当求解器失败时
太多的迭代或函数计算
求解器停止,因为在将目标最小化到所要求的公差之前,它达到了迭代或函数计算的数量的限制。要继续,请尝试以下一个或多个方法。
1.启用迭代显示 |
2.放宽公差 |
3.从不同的点开始求解 |
4.检查目标和约束函数定义 |
5.集中和扩大你的问题 |
6.提供梯度或雅可比矩阵 |
7.提供黑森 |
1.启用迭代显示
设置显示
选项“通路”
.此设置显示求解器迭代的结果。
在MATLAB中启用迭代显示®命令行,输入
Options = optimoptions('solvername”、“显示”、“iter”);
调用求解器选项
结构。
有关迭代显示的示例,请参见解释结果.
在迭代显示中寻找什么
看看目标函数(
Fval
或f (x)
或Resnorm
)减少。递减表示进度。检查约束违反情况(
马克斯约束
),以确保其减少到0
.递减表示进度。看看一阶最优性是否下降到
0
.递减表示进度。看看
信赖域半径
减小到一个小值。这一下降表明,实现这一目标可能并不顺利。
怎么做
如果求解器似乎在进展:
集
MaxIterations
和/或MaxFunctionEvaluations
到大于默认值的值。您可以在求解器的函数引用页中的Options表中看到默认值。从最后一个计算点开始求解。
如果解算器没有进展,请尝试列出的其他建议。
2.放宽公差
如果StepTolerance
或OptimalityTolerance
,例如,太小,求解器可能无法识别它已达到最小值;它可以无限地进行无意义的迭代。
若要在命令行更改公差,请使用optimoptions
如在设置和更改选项.
的FiniteDifferenceStepSize
选择(或DiffMaxChange
而且DiffMinChange
选项)会影响求解程序的进度。这些选项控制微分估计有限差分的步长。
3.从不同的点开始求解
看到改变起始点.
4.检查目标和约束函数定义
例如,检查您的目标和非线性约束函数在某些点返回正确的值。看到检查你的目标和约束函数.检查不可行点不会导致函数出错;看到迭代可能会违反约束.
5.集中和扩大你的问题
当每个坐标对目标函数和约束函数的影响差不多时,求解器运行得更可靠。将坐标方向与适当的标量相乘,以平衡每个坐标的效果。为某些坐标添加适当的值以使其大小相等。
示例:定心和缩放。考虑最小化1e6*x(1)²+ 1e-6*x(2)²
:
F = @(x) 10^6*x(1)²+ 10^-6*x(2)²;
最小化f
使用fminunc
“拟牛顿”
算法:
opts = optimoptions('fminunc','Display','none','Algorithm','准牛顿');X = fminunc(f,[0.5;0.5],opts) X = 0 0.5000
结果是不正确的;差的缩放影响了得到好的解。
衡量问题的规模。集
D = diag([1e-3,1e3]);fr = @(y) f(D*y);Y = fminunc(fr, [0.5;0.5], opts) Y = 0 0 %正确答案
同样,定心不良也会影响解决方案。
Fc = @(z)fr([z(1)-1e6;z(2)+1e6]);定心不良z = fminunc(fc,[。]5 .5],选项)z = 1.0e+005 * 10.0000 -10.0000 %看起来不错,但是……Z - [1e6 -1e6] %检查Z与1e6 ans的距离= -0.0071 0.0078 %显示距离FCC = @(w)fc([w(1)+1e6;w(2)-1e6]);%居中w = fminunc(fcc,[。]5 .5],选项)w = 0 %正确答案
6.提供梯度或雅可比矩阵
如果不提供梯度或雅可比矩阵,求解者通过有限差分估计梯度和雅可比矩阵。因此,提供这些导数可以节省计算时间,并可以提高精度。基于问题的方法可以自动提供梯度;看到优化工具箱中的自动区分.
对于有约束的问题,提供梯度还有另一个好处。解算器可以达到一个点x
这样x
是可行的,但有限的差异围绕x
总是引到一个不可行的点。在这种情况下,求解器可能会失败或过早停止。提供梯度允许求解器继续进行。
在文件中为目标函数和非线性约束函数提供梯度或雅可比矩阵。有关语法的详细信息,请参见编写标量目标函数,写向量和矩阵目标函数,非线性约束.
要检查梯度函数或雅可比矩阵函数是否正确,请使用CheckGradients
选项,如中所述检验梯度或雅可比矩阵的有效性.
如果您有Symbolic Math Toolbox™许可证,您可以通过编程的方式计算梯度和hessian。示例请参见使用符号数学工具箱计算梯度和黑森斯.
有关使用梯度和雅可比矩阵的例子,请参见用梯度和黑森极小化,带有梯度的非线性约束,使用符号数学工具箱计算梯度和黑森斯,求解不含雅可比矩阵的非线性方程组,具有雅可比矩阵的大型稀疏非线性方程组.有关基于问题的方法中的自动区分,请参见自动区分在基于问题优化中的作用.
7.提供黑森
当您提供Hessian时,求解器通常运行得更可靠,迭代次数更少。
以下求解器和算法接受hessian:
fmincon
内点
.把Hessian写为一个单独的函数。示例请参见fmincon内点算法与解析Hessian.fmincon
trust-region-reflective
.给出Hessian作为目标函数的第三个输出。示例请参见密集结构Hessian线性方程的极小化.fminunc
信赖域
.给出Hessian作为目标函数的第三个输出。示例请参见用梯度和黑森极小化.
如果您有“符号数学工具箱”许可,则可以以编程的方式计算梯度和黑森函数。示例请参见使用符号数学工具箱计算梯度和黑森斯.要在基于问题的方法中提供Hessian,请参见基于问题的工作流中的供应派生.
收敛到一个不可行的点
通常,得到这个结果是因为求解器无法找到满足所有约束的点ConstraintTolerance
宽容。然而,求解器可能已经定位或开始于一个可行点,并收敛到一个不可行的点。如果解算器失去了可行性,请参见求解器丢失可行性.如果quadprog
返回此结果,请参见quadprog收敛到一个不可行的点
若要在求解器找不到可行点时继续,请尝试以下一个或多个方法。
1.检查线性约束 |
2.检查非线性约束 |
1.检查线性约束
试着通过求解线性规划问题找到一个满足边界和线性约束的点。
定义一个目标函数总是为零的线性规划问题:
F = 0 (size(x0));%假设x0是起始点
解决线性规划问题,看看是否有一个可行点:
xnew = linprog(f,A,b,Aeq,beq,lb,ub);
如果有一个可行的点
xnew
,使用xnew
作为初始点,重新运行你原来的问题。如果没有可行点,说明你的问题没有很好地表述。检查边界和线性约束的定义。有关检查线性约束的详细信息,请参见研究线性不可行性.
2.检查非线性约束
在确保边界和线性约束是可行的(包含一个满足所有约束的点)之后,检查非线性约束。
将目标函数设为零:
@ (x) 0
在所有约束条件下运行优化,目标为零。如果你找到一个可行点
xnew
,设置X0 = xnew
然后重新运行原来的问题。如果使用零目标函数找不到可行点,可以使用带有多个初始点的零目标函数。
如果你找到一个可行点
xnew
,设置X0 = xnew
然后重新运行原来的问题。如果你找不到一个可行的点,试着用
fmincon
与EnableFeasibilityMode
选项设置为真正的
和SubproblemAlgorithm
选项设置为“重心”
,如通过可行性模式获取解决方案.对这些选项尝试几个初始点。如果您仍然没有找到一个可行的点,试着放松约束,接下来讨论。
试着放松你的非线性不等式约束,然后收紧它们。
改变非线性约束函数
c
返回c -
Δ,其中Δ是一个正数。此更改使您的非线性约束更容易满足。为新的约束函数寻找一个可行点,可以使用原始目标函数,也可以使用零目标函数。
如果你找到一个可行点,
减少Δ
从先前找到的点开始,为新的约束函数寻找一个可行的点。
如果您没有找到一个可行的点,尝试增加Δ并再次查看。
如果您没有找到可行点,那么您的问题可能是真正不可行的,这意味着不存在解决方案。再次检查所有约束定义。
求解器丢失可行性
如果解算器从一个可行点开始,但收敛到一个不可行的点,请尝试以下技术。
尝试不同的算法。的
fmincon
“sqp”
而且“内点”
算法通常是最健壮的,所以首先尝试一种或两种算法。收紧界限。给予最高的
磅
和最低乌兰巴托
可以的向量。这可以帮助求解器保持可行性。的fmincon
“sqp”
而且“内点”
算法在每次迭代时都遵守边界,因此严格的边界有助于整个优化过程。
quadprog
收敛到一个不可行的点
通常,你得到这个消息是因为线性约束是不一致的,或者是接近奇异的。为了检验一个可行点是否存在,创建一个具有相同约束且目标函数向量为零的线性规划问题f
.使用linprog
对偶单纯形的
算法:
选项= optimoptions(“linprog”,“算法”,对偶单纯形的);x = linprog(f,A,b,Aeq,beq,lb,ub,options)
如果linprog
找不到可行点,那么你的问题就真的是不可行的。
如果linprog
找到一个可行的点,然后尝试不同的点quadprog
算法。或者,改变一些公差,如StepTolerance
或ConstraintTolerance
然后再解决问题。
问题的
求解器到达一个目标函数小于目标极限公差的点。
fsolve不能解方程
fsolve
可能因为各种原因解不出一个方程。下面是一些如何进行的建议:
试一试改变起始点.
fsolve
依赖于一个初始点。通过给它不同的初始点,你增加了成功的机会。检查方程的定义,以确保它是平滑的。
fsolve
对于具有不连续梯度的方程,例如绝对值,可能无法收敛。fsolve
对于不连续的函数不能收敛。检查方程是否为“正方形”,这意味着输入和输出的维度相等(具有与方程值相同的未知数数量)。
特别是改变公差
OptimalityTolerance
而且StepTolerance
.如果您试图通过将公差设置为非常小的值来获得较高的精度,fsolve
能不能收敛。如果你设置的公差太高,fsolve
不能准确地解出方程。检查问题定义。有些问题没有真正的解决办法,比如
X ^2 + 1 = 0
.如果您可以接受一个复杂的解决方案,尝试将初始点设置为一个复杂的值。fsolve
当初始点是实数时,不尝试寻找复解。