解：编制M文件function f=mnmax(x)f(1)=(x(1)-3)2+x(2)2;f(2)=x(1)2+(x(2)-2)2设初值x0=0;0;调用函数x,fval=fminimax(mnmax,x0,1 1,2)结果：x = 1.30000.70

35、00fval = 3.3800 3.3800可得；对应从而为原问题的解。附习题中用过的Matlab程序1、bbmethodfunction x,y=bbmethod(f,G,h,Geq,heq,lb,ub,x,id,options) %整数线性规划分支定界法，可求解纯整数规划和混合整数规划。 %y=minf*x s.t. G*x<=h Geq*x=heq x为全整数或混合整数列向量 %用法 %x,y=bbmethod(f,G,h,Geq,heq,lb,ub,x,id,options) %参数说明 %lb:解的下界列向量（Default:-int） %ub:解的上界列向量（Default:

36、int） %x:迭代初值列向量 %id：整数变量指标列向量，1-整数，0-实数（Default:1） global upper opt c x0 A b Aeq beq ID options; if nargin<10,options=optimset();options.Display='off' options.LargeScale='off'end if nargin<9,id=ones(size(f);end if nargin<8,x=;end if nargin<7 |isempty(ub),ub=inf*ones(size(

37、f);end if nargin<6 |isempty(lb),lb=zeros(size(f);end if nargin<5,heq=;end if nargin<4,Geq=;end upper=inf;c=f;A=G; b=h;Aeq=Geq;beq=heq;x0=x;ID=id; ftemp=IntLP(lb(:),ub(:); x=opt;y=upper; %下面是子函数 function ftemp=IntLP(vlb,vub) global upper opt c x0 A b Aeq beq ID options; x,ftemp,how=linprog(c

38、,A,b,Aeq,beq,vlb,vub,x0,options); if how <=0 return; end; if ftemp-upper>0.00005 %in order to avoid error return; end; if max(abs(x.*ID-round(x.*ID)<0.00005 if upper-ftemp>0.00005 %in order to avoid error opt=x'upper=ftemp; return; else opt=opt;x' return; end; end; notintx=find(a

39、bs(x-round(x)>=0.00005); %in order to avoid error intx=fix(x);tempvlb=vlb;tempvub=vub; if vub(notintx(1,1),1)>=intx(notintx(1,1),1)+1; tempvlb(notintx(1,1),1)=intx(notintx(1,1),1)+1; ftemp=IntLP(tempvlb,vub); end; if vlb(notintx(1,1),1)<=intx(notintx(1,1),1) tempvub(notintx(1,1),1)=intx(not

40、intx(1,1),1); ftemp=IntLP(vlb,tempvub); end;2、golds.mfunction s,phis,k,G,E=golds(phi,a,b,delta,epsilon)%功能: 0.618法精确线搜索%输入: phi是目标函数, a, b 是搜索区间的两个端点% delta, epsilon分别是自变量和函数值的容许误差%输出: s, phis分别是近似极小点和极小值, G是nx4矩阵,% 其第k行分别是a,p,q,b的第k次迭代值ak,pk,qk,bk,% E=ds,dphi, 分别是s和phis的误差限.%t=(sqrt(5)-1)/2; h=b-a;

41、 phia=feval(phi,a); phib=feval(phi,b);p=a+(1-t)*h; q=a+t*h; phip=feval(phi,p); phiq=feval(phi,q);k=1; G(k,:)=a, p, q, b; while(abs(phib-phia)>epsilon)|(h>delta) if(phip<phiq) b=q; phib=phiq; q=p; phiq=phip; h=b-a; p=a+(1-t)*h; phip=feval(phi,p); else a=p; phia=phip; p=q; phip=phiq; h=b-a; q

42、=a+t*h; phiq=feval(phi,q); end k=k+1; G(k,:)=a, p, q, b; endds=abs(b-a); dphi=abs(phib-phia);if(phip<=phiq) s=p; phis=phip;else s=q; phis=phiq;endE=ds,dphi;3、grad.mfunction x,val,k=grad(fun,gfun,x0)% 功能: 用最速下降法求解无约束问题: min f(x)%输入: x0是初始点, fun, gfun分别是目标函数和梯度%输出: x, val分别是近似最优点和最优值, k是迭代次数.maxk=5

43、000; %最大迭代次数rho=0.5;sigma=0.4;k=0; epsilon=1e-5;while(k<maxk) g=feval(gfun,x0); %计算梯度 d=-g; %计算搜索方向 if(norm(d)<epsilon), break; end m=0; mk=0; while(m<20) %Armijo搜索 if(feval(fun,x0+rhom*d)<feval(fun,x0)+sigma*rhom*g'*d) mk=m; break; end m=m+1; end x0=x0+rhomk*d; k=k+1;endx=x0;val=fev

44、al(fun,x0);4、newton.mfunction x,val,k=newton(fun,gfun,Hess,x0)%功能: 用尼牛顿法求解无约束问题: min f(x)%输入: x0是初始点, fun, gfun, Hess 分别是求% 目标函数,梯度,Hesse 阵的函数%输出: x, val分别是近似最优点和最优值, k是迭代次数.maxk=100; %给出最大迭代次数sigma=0.4;k=0; epsilon=1e-5;while(k<maxk) gk=feval(gfun,x0); %计算梯度 Gk=feval(Hess,x0); %计算Hesse阵 dk=-Gkgk' %解方程组Gk*dk=-gk, 计算搜索方向 if(norm(gk)<epsilon), break; end %检验终止准则 x0=x0+dk' k=k+1;endx=x0;val=feval(fun,x);5、frcg.mfunction x,val,k=frcg(fun,gfun,x0)% 功能: 用FR共轭梯度法求解无约束问题: min f(x)%