最优化方法及其Matlab程序设计
最优化方法及其Matlab程序设计
1.最优化方法概述
在生活和工作中，人们对于同一个问题往往会提出多个解决方案，并通过各方面的论证，从中提取最佳方案。最优化方法就是专门研究如何从多个方案中科学合理地提取出最佳方案的科学。最优化是每个人，每个单位所希望实现的事情。对于产品设计者来说，是考虑如何用最少的材料，最大的性能价格比，设计出满足市场需要的产品。对于企业的管理者来说，则是如何合理、充分使用现有的设备，减少库存，降低能耗，降低成本，以实现企业的最大利润。
由于优化问题无所不在，目前最优化方法的应用和研究已经深入到了生产和科研的各个领域，如土木工程、机械工程、化学工程、运输调度、生产控制、经济规划、经济管理等，并取得了显著的经济效益和社会效益。
用最优化方法解决最优化问题的技术称为最优化技术，它包含两个方面的内容：
1）建立数学模型。
即用数学语言来描述最优化问题。模型中的数学关系式反映了最优化问题所要达到的目标和各种约束条件。
2）数学求解。
数学模型建好以后，选择合理的最优化算法进行求解。
最优化方法的发展很快，现在已经包含有多个分支，如线性规划、整数规划、非线性规划、动态规划、多目标规划等。
2.最优化方法（算法）浅析
最优化方法求解很大程度上依赖于最优化算法的选择。这里，对最优化算法做一个简单的分类，并对一些比较常用的典型算法进行解析，旨在加深对一些最优化算法的理解。
最优化算法的分类方法很多，根据不同的分类依据可以得到不同的结果，这里根据优化算法对计算机技术的依赖程度，可以将最优化算法进行一个系统分类：线性规划与整数规划；非线性规划；智能优化方法；变分法与动态规划。
2.1 线性规划与整数规划
线性规划在工业、农业、商业、交通运输、军事和科研的各个研究领域有广泛应用。例如，在资源有限的情况下，如何合理使用人力、物力和资金等资源，以获取最大效益；如何组织生产、合理安排工艺流程或调制产品成分等，使所消耗的资源（人力、设备台时、资金、原始材料等）为最少等。
线性规划方法有单纯形方法、大M法、两阶段法等。
整数规划有割平面法、分枝定界法等。
2.2 非线性规划
20世纪中期，随着计算机技术的发展，出现了许多有效的算法——如一些非线性规划算法。非线性规划广泛用于机械设计、工程管理、经济生产、科学研究和军事等方面。
非线性规划问题包括：
（1）一维最优化方法，如黄金分割法、二次插值法、切线法以及格点法等。 （2）无约束多维非线性规划方法，如坐标轮换法、最速下降法、牛顿法、变尺度法、共轭方向法、单纯形法、最小二乘法等。
（3）约束问题的非线性规划方法，包括间接法和直接法。
（4）其他方法，包括多目标优化、数学模型的尺度变换、灵敏度分析及可变容差法。 2.3 智能优化方法
智能化优化算法有别于一般的按照图灵机进行精确计算的程序，是对计算机模型的一种新的诠释，它模拟自然过程、生物或人类思维等来求解最优化问题。
常用的智能优化方法包括启发式搜索算法、Hopfield 神经网络优化算法、模拟退火法
与均场退火法、遗传算法等。
2.4 变分法与动态规划
除了上述提及的2.1-2.3中所述的最优化算法，最优化方法还包括变分法和动态规划方法，他们广泛用于控制系统、燃料控制系统、耗能控制系统、线性调节器等最优综合和设计场合。这类算法涉及变分法、最大（小）值原理、动态规划。
3.最优化问题的Matlab 程序实现
当使用MatLab 进行最优化时，可以通过两种方式来实现最优化，一是可以利用相应的算法编写Matlab 程序，进行最优化求解；二是借助于MatLab 的工具箱中的最优化函数进行最优化求解。MatLab 工具箱中的最优化函数包括：
这里，以黄金分割法为例，采用两种方式进行Matlab 设计。
3.1利用黄金分割法进行最优化求解
用黄金分割法（0.618法）程序求函数())sin(x 2
x x -=φ在[0,1]上的极小点，取容许误
差5
4
10
,10--==εδ。
求解步骤如下：
（1）用0.618法求单变量函数φ在单峰区间[a,b]上的近似极小点； M 文件代码如下：
function[s,phis,k,G ,.E] = golds(phi,a,b,delta,epsilon)
%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;
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(phib 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 ;p=a+t*h ;phiq=feval(phi,q); end k=k+1;G(k,:)=[a,p,q,b]; end ds=abs(b-a);dphi=abs(phib-phia); if(phip<=phiq) s=p;phis=phip; else s=q;phis=phiq; end E=[ds,dphi]; （2）调用命令； [s,phis,k,G,E]=golds(inline(‘s^2-sin(s)’),0,1,1e-4,1e-5) 求得近似极小点：0.450183 3.2利用fminbnd函数进行最优化求解（fminbnd是一个M文件，其算法基于黄金分割法和二次插值法） 这里，用humps函数来说明（humps(x)=1/((x-0.3)^2+0.01)+1/((x-0.9)^2+0.04)-6），对humps 函数求解其在x=0.6附近的极小值。 其求解过程为，在Matlab的命令行中输入命令： （1）作出[0,2]区间上的humps函数曲线，图形如下： （2）对（1）所得曲线进行分析，可以看出，曲线在x=0.3附近出现了一个最大值，在x=0.6附近出现了一个最小值.我们可以利用下面下面的命令代码估计x=0.6 附近的极小值： H_humps=@humps; [xmin,value]=fminbnd(H_humps,0.5,0.8) 其结果截图为： 即humps函数在x=0.6（0.6370）附近存在一个极小值：11.2528。 4.Matlab中几个最优化函数的上机实验 4.1 线性规划问题求解—linprog函数 （1）f, x, b, beq, lb和ub为向量，A和Aeq为矩阵。 （2）语法： ·x = linprog(f,A,b,Aeq,beq) ·x = linprog(f,A,b,Aeq,beq,lb,ub) ·x = linprog(f,A,b,Aeq,beq,lb,ub,x0) ·x = linprog(f,A,b,Aeq,beq,lb,ub,x0,options) ·[x,fval] = linprog(...) ·[x,fval,exitflag] = linprog(...) ·[x,fval,exitflag,output] = linprog(...) ·[x,fval,exitflag,output,lambda] = linprog(...) （3）描述： ·x = linprog(f,A,b)求解问题min f'*x，约束条件为A*x <= b。 ·x = linprog(f,A,b,Aeq,beq)求解上面的问题，但增加等式约束，即Aeq*x = beq。若没 有不等式存在，则令A=[]、b=[]。 ·x = linprog(f,A,b,Aeq,beq,lb,ub)定义设计变量x的下界lb和上界ub，使得x始终在该范围内。若没有等式约束，令Aeq=[]、beq=[]。 ·x = linprog(f,A,b,Aeq,beq,lb,ub,x0)设置初值为x0。该选项只适用于中型问题，缺省时大型算法将忽略初值。 ·x = linprog(f,A,b,Aeq,beq,lb,ub,x0,options)用options指定的优化参数进行最小化。 ·[x,fval] = linprog(...) 返回解x处的目标函数值fval。 ·[x,lambda,exitflag] = linprog(...)返回exitflag值，描述函数计算的退出条件。 ·[x,lambda,exitflag,output] = linprog(...) 返回包含优化信息的输出变量output。 ·[x,fval,exitflag,output,lambda] = linprog(...) 将解x处的拉格朗日乘子返回到lambda参数中。 例：生产决策问题某厂生产甲乙两种产品，已知制成一吨产品甲需用资源A 3吨，资源B 4m3；制成一吨产品乙需用资源A 2吨，资源B 6m3，资源C 7个单位。若一吨产品甲和乙的经济价值分别为7万元和5万元，三种资源的限制量分别为90吨、200m3和210个单位，试决定应生产这两种产品各多少吨才能使创造的总经济价值最高？ 在Matlab中求解步骤： ·首先输入下列系数： f = [-7;-5];A = [3 2 4 6 0 7]; b = [90; 200; 210]; lb = zeros(2,1); ·然后调用linprog函数： [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[],lb) 结果截图为： 由上可知，生产甲种产品14吨、乙种产品24吨可使创建的总经济价值最高。最高经济价值为218万元。exitflag=1表示过程正常收敛于解x处。 4.2多目标规划——fgoalattain函数 （1）x, weight, goal, b, beq, lb和ub 为向量, A和Aeq为矩阵, c(x), ceq(x)和F(x)为函数，返回向量。F(x), c(x)和ceq(x)可以是非线性函数。 （2）语法： ·x = fgoalattain(fun,x0,goal,weight) ·x = fgoalattain(fun,x0,goal,weight,A,b) ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq) ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub) ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon) ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq, lb,ub,nonlcon,options) ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon,options,P1,P2,...) ·[x,fval] = fgoalattain(...) ·[x,fval,attainfactor] = fgoalattain(...) ·[x,fval,attainfactor,exitflag] = fgoalattain(...) ·[x,fval,attainfactor,exitflag,output] = fgoalattain(...) ·[x,fval,attainfactor,exitflag,output,lambda] = fgoalattain(...) （3）描述： ·fgoalattain求解多目标达到问题。 ·x = fgoalattain(fun,x0,goal,weight)试图通过变化x来使目标函数fun达到goal指定的目标。初值为x0,weight参数指定权重。 ·x = fgoalattain(fun,x0,goal,weight,A,b)求解目标达到问题，约束条件为线性不等式A*x <= b。 ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq)求解目标达到问题，除提供上面的线性不等式以外，还提供线性等式Aeq*x = beq 。当没有不等式存在时，设置A=[]、b=[]。 ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub)为设计变量x定义下界lb和上界ub集合，这样始终有lb <= x <= ub。 ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon) 将目标达到问题归结为nonlcon参数定义的非线性不等式c(x)或非线性等式ceq(x)。fgoalattain函数优化的约束条件为(x) <= 0和ceq(x) = 0。若不存在边界，设置lb=[]和（或）ub=[]。 ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon,... options)用options中设置的优化参数进行最小化。 ·x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon,... options,P1,P2,...) 将问题参数P1, P2等直接传递给函数fun和nonlcon。如果不需要参数A, b, Aeq, beq, lb, ub, nonlcon和options，将它们设置为空矩阵。 ·[x,fval] = fgoalattain(...) 返回解x处的目标函数值。 ·[x,fval,attainfactor] = fgoalattain(...) 返回解x处的目标达到因子。 ·[x,fval,attainfactor,exitflag] = fgoalattain(...)返回exitflag参数，描述计算的退出条件。 ·[x,fval,attainfactor,exitflag,output] = fgoalattain(...)返回包含优化信息的输出参数output。 ·[x,fval,attainfactor,exitflag,output,lambda] = fgoalattain(...) 返回包含拉格朗日乘子的lambda参数 例某化工厂拟生产两种新产品A和B，其生产设备费用分别为：A，2万元/吨；B，5万元/吨。这两种产品均将造成环境污染，设由公害所造成的损失可折算为：A，4万元/吨；B，1万元/吨。由于条件限制，工厂生产产品A和B的最大生产能力各为每月5吨和6吨，而市场需要这两种产品的总量每月不少于7吨。试问工厂如何安排生产计划，在满足市场需要的前提下，使设备投资和公害损失均达最小。该工厂决策认为，这两个目标中环境污染应优先考虑，设备投资的目标值为20万元，公害损失的目标为12万元。 设工厂每月生产产品A为x1吨，B为x2吨，设备投资费为f1(x)，公害损失费为f2(x)，则这个问题可表达为多目标优化问题： ·首先需要编写目标函数的M文件myfun.m，返回目标计算值 function f=myfun(x) f(1)=2*x(1)+5*x(2); f(2)=4*x(1)+x(2); ·给定目标，权重按目标比例确定，给出初值 goal=[20 12]; weight=[20 12]; x0=[2 5]; ·给出约束条件的系数 A=[1 0;0 1;-1 -1]; b=[5 6 -7]; lb=zeros(2,1); ·调用函数求解 [x,fval,attainfactor,exitflag] = fgoalattain(@myfun,x0,goal,weight,A,b,[],[],lb,[])结果截图为： 故工厂每月生产产品A 为2.9167吨，B 为4.0833吨。设备投资费和公害损失费的目标值分别为26.2500万元和15.7500万元。达到因子为0.3125，计算收敛。 5.Matlab 中的GUI 优化工具 这里值得一提的是，我们可以使用GUI 优化工具进行最优化问题的求解，这种方法使用起来相当的方便，为实际工作提供了极大的方便，这里举一例简单表述利用GUI 工具进行优化求解： 例：fminunc 求解器应用实例。用优化工具求()246f x x x =+-的极小值，初始点取0. 求解步骤为： ·建立目标函数文件FunUnc.m 文件： function y = FunUnc(x) y = x^2 + 4*x -6; ? 然后启动优化工具： ? 在Solver 下拉选框中选择fminunc ； ? Algorithm 下拉选框中选择Medium scale ； ? 目标函数栏输入@FunUnc ； ? 初始点输入0，其余参数默认； ? 单击Start 按钮运行。 其参数设置及运行结果如下： 本文对最优化方法的理论及分类做了简要介绍，并在Matlab中使用黄金分割法作为最优化算法说明了两种求解最优化问题的方法，另外，对Matlab工具箱中的几个最优化函数进行了上机实验，最后，简单认识了一下如何用GUI优化工具进行最优化问题的求解。本文可以为今后正确有效的使用Matlab求解最优化问题提供一定的参考。 《Matlab 编程训练》 作业 专 业 学生姓名 班级 学 号 指导教师 完成日期 实训一 MATLAB 语言介绍和数值计算 1．先求下列表达式的值，然后显示MATLAB 工作空间的使用情况并保存变量。 12 2sin851z e =+ . 2. 已知 1234413134787,2033657327A B --???? ????==???? ????-???? ，求下列表达式的值： (1) A+6*B 和A-B+I （其中I 为单位矩阵） A+6*B: A-B+I: (2)A*B和A.*B A*B程序： A=[12 34 -4;34 7 87;3 65 7] B=[1 3 -1;2 0 3;3 -2 7] c=A*B 结果： A.*B程序： A=[12 34 -4;34 7 87;3 65 7] B=[1 3 -1;2 0 3;3 -2 7] D=A.*B 结果： (3)A^3和A.^3 A^3程序： A=[12 34 -4;34 7 87;3 65 7] E=A^3 结果： A．^3程序： A=[12 34 -4;34 7 87;3 65 7] C=A.^3 (4)A/B及B\A A/B程序： A=[12 34 -4;34 7 87;3 65 7] B=[1 3 -1;2 0 3;3 -2 7] C=A/B 结果： B\A程序： A=[12 34 -4;34 7 87;3 65 7] B=[1 3 -1;2 0 3;3 -2 7] D=B\A 结果： (5)将矩阵C=B\A的右下角2*2子矩阵赋给D, 并（3）保存变量（mat文件）程序： A=[12 34 -4;34 7 87;3 65 7]; B=[1 3 -1;2 0 3;3 -2 7]; C=B*inv(A); D=C(2:3,2:3) 结果： MATLAB 第二版课后答案unit3-8 unit3 实验指导 1、 n=input('请输入一个三位数：'); a=fix(n/100); b=fix((n-a*100)/10); c=n-a*100-b*10; d=c*100+b*10+a 2（1） n=input('请输入成绩'); switch n case num2cell(90:100) p='A'; case num2cell(80:89) p='B'; case num2cell(70:79) p='C'; case num2cell(60:69) p='D'; otherwise p='E'; end price=p （2）n=input('请输入成绩'); if n>=90&n<=100 p='A'; elseif n>=80&n<=89 p='B'; elseif n>=70&n<=79 p='C'; elseif n>=60&n<=69 p='D'; else p='E'; end price=p （3）try n; catch price='erroe' end 3 n=[1,5,56,4,3,476,45,6,3,76,45,6,4,3,6,4,23,76,908,6]; b=n(1); for m=2:20 if n(m)>a a=n(m); elseif n(m)=0 disp(A([n],:)); elseif n<0 disp(lasterr); else disp(A([6],:)); disp(lasterr); end 7（1） f=[]; Matlab程序设计 班级 姓名 学号 《MATLAB程序设计》作业 1、考虑如下x-y 一组实验数据： x=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y=[1.2, 3, 4, 4, 5, 4.7, 5, 5.2, 6, 7.2] 分别绘出plot的原始数据、一次拟合曲线和三次拟合曲线，给出MATLAB代码和运行结果。 代码如下： x=[1,2,3,4,5,6,7,8,9,10]; y=[1.2,3,4,4,5,4.7,5,5.2,6,7.2]; plot(x,y); title('原始数据'); p=polyfit(x,y,1); q=polyval(p,x); figure,plot(x,q); title('一次拟合'); p=polyfit(x,y,2); q=polyval(p,x); figure,plot(x,q); title('二次拟合'); 运行结果如下： 1 2 3 4 5 6 7 8 9 10 12 3 4 5 6 7 8 原始数据 123 456789 102 2.5 3 3.54 4.5 55.56 6.57一次拟合 123456789 101 2 3 4 5 6 7 二次拟合 2、在[0，3π]区间，绘制y=sin(x)曲线（要求消去负半波，即(π，2π)区间内的函数值置零），求出曲线y 的平均值，以及y 的最大值及其最大值的位置。给出执行代码和运行结果。 代码如下： clear clc x=(0:0.01:3*pi); y=sin(x); plot(x,y); y1=(y>=0).*y; figure,plot(x,y1); 实验指导 1、 n=input('请输入一个三位数：'); a=fix(n/100); b=fix((n-a*100)/10); c=n-a*100-b*10; d=c*100+b*10+a 2（1） n=input('请输入成绩'); switch n case num2cell(90:100) p='A'; case num2cell(80:89) p='B'; case num2cell(70:79) p='C'; case num2cell(60:69) p='D'; otherwise p='E'; end price=p （2）n=input('请输入成绩'); if n>=90&n<=100 p='A'; elseif n>=80&n<=89 p='B'; elseif n>=70&n<=79 p='C'; elseif n>=60&n<=69 p='D'; else p='E'; end price=p （3）try n; catch price='erroe' end 3 n=[1,5,56,4,3,476,45,6,3,76,45,6,4,3,6,4,23,76,908,6]; a=n(1)； for m=2:20 if n(m)>a a=n(m); elseif n(m)=0 disp(A([n],:)); elseif n<0 disp(lasterr); else disp(A([6],:)); disp(lasterr); end 7（1） f=[]; for n=1:40 五种最优化方法 1.最优化方法概述 1.1最优化问题的分类 1）无约束和有约束条件； 2）确定性和随机性最优问题（变量是否确定）； 3）线性优化与非线性优化（目标函数和约束条件是否线性）； 4）静态规划和动态规划（解是否随时间变化）。 1.2最优化问题的一般形式（有约束条件）： 式中f（X）称为目标函数（或求它的极小，或求它的极大），si（X）称为不等式约束，hj（X）称为等式约束。化过程就是优选X，使目标函数达到最优值。 2.牛顿法 2.1简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）是一种函数逼近法。 2.2原理和步骤 3.最速下降法（梯度法） 3.1最速下降法简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）沿函数在该点处目标函数下降最快的方向作为搜索方向； 3.2最速下降法算法原理和步骤 4.模式搜索法（步长加速法） 4.1简介 1）解决的是无约束非线性规划问题； 2）不需要求目标函数的导数，所以在解决不可导的函数或者求导异常麻烦的函数的优化问题时非常有效。 3）模式搜索法每一次迭代都是交替进行轴向移动和模式移动。轴向移动的目的是探测有利的下降方向，而模式移动的目的则是沿着有利方向加速移动。 4.2模式搜索法步骤 5.评价函数法 5.1简介 评价函数法是求解多目标优化问题中的一种主要方法。在许多实际问题中，衡量一个方案的好坏标准往往不止一个，多目标最优化的数学描述如下：min (f_1(x),f_2(x),...,f_k(x)) s.t. g(x)<=0 传统的多目标优化方法本质是将多目标优化中的各分目标函数，经处理或数学变换，转变成一个单目标函数，然后采用单目标优化技术求解。常用的方法有“线性加权和法”、“极大极小法”、“理想点法”。选取其中一种线性加权求合法介绍。 5.2线性加权求合法 6.遗传算法 智能优化方法是通过计算机学习和存贮大量的输入-输出模式映射关系，进 1. p138 第6题在同一坐标轴中绘制下列两条曲线并标注两曲线交叉点。 >> t=0:0.01:pi; >> x1=t; >> y1=2*x1-0.5; >> x2=sin(3*t).*cos(t); >> y2=sin(3*t).*sin(t); >> plot(x1,y1,'r-',x2,y2,'g-') >> axis([-1,2,-1.5,1]) >> hold on >> s=solve('y=2*x-0.5','x=sin(3*t)*cos(t)','y=sin(3*t)*sin(t)'); >> plot(double(s.x),double(s.y),'*'); 截图： p366 第4题绘制极坐标曲线，并分析对曲线形状的影响。 function [ output_args ] = Untitled2( input_args ) %UNTITLED2 Summary of this function goes here % Detailed explanation goes here theta=0:0.01:2*pi; a=input('请输入a的值：'); b=input('请输入b的值：'); n=input('请输入n的值：'); rho=a*sin(b+n*theta); polar(theta,rho,'k'); end 下面以a=1，b=1，n=1的极坐标图形为基础来分析a、b、n的影响。 对a的值进行改变：对比发现a只影响半径值的整倍变化 对b的值进行改变：对比发现b的值使这个圆转换了一定的角度 对n的值进行改变：对比发现当n>=2时有如下规律 1、当n为整数时，图形变为2n个花瓣状的图形 2、当n为奇数时，图形变为n个花瓣状的图形 分别让n为2、3、4、5 大学社区网收集整理https://www.360docs.net/doc/273388179.html, 评分 日期湖南商学院北津学院实验报告 课程名称MATLAB科学计算编程语言 实验名称MATLAB程序设计 专业班级信科1121班 姓名xxx 学号xxx 实验日期2012年11月5日 2012—2013学年度第一学期 一、实验目的 1.掌握利用if语句、switch语句实现选择结构的方法。 2.掌握利用for语句、while语句实现循环结构的方法。 3.熟悉利用向量运算来代替循环操作的方法并理解MATLAB程序设计的特点 4.掌握定义和调用MATLAB函数的方法。 二、实验环境 系统windows7旗舰版 处理器Intel(R)Core(TM)i7-3610M CPU @ 2.30GHz 安装内存 4.00GB （3.07GB 可用）系统类型64位操作系统运行环境 MATLAB 5.3 三、实验基本原理 利用上课所学知识解决以下问题： 1.从键盘输入一个3位数的整数，将它反向输出。如输入639，输出936。 2.输入一个百分制成绩，要求输出成绩等级A、B、C、D、E。其中90~100分为A，80~89分为B，70~79分为C，60~69分为D，60分以下为E。 要求： (1)分别用if 语句和switch 语句实现。 (2)输入百分制成绩后要判断该成绩的合理性，对不合理的成绩应输出出错信息。3.输入20个数，求其中最大数和最小数。要求分别用循环结构和调用MATLAB 的max 函数、min 函数来实现。 4.23.0ln )3.0sin(23.03.0a a e e y a a +++?=?，当a 取-3.0、-2.9、-2.8、…、2.8、2.9、 3.0时，求各点的函数值。要求分别用顺序结构和循环结构实现。 5.当n 分别取100、1000、10000时，求下列各式的值： (1)) 6...(n 1...31211122222π=+++++(2)) 2...()12)(12()2)(2(...756653443122π =??? ?????+?????????××????????××????????××n n n n 要求分别用循环结构和向量运算（使用sum 函数）来实现。 6.建立5×6矩阵，要求输出矩阵第n 行元素。当n 值超过矩阵的行数时，自动转为输出矩阵最后一行元素，并给出出错信息。 7已知,o999 ) 20()30()40(f f f y += (1)当)5ln(10)(2 ++=n n n f 时，y 的值是多小。 (2)当+×+×+×=433221)(n f …+)1(+×n n 时，y 的值是多小。 8.先用函数的递归调用定义一个函数文件求 ∑=n i m i 1，然后调用该函数文件求 常用无约束最优化方法评价准则 方法算法特点适用条件 最速下降法属于间接法之一。方法简便，但要计算一阶偏导 数，可靠性较好，能稳定地使函数下降，但收敛 速度较慢，尤其在极点值附近更为严重 适用于精度要求不高或用于对 复杂函数寻找一个好的初始 点。 Newton法属于间接法之一。需计算一、二阶偏导数和Hesse 矩阵的逆矩阵，准备工作量大，算法复杂，占用 内存量大。此法具有二次收敛性，在一定条件下 其收敛速度快，要求迭代点的Hesse矩阵必须非 奇异且定型（正定或负定）。对初始点要求较高， 可靠性较差。 目标函数存在一阶\二阶偏导 数，且维数不宜太高。 共轭方向法属于间接法之一。具有可靠性好，占用内存少， 收敛速度快的特点。 适用于维数较高的目标函数。 变尺度法属于间接法之一。具有二次收敛性，收敛速度快。 可靠性较好，只需计算一阶偏导数。对初始点要 求不高，优于Newton法。因此，目前认为此法是 最有效的方法之一，但需内存量大。对维数太高 的问题不太适宜。 适用维数较高的目标函数 （n=10～50）且具有一阶偏导 数。 坐标轮换法最简单的直接法之一。只需计算函数值，无需求 导，使用时准备工作量少。占用内存少。但计算 效率低，可靠性差。 用于维数较低（n<5）或目标函 数不易求导的情况。 单纯形法此法简单，直观，属直接法之一。上机计算过程 中占用内存少，规则单纯形法终止条件简单，而 不规则单纯形法终止条件复杂，应注意选择，才 可能保证计算的可靠性。 可用于维数较高的目标函数。 常用约束最优化方法评价标准 方法算法特点适用条件 外点法将约束优化问题转化为一系列无约束优化问题。 初始点可以任选，罚因子应取为单调递增数列。 初始罚因子及递增系数应取适当较大值。 可用于求解含有等式约束或不等 式约束的中等维数的约束最优化 问题。 内点法将约束优化问题转化为一系列无约束优化问题。 初始点应取为严格满足各个不等式约束的内点， 障碍因子应取为单调递减的正数序列。初始障碍 因子选择恰当与否对收敛速度和求解成败有较大 影响。 可用于求解只含有不等式约束的 中等维数约束优化问题。 混合罚函数法将约束优化问题转化为一系列无约束优化问题， 用内点形式的混合罚函数时，初始点及障碍因子 的取法同上；用外点形式的混合罚函数时，初始 点可任选，罚因子取法同外点法相同。 可用于求解既有等式约束又有不 等式约束的中等维数的约束化问 题。 约束坐标轮换法由可行点出发，分别沿各坐标轴方向以加步探索 法进行搜索，使每个搜索点在可行域内，且使目 标函数值下降。 可用于求解只含有不等式约束， 且维数较低（n<5），目标函数的 二次性较强的优化问题。 复合形法在可行域内构造一个具有n个顶点的复合形，然 后对复合形进行映射变化，逐次去掉目标函数值 最大的顶点。 可用于求解含不等式约束和边界 约束的低维优化问题。 最优化方法及其应用 作者：郭科 出版社：高等教育出版社 类别：不限 出版日期：20070701 最优化方法及其应用 的图书简介 系统地介绍了最优化的理论和计算方法,由浅入深,突出方法的原则,对最优化技术的理论作丁适当深度的讨论,着重强调方法与应用的有机结合,包括最优化问题总论,线性规划及其对偶问题,常用无约束最优化方法,动态规划,现代优化算法简介,其中前八章为传统优化算法,最后一章还给出了部分优化问题的设计实例,也可供一般工科研究生以及数学建模竞赛参赛人员和工程技术人员参考, 最优化方法及其应用 的pdf电子书下载 最优化方法及其应用 的电子版预览 第一章 最优化问题总论1.1 最优化问题数学模型1.2 最优化问题的算法1.3 最优化算法分类1.4 组合优化问題简卉习题一第二章 最优化问题的数学基础2.1 二次型与正定矩阵2.2 方向导数与梯度2.3 Hesse矩阵及泰勒展式2.4 极小点的判定条件2.5 锥、凸集、凸锥2.6 凸函数2.7 约束问题的最优性条件习题二第三章 线性规划及其对偶问题3.1线性规划数学模型基本原理3.2 线性规划迭代算法3.3 对偶问题的基本原理3.4 线性规划问题的灵敏度习题三第四章 一维搜索法4.1 搜索区间及其确定方法4.2 对分法4.3 Newton切线法4.4 黄金分割法4.5 抛物线插值法习题四第五章 常用无约束最优化方法5.1 最速下降法5.2 Newton法5.3 修正Newton法5.4 共轭方向法5.5 共轭梯度法5.6 变尺度法5.7 坐标轮换法5.8 单纯形法习題五第六章 常用约束最优化方法6.1外点罚函数法6.2 內点罚函数法6.3 混合罚函数法6.4 约束坐标轮换法6.5 复合形法习题六第七章 动态规划7.1 动态规划基本原理7.2 动态规划迭代算法7.3 动态规划有关说明习题七第八章 多目标优化8.1 多目标最优化问题的基本原理8.2 评价函数法8.3 分层求解法8.4目标规划法习题八第九章 现代优化算法简介9.1 模拟退火算法9.2遗传算法9.3 禁忌搜索算法9.4 人工神经网络第十章 最优化问题程序设计方法10.1 最优化问题建模的一般步骤10.2 常用最优化方法的特点及选用标准10.3 最优化问题编程的一般过程10.4 优化问题设计实例参考文献 更多 最优化方法及其应用 相关pdf电子书下载 项目三 常用无约束最优化方法（一） [实验目的] 编写最速下降法、Newton 法（修正Newton 法）的程序。 [实验学时] 2学时 [实验准备] 1．掌握最速下降法的思想及迭代步骤。 2．掌握Newton 法的思想及迭代步骤； 3．掌握修正Newton 法的思想及迭代步骤。 [实验内容及步骤] 编程解决以下问题：【选作一个】 1．用最速下降法求 22120min ()25[22]0.01T f X x x X ε=+==，，，． 2．用Newton 法求 22121212min ()60104f X x x x x x x =--++-， 初始点 0[00]0.01T X ε==，，． 最速下降法 Matlab 程序： clc;clear; syms x1 x2; X=[x1,x2]; fx=X(1)^2+X(2)^2-4*X(1)-6*X(2)+17; fxd1=[diff(fx,x1) diff(fx,x2)]; x=[2 3]; g=0; e=0.0005; a=1; fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); step=0; while g>e step=step+1; dk=-fan; %点x(k)处的搜索步长 ak=((2*x(1)-4)*dk(1)+(2*x(2)-6)*dk(2))/(dk(1)*dk(2)-2*dk(1)^2-2*dk(2)^2); xu=x+ak*dk; x=xu; %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf(' x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); %计算目标函数点x(k+1)处一阶导数值 fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); end %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf('\n最速下降法\n结果：\n x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); c++程序 #include 实验二 MATLAB 程序设计 一、 实验目的 1.掌握利用if 语句实现选择结构的方法。 2.掌握利用switch 语句实现多分支选择结构的方法。 3.掌握利用for 语句实现循环结构的方法。 4.掌握利用while 语句实现循环结构的方法。 5.掌握MATLAB 函数的编写及调试方法。 二、 实验的设备及条件 计算机一台（带有MATLAB7.0以上的软件环境）。 M 文件的编写： 启动MATLAB 后，点击File|New|M-File ，启动MATLAB 的程序编辑及调试器（Editor/Debugger ），编辑以下程序，点击File|Save 保存程序，注意文件名最好用英文字符。点击Debug|Run 运行程序，在命令窗口查看运行结果，程序如有错误则改正 三、 实验容 1.编写求解方程02=++c bx ax 的根的函数（这个方程不一定为一元二次方程，因c b a 、、的不同取值而定），这里应根据c b a 、、的不同取值分别处理，有输入参数提示，当0~,0,0===c b a 时应提示“为恒不等式!”。并输入几组典型值加以检验。 （提示：提示输入使用input 函数） 2.输入一个百分制成绩，要求输出成绩等级A+、A 、B 、C 、D 、E 。其中100分为A+，90分～99分为A ，80分～89分为B ，70分～79分为C ，60分～69分为D ，60分以下为E 。 要求：（1）用switch 语句实现。 （2）输入百分制成绩后要判断该成绩的合理性，对不合理的成绩应输出出错信息。 （提示：注意单元矩阵的用法） 3.数论中一个有趣的题目：任意一个正整数，若为偶数，则用2除之，若为奇数，则与3相乘再加上1。重复此过程，最终得到的结果为1。如： 2→1 3→10→5→16→8→4→2→1 6→3→10→5→16→8→4→2→1 《最优化方法与应用》 实验指导书 信息与计算科学系编制 1 实验目的 基于单纯形法求解线性规划问题，编写算法步骤，绘制算法流程图，编写单纯形法程序，并针对实例完成计算求解。 2实验要求 程序设计语言：C++ 输入：线性规划模型（包括线性规划模型的价值系数、系数矩阵、右侧常数等） 输出：线性规划问题的最优解及目标函数值 备注：可将线性规划模型先转化成标准形式，也可以在程序中将线性规划模型从一般形式转化成标准形式。 3实验数据 123()-5-4-6=Min f x x x x 121231212320 324423230,,0３-+≤??++≤??+≤??≥? x x x x x x st x x x x x 1 实验目的 基于线性搜索的对分法、Newton 切线法、黄金分割法、抛物线法等的原理及方法，编写算法步骤和算法流程图，编写程序求解一维最优化问题，并针对实例具体计算。 2实验要求 程序设计语言：C++ 输入：线性搜索模型（目标函数系数，搜索区间，误差限等） 输出：最优解及对应目标函数值 备注：可从对分法、Newton 切线法、黄金分割法、抛物线法中选择2种具体的算法进行算法编程。 3实验数据 2211 ()+-6(0.3)0.01(0.9)0.04 = -+-+Min f x x x 区间[0.3,1],ε=10-4 实验三 无约束最优化方法 1实验目的 了解最速下降法、牛顿法、共轭梯度法、DFP 法和BFGS 法等的基本原理及方法，掌握其迭代步骤和算法流程图，运用Matlab 软件求解无约束非线性多元函数的最小值问题。 2实验要求 程序设计语言：Matlab 针对实验数据，对比最速下降法、牛顿法、共轭梯度法、DFP 法和BFGS 法等算法，比较不同算法的计算速度和收敛特性。 3实验数据 Rosenbrock's function 222211()(100)+(1-)=-Min f x x x x 初始点x=[-1.9, 2]，,ε=10-4 Matlab 上机实验一、二 3.求下列联立方程的解???????=+-+-=-+=++-=--+4 1025695842475412743w z y x w z x w z y x w z y x >> a=[3 4 -7 -12;5 -7 4 2;1 0 8 -5;-6 5 -2 10]; >> b=[4;4;9;4]; >> c=a\b 4．设???? ??????------=81272956313841A ，??????????-----=793183262345B ，求C1=A*B’;C2=A’*B;C3=A.*B,并求上述所有方阵的逆阵。 >> A=[1 4 8 13;-3 6 -5 -9;2 -7 -12 -8]; >> B=[5 4 3 -2;6 -2 3 -8;-1 3 -9 7]; >> C1=A*B' >> C2=A'*B >> C3=A.*B >> inv(C1) >> inv(C2) >> inv(C3) 5．设 ?? ????++=)1(sin 35.0cos 2x x x y ，把x=0~2π间分为101点，画出以x 为横坐标，y 为纵坐标的曲线。 >> x=linspace(0,2*pi,101); >> y=cos(x)*(0.5+(1+x.^2)\3*sin(x)); >> plot(x,y,'r') 6．产生8×6阶的正态分布随机数矩阵R1, 求其各列的平均值和均方差。并求该矩阵全体数的平均值和均方差。 （mean var ） a=randn(8,6) mean(a) var(a) k=mean(a) k1=mean(k) i=ones(8,6) i1=i*k1 i2=a-i1 i3=i2.*i2 g=mean(i3) g2=mean(g) 第二章 1 求下列表达式的值。 （1） w=sqrt(2)*(1+0.34245*10^(-6)) (2) a=3.5; b=5; c=-9.8; x=(2*pi*a+(b+c)/(pi+a*b*c)-exp(2))/tan(b+c)+a (3) a=3.32; b=-7.9; y=2*pi*a^(2)*[(1-pi/4)*b-(0.8333-pi/4)*a] (4) t=[2,1-3*i;5,-0.65]; z=1/2*exp(2*t)*log(t+sqrt(1+t^(2))) 2 求下列表达式 A=[-1,5,-4;0,7,8;3,61,7]; B=[8,3,-1;2,5,3;-3,2,0]; (1) A+6*B A^2-B+eye (2) A*B A.*B B.*A (3) A/B B\A (4) [A,B] [A([1,3],:);B^2] 3 根据已知，完成下列操作 （1） A=[23,10,-0.778,0;41,-45,65,5;32,5,0,32;6,-9.54,54,3.14]; K=find(A>10&A<25); A(K) （2） A=[23,10,-0.778,0;41,-45,65,5;32,5,0,32;6,-9.54,54,3.14]; B=A(1:3,:) C=A(:,1:2) D=A(2:4,3:4) E=B*C （3） E f=input('输入一个数：','s'); f(end :-1:1) 2 用if语句 score=input('请输入成绩:'); if score>=90&&score<=100 disp('A'); elseif score>=80&&score<=89 disp('B'); elseif score>=70&&score<=79 disp('C'); elseif score>=60&&score<=69; disp('D'); elseif score<60&&score>=0; disp('E'); else disp('出错'); end 用switch语句 score=input('请输入成绩:'); switch fix(score/10) case {9,10} disp('A'); case {8} disp('B'); case {7} disp('C'); case {6} disp('D'); case {0,1,2,3,4,5} disp('E'); otherwise disp('出错'); end 第四章1题 1) X=0:10; Y=x-x.^3/6; P lot(x,y) 陆吾生教授是加拿大维多利亚大学电气与计算机工程系 (Dept. of Elect. and Comp. Eng. University of Victoria) 的正教授, 且为我校兼职教授，曾多次来我校数学系电子系讲学。陆吾生教授的研究方向是：最优化理论和小波理论及其在1维和2维的数字信号处理、数字图像处理、控制系统优化方面的应用。 现陆吾生教授计划在 2007 年 10－11 月来校开设一门为期一个月的短期课程“最优化理论及其应用”（每周两次，每次两节课），对象是数学系、计算机系、电子系的教师、高年级本科生及研究生，以他在2006年出版的最优化理论的专著作为教材。欢迎数学系、计算机系、电子系的研究生及高年级本科生选修该短期课程，修毕的研究生及本科生可给学分。 上课地点及时间：每周二及周四下午2:00开始，在闵行新校区第三教学楼326教室。（自10月11日至11月8日） 下面是此课程的内容介绍。 ----------------------------------- 最优化方法及应用 I. 函数的最优化及应用 1.1 无约束和有约束的函数优化问题 1.2 有约束优化问题的Karush-Kuhn-Tucker条件 1.3 凸集、凸函数和凸规划 1.4 Wolfe对偶 1.5 线性规划与二次规划 1.6 半正定规划 1.7 二次凸锥规划 1.8 多项式规划 1.9解最优化问题的计算机软件 II 泛函的最优化及应用 2.1 有界变差函数 2.2 泛函的变分与泛函的极值问题 2.3 Euler-Lagrange方程 2.4 二维图像的Osher模型 2.5 泛函最优化方法在图像处理中的应用 2.5.1 噪声的消减 2.5.2 De-Blurring 2.5.3 Segmentation ----------------------------------------------- 注：这是一门约二十学时左右的短期课程，旨在介绍函数及泛函的最优化理论和方法，及其在信息处理中的应用。只要学过一元及多元微积分和线性代数的学生就能修读并听懂本课程。课程中涉及到的算法实现和应用举例都使用数学软件MATLAB 华东师大数学系 Matlab程序设计作业 姓名: 学号: 专业: ? MATLAB 程序设计》作业 1、考虑如下x-y 一组实验数据: x=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y 二[1.2, 3, 4, 4, 5, 4.7, 5, 5.2, 6, 7.2] 分别绘出plot 的原始数据、一次拟合曲线和三次拟合曲线，给出 原始曲线 MATLAB 代码和运行结果。 7 6 5 4 3 2 2 3 4 5 6 7 8 9 10 7 6.5 6 5.5 5 4.5 4 3.5 3 2.5 10 一次拟合 三次拟合 x=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]; y=[1.2, 3, 4, 4, 5, 4.7, 5, 5.2, 6, 7.2]; figure; plot(x,y) p1=polyfit(x,y,1); y1=polyval(p1,x); figure; plot(x,y1) p2=polyfit(x,y,3); y2=polyval(p2,x); figure; plot(x,y2) 2、在［0, 3n区间，绘制y二Sin(x)曲线(要求消去负半波，即(n 2n)区间内的函数值置零)，求出曲线y 的平均值，以及y 的最大值及其最大值的位置。给出执行代码和运行结果。 x=0:pi/1000:3*pi; y=Sin(x); y1=(y>=0).*y; %消去负半波figure(1); plot(x,y1, 'b' ); a=mean(y1) %求出y1 的平均值 b=max(y1) %求出y1 的最大值b, 以及最大值在矩阵中的位置; d=x(find(y1==b)) >> ex1 a = 0.4243 b = 1 d = 1.5708 7.8540 >> MATLAB第二版课后答案unit3-8 unit3 实验指导 1、 n=input('请输入一个三位数：'); a=fix(n/100); b=fix((n-a*100)/10); c=n-a*100-b*10; d=c*100+b*10+a 2（ 1） n=input(' 请输入成绩 '); switch n case num2cell(90:100) p='A'; case num2cell(80:89) p='B'; case num2cell(70:79) p='C'; case num2cell(60:69) p='D'; otherwise p='E'; end price=p （2） n=input(' 请输入成绩 '); if n>=90&n<=100 p='A'; elseif n>=80&n<=89 p='B'; elseif n>=70&n<=79 p='C'; elseif n>=60&n<=69 p='D'; else p='E'; end price=p （3） try n; catch price='erroe' end 3 n=[1,5,56,4,3,476,45,6,3,76,45,6,4,3,6,4,23,76,908,6]; a=n(1) ； b=n(1); for m=2:20 if n(m)>a a=n(m); elseif n(m)=0 disp(A([n],:)); elseif n<0 disp(lasterr); else disp(A([6],:)); disp(lasterr); end 7（ 1） f=[]; 1 2 ( ( 最优化方法部分课后习题解答 1.一直优化问题的数学模型为： 习题一 min f (x ) = (x ? 3)2 + (x ? 4)2 ? g (x ) = x ? x ? 5 ≥ ? 1 1 2 2 ? 试用图解法求出： s .t . ?g 2 (x ) = ?x 1 ? x 2 + 5 ≥ 0 ?g (x ) = x ≥ 0 ? 3 1 ??g 4 (x ) = x 2 ≥ 0 （1） 无约束最优点，并求出最优值。 （2） 约束最优点，并求出其最优值。 （3） 如果加一个等式约束 h (x ) = x 1 ? x 2 = 0 ，其约束最优解是什么？ * 解 ：（1）在无约束条件下， f (x ) 的可行域在整个 x 1 0x 2 平面上，不难看出，当 x =（3，4） 时， f (x ) 取最小值，即，最优点为 x * =（3，4）：且最优值为： f (x * ) =0 （2）在约束条件下， f (x ) 的可行域为图中阴影部分所示，此时，求该问题的最优点就是 在约束集合即可行域中找一点 (x 1 , x 2 ) ，使其落在半径最小的同心圆上，显然，从图示中可 以看出，当 x * = 15 , 5 ) 时， f (x ) 所在的圆的半径最小。 4 4 ?g (x ) = x ? x ? 5 = 0 ? 15 ?x 1 = 其中：点为 g 1 (x ) 和 g 2 (x ) 的交点，令 ? 1 1 2 ? 2 求解得到： ? 4 5 即最优点为 x * = ? ?g 2 (x ) = ?x 1 ? x 2 + 5 = 0 15 , 5 ) ：最优值为： f (x * ) = 65 ?x = ?? 2 4 4 4 8 （3）.若增加一个等式约束，则由图可知，可行域为空集，即此时最优解不存在。 2.一个矩形无盖油箱的外部总面积限定为 S ，怎样设计可使油箱的容量最大？试列出这个优 化问题的数学模型，并回答这属于几维的优化问题. 解：列出这个优化问题的数学模型为： max f (x ) = x 1x 2 x 3 ?x 1x 2 + 2x 2 x 3 + 2x 1x 3 ≤ S Matlab程序设计 课程大作业 题目名称：_________________________________ 班级：_________________________________ 姓名：_________________________________ 学号：_________________________________ 课程教师：温海骏 学期：2015-2016学年第2学期 完成时间： MATLAB优化应用 §1 线性规划模型 一、线性规划问题： 问题1：生产计划问题 假设某厂计划生产甲、乙两种产品，现库存主要材料有A类3600公斤，B类2000公斤，C类3000公斤。每件甲产品需用材料A类9公斤，B类4公斤，C类3公斤。每件乙产品，需用材料A类4公斤，B类5公斤，C类10公斤。甲单位产品的利润70元，乙单位产品的利润120元。问如何安排生产，才能使该厂所获的利润最大。 问题2：投资问题 某公司有一批资金用于4个工程项目的投资，其投资各项目时所得的净收益(投入资金百分比)如下表：工程项目收益表 工程项目 A B C D 收益(%) 15 10 12 由于某种原因，决定用于项目A的投资不大于其他各项投资之和而用于项目B和C的投资要大于项目D的投资。试确定该公司收益最大的投资分配方案。 问题3：运输问题 有A、B、C三个食品加工厂，负责供给甲、乙、丙、丁四个市场。三个厂每天生产食品箱数上限如下表： 工厂 A B C 生产数 60 40 50 四个市场每天的需求量如下表： 市场 甲 乙 丙 丁 需求量 20 35 33 34 从各厂运到各市场的运输费(元/每箱)由下表给出： 收点 发点 市场 甲 乙 丙 丁 工 厂 A 2 1 3 2 BMATLAB编程作业
MATLAB程序设计教程(第二版)课后答案(可编辑修改word版)
MATLAB程序设计作业
MATLAB程序设计教程课后答案
五种最优化方法
matlab程序设计第三章课后习题答案
MATLAB程序设计教程(第二版)第三章实验报告下载
常用最优化方法评价准则
最优化方法及其应用 - 更多gbj149 相关pdf电子书下载
常用无约束最优化方法(一)
实验二--MATLAB程序的设计(含实验报告)
《最优化方法与应用》实验指导书
Matlab编程与应用习题和一些参考答案
Matlab程序设计教程(第二版)刘卫国课后参考答案解析
最优化方法及应用
matlab程序设计作业
MATLAB程序设计教程课后答案.doc
最优化方法及其应用课后答案
Matlab程序设计(2016大作业)