无约束优化算法
这段 MATLAB 代码演示了对 Rosenbrock 函数进行无约束优化的经典算法（fminunc）和遗传算法（ga）的比较。以下是对代码的注释和解释：clear all
% 如果rosenbrock.m文件不存在，显示提示
if exist('rosenbrock.m') == 0
disp('没有为方程创建名为rosenbrock.m的函数文件，请建立它');
end
% 画出 Rosenbrock 函数的图像
= meshgrid(-1:0.05:1, -1:0.05:1);
z = 100 * (y - x.^2).^2 + (1 - x).^2;
surf(x, y, z)
% 经典算法 - 使用 fminunc 函数
= fminunc('rosenbrock', );
% x1 为解
% fval1 为目标函数在 x1 处的值
% exitflag1 > 0 表示函数已收敛到 x1 处
% output1 中的 Iterations 表示迭代次数
% output1 中的 Algorithm 表示采用的算法
% output1 中的 FuncCount 表示函数评价次数
% 遗传算法 - 使用 ga 函数
% 调整最大允许的代数为1万代，种群规模为200
options = gaoptimset('Generations', 10000, 'PopulationSize', 200);
% 设置两个变量，限制 0 <= x1, x2 <= 2
= ga(@rosenbrock, 2, , , [], [], [], [], [], options);
% exitflag2 > 0 表示求解成功
此代码中，Rosenbrock 函数的图像被绘制，并使用两种不同的优化算法进行最小化：
1.经典算法（fminunc）：使用 fminunc 函数进行优化，该函数是 MATLAB 中进行无约束优化的经典算法之一。
2.遗传算法（ga）：使用 ga 函数进行优化，该函数实现了遗传算法，用于寻找参数的最优解。
在遗传算法中，通过 gaoptimset 函数设置了一些参数，如最大允许的代数和种群规模。 @rosenbrock 表示优化的目标是 Rosenbrock 函数。最后，结果和统计信息被存储在不同的变量中，可以通过这些变量来获取优化结果和算法的性能信息。
实验结果如下：
页:
[1]