优化算法matlab
A. 用matlab遗传算法解决函数优化问题
在使用MATLAB中的遗传算法解决函数优化问题时，我们需要运用GA函数，这是遗传算法的具体实现。GA函数的调用格式是：X = GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON,options)。其中，FITNESSFCN代表待优化的函数，NVARS表示变量的数量，lb和ub分别是变量的下界和上界。对于特定问题，你需要提供这四个参数的值，而其他参数可以暂时用[]代替。
需要注意的是，MATLAB的GA函数默认是寻找函数的最小值。如果你的目标是找到函数的最大值，则需要将待优化的函数取负数，即编写如下函数：
function y=myfun(x)
y=-x.*sin(10*pi.*x)-2;
将这个函数保存为myfun.m文件，然后在MATLAB命令行中输入以下代码：x=ga(@myfun,1,[],[],[],[],[1],[2])。执行后，可能会看到这样的输出结果：Optimization terminated: average change in the fitness value less than options.TolFun. x = 1.8506
这是因为遗传算法实际上是在指定的取值范围内随机选取初始值，然后通过遗传操作来寻找最优解。因此，每次运行的结果可能会有所不同。例如，再次运行相同的代码，你可能会得到类似的结果：Optimization terminated: average change in the fitness value less than options.TolFun. x = 1.6507
具体原因可以参考遗传算法的相关资料，了解其背后的原理和机制。
B. MATLAB如何使用ga遗传算法工具箱进行优化
1、首先，打开MATLAB软件。
2、设置一个m文件，用于计算个体的适应度函数输出值一个适应度，输入是我们要优化的参数；例如：要优化的参数（x ，y ，z）则适应度函数的基本结构应是v=function(x, y, z)。
3、输入“gatool”指令打开工具箱，如图所示。
4、如图所示，打开的ga工具箱界面。
5、输入我们的适应度函数，和要优化的个数，和一些其它设置，要根据我们的任务决定；例如：适应度函数为:v=function(x, y, z)时要配置适应度函数项为@function。
6、要优化的参数个数为3。左后单击“start”开始，等待一段时间就会出现我们要优化的参数。
C. 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。优化问题一般分为尺核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。
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：
可以看出，初值x0不同，得到的结果侍孙截然不同，这说明这种求解器，能寻找局部最优，但不一定是全局最优，在起点为8时，取得全局最优。
我们换一种求解器：fminbound,这种求解器不需要给点初值。
因此全局最优的方法能够获取全局最优。
结果：最小二乘拟合结果误差较大
可以陵谈掘看出全局优化结果较好，误差较小。
这种算法的运行时间：Elapsed time is 6.139324 seconds.
使用并行计算的方式解决
结果：14 out of 100 local solver runs converged with a positive local solver exit flag.
Elapsed time is 4.358762 seconds.Sending a stop signal to all the labs ... stopped.可以看出，运行时间减少，提高了效率。
这种方法只能寻找局部最优。
现在用全局优化算法：