在科学研究和工程实践中，优化问题无处不在。MATLAB 提供了一系列的无约束优化函数，可以帮助我们轻松找到函数的最优解。本文将详细介绍这些函数的用法，并通过实际案例解析，分享一些实用技巧。
1. 无约束优化函数概述
无约束优化问题指的是在没有任何约束条件下，寻找函数的最大值或最小值。MATLAB 中的无约束优化函数主要包括：
fminunc：无约束非线性最小化函数。fminsearch：无约束最小化函数，使用序列二次规划（SQP）方法。fminbound：有界无约束最小化函数。fmincon：有约束优化函数，虽然不是无约束，但在此处提及以供对比。
2. fminunc 函数详解
fminunc 是 MATLAB 中最常用的无约束优化函数之一。以下是其基本用法：
[x, fval] = fminunc(func, x0)
func：目标函数，返回函数的值。x0：初始猜测值。
案例解析
假设我们要最小化函数 f(x) = x^4 - 4x^3 + 6x^2，初始猜测值为 x0 = [1; 1]。
function y = myfunc(x)
y = x(1)^4 - 4*x(1)^3 + 6*x(1)^2 + x(2)^4 - 4*x(2)^3 + 6*x(2)^2;
end
[x, fval] = fminunc(@myfunc, [1; 1]);
disp(['最小值：', num2str(fval)]);
disp(['最优解：', mat2str(x)]);
实用技巧
- 在选择初始猜测值时，尽量使函数值远离极值点。
- 可以通过多次调用
fminunc并改变初始猜测值，找到全局最小值。 - 使用
options参数调整优化算法的参数。
3. 其他无约束优化函数
fminsearch：适用于简单问题，但可能不适用于复杂问题。fminbound：适用于有界无约束优化问题。fmincon：虽然不是无约束优化函数，但也可以用于无约束优化问题。
4. 总结
MATLAB 无约束优化函数为解决优化问题提供了强大的工具。通过了解这些函数的用法和实际案例解析，我们可以轻松找到函数的最优解。在实际应用中，根据问题的特点和需求选择合适的优化函数，并注意初始猜测值和参数调整，将有助于我们找到更好的解决方案。