当前位置： 首页 > news >正文

应用最优化方法及MATLAB实现——第3章代码实现

news 文章来源：https://blog.csdn.net/GFCLJY/article/details/140361993 2025/5/5 9:33:06

一、概述

        在阅读最优方法及MATLAB实现后，想着将书中提供的代码自己手敲一遍，来提高自己对书中内容理解程度，巩固一下。

        这部分内容主要针对第3章的内容，将其所有代码实现均手敲一遍，中间部分代码自己根据其公式有些许的调整，但最后运算结果与书中所给结果一致。

        修改的部分我会在下面进行单独说明并标注上我这样做的原因。

二、具体代码

（一）计算函数文件

        因为书中所给出的示例代码，所使用的函数都是一样的。所以将其单独罗列出来。

        其中，f_test1.m如下所示。

function y = f_test1(x)
% 该函数的主要作用是编写函数，用于计算函数输出值
% x为函数输入值
% y为函数输出值y = 2 * x ^2 - x - 1;
end

        f_test2.m如下所示。

function y = f_test2(x)
% 该函数的主要作用是编写函数，用于计算函数输出值
% x为函数输入值
% y为函数输出值x1 = x(1);x2 = x(2);y = x1 ^2 + x2 ^2 - 1;
end

        f_test3.m如下所示。

function y = f_test3(x)
% 该函数的主要作用是编写函数，用于计算函数输出值
% x为函数输入值
% y为函数输出值if(x <= 2)y = -x + 3;elsey = x / 2;end
end

        这些文件每个方法使用的都是一样的。

（二）对分搜索法

        1.对分搜索法函数文件

        这个文件主要参照书中的，没有改动。

function [alpha_star, x_next, f_next, k] = Dichotomous_search(f_test, x_current, d_current, alpha_lower, alpha_upper, tolerance)
% 该函数针对对分搜索法的实现
% 输入参数说明
% f_test, 目标函数
% x_current, x在向量空间中的当前点（已确定）
% d_current, f_test在向量空间中的搜索方向（已确定）
% alpha_lower, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始下届
% alpha_upper, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始上届
% tolerance, 最终区间的要求宽度，精度不能小于扰动量% 输出参数说明
% alpha_star, 完成对分搜索后输出的步长
% x_next, x_next = x_current + alpha_star * d_current;局部最优点
% f_next, 局部最优点对应的函数值
% k,迭代次数disturbance_quantity = 0;if(tolerance >= 1e-8)disturbance_quantity = 1e-9;elsedisturbance_quantity = 0.1 * tolerance;end% 初始值k = 0;alpha_lower_k = alpha_lower;alpha_upper_k = alpha_upper;alpha_left_k = (1/2)*(alpha_lower_k + alpha_upper_k) - disturbance_quantity;alpha_right_k = (1/2)*(alpha_lower_k + alpha_upper_k) + disturbance_quantity;x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);% 进入循环while(abs(alpha_upper_k - alpha_lower_k) > tolerance)if(f_alpha_right_k > f_alpha_left_k)alpha_upper_k = alpha_right_k;elseif(f_alpha_right_k < f_alpha_left_k)alpha_lower_k = alpha_left_k;elsealpha_upper_k = alpha_right_k;alpha_lower_k = alpha_left_k;endalpha_left_k = (1/2)*(alpha_lower_k + alpha_upper_k) - disturbance_quantity;alpha_right_k = (1/2)*(alpha_lower_k + alpha_upper_k) + disturbance_quantity;x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);k = k + 1;endalpha_star = (alpha_right_k + alpha_left_k) / 2;x_next = x_current + alpha_star * d_current;f_next = f_test(x_next);
end

        2.对应的主运行文件

        放开相应的注释即可。

% 这个文件作为第3章的主文件% 清空所有
close;
clear;
clc;% 对分搜索法实现
% 第一个示例
% x_current = -0.5;
% d_current = 1;
% alpha_lower = 0;
% alpha_upper = 1;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Dichotomous_search(@f_test1, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 第二个示例
% x_current = [2, 2];
% d_current = [-1, -1];
% alpha_lower = 0;
% alpha_upper = 2;
% tolerance = 1e-6;
% [alpha_star, x_next, f_next, k] = Dichotomous_search(@f_test2, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 第三个示例
x_current = 3;
d_current = -1;
alpha_lower = 0;
alpha_upper = 2;
tolerance = 1e-4;
[alpha_star, x_next, f_next, k] = Dichotomous_search(@f_test3, x_current, d_current, alpha_lower, alpha_upper, tolerance);

（三）三点等间隔搜索法

        1.三点等间隔搜索法

function [alpha_star, x_next, f_next, k] = Trisection_search(f_test, x_current, d_current, alpha_lower, alpha_upper, tolerance)
% 该函数针对三点等间隔的实现
% 输入参数说明
% f_test, 目标函数
% x_current, x在向量空间中的当前点（已确定）
% d_current, f_test在向量空间中的搜索方向（已确定）
% alpha_lower, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始下届
% alpha_upper, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始上届
% tolerance, 最终区间的要求宽度，精度不能小于扰动量% 输出参数说明
% alpha_star, 完成对分搜索后输出的步长
% x_next, x_next = x_current + alpha_star * d_current;局部最优点
% f_next, 局部最优点对应的函数值
% k,迭代次数% 初始化
k = 0;
% 这两个是每次迭代过程中的上下界
alpha_lower_k = alpha_lower;
alpha_upper_k = alpha_upper;alpha_left_k = alpha_lower_k + (1/4) * (alpha_upper_k - alpha_lower_k);
alpha_middle_k = alpha_lower_k + (1/2) * (alpha_upper_k - alpha_lower_k);
alpha_right_k = alpha_lower_k + (3/4) * (alpha_upper_k - alpha_lower_k);x_alpha_left_k = x_current + alpha_left_k * d_current;
x_alpha_middle_k = x_current + alpha_middle_k * d_current;
x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);
f_alpha_middle_k = f_test(x_alpha_middle_k);
f_alpha_right_k = f_test(x_alpha_right_k);% 这部分代码书写是一种计算方法，不太精准，部分信息没有使用到
% while abs(alpha_upper_k -alpha_lower_k) > tolerance
%     if (f_alpha_left_k < f_alpha_middle_k) && (f_alpha_left_k < f_alpha_right_k)
%         % alpha_lower_k = alpha_lower;
%         alpha_upper_k = alpha_middle_k;
%     elseif (f_alpha_middle_k < f_alpha_left_k) && (f_alpha_middle_k < f_alpha_right_k)
%         alpha_lower_k = alpha_left_k;
%         alpha_upper_k = alpha_right_k;
%     else 
%         alpha_lower_k = alpha_middle_k;
%         % alpha_upper_k = alpha_upper
%     end
% k = k + 1;
% alpha_left_k = alpha_lower_k + (1/4) * (alpha_upper_k - alpha_lower_k);
% alpha_middle_k = alpha_lower_k + (1/2) * (alpha_upper_k - alpha_lower_k);
% alpha_right_k = alpha_lower_k + (3/4) * (alpha_upper_k - alpha_lower_k);
% 
% x_alpha_left_k = x_current + alpha_left_k * d_current;
% x_alpha_middle_k = x_current + alpha_middle_k * d_current;
% x_alpha_right_k = x_current + alpha_right_k * d_current;
% 
% f_alpha_left_k = f_test(x_alpha_left_k);
% f_alpha_middle_k = f_test(x_alpha_middle_k);
% f_alpha_right_k = f_test(x_alpha_right_k);
% end% 第二种方法，可以重复利用三点等间隔搜索法的信息
while abs(alpha_upper_k -alpha_lower_k) > toleranceif (f_alpha_left_k < f_alpha_middle_k) && (f_alpha_left_k < f_alpha_right_k)% alpha_lower_k = alpha_lower;alpha_upper_k = alpha_middle_k;alpha_left_k = alpha_lower_k + (1/4) * (alpha_upper_k - alpha_lower_k);alpha_middle_k = alpha_left_k;alpha_right_k = alpha_lower_k + (3/4) * (alpha_upper_k - alpha_lower_k);x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_middle_k = x_current + alpha_middle_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_middle_k = f_alpha_left_k;f_alpha_right_k = f_test(x_alpha_right_k);elseif (f_alpha_middle_k < f_alpha_left_k) && (f_alpha_middle_k < f_alpha_right_k)alpha_lower_k = alpha_left_k;alpha_upper_k = alpha_right_k;alpha_left_k = alpha_lower_k + (1/4) * (alpha_upper_k - alpha_lower_k);% alpha_middle_k = alpha_left_k;alpha_right_k = alpha_lower_k + (3/4) * (alpha_upper_k - alpha_lower_k);x_alpha_left_k = x_current + alpha_left_k * d_current;% x_alpha_middle_k = x_current + alpha_middle_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);% f_alpha_middle_k = f_alpha_left_k;f_alpha_right_k = f_test(x_alpha_right_k);else alpha_lower_k = alpha_middle_k;% alpha_upper_k = alpha_upperalpha_left_k = alpha_lower_k + (1/4) * (alpha_upper_k - alpha_lower_k);alpha_middle_k = alpha_right_k;alpha_right_k = alpha_lower_k + (3/4) * (alpha_upper_k - alpha_lower_k);x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_middle_k = x_current + alpha_middle_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_middle_k = f_alpha_right_k;f_alpha_right_k = f_test(x_alpha_right_k);end
k = k + 1;
endalpha_star = (alpha_left_k + alpha_right_k) / 2;
x_next = x_current + alpha_star * d_current;
f_next = f_test(x_next);
end

        2.主函数运行文件

        放开相应注释即可。

% 这个是三点等间隔搜索法的主程序% 清空变量
close;
clear;
clc;% 示例一
% x_current = -0.5;
% d_current = 1;
% alpha_lower = 0;
% alpha_upper = 1;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Trisection_search(@f_test1, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例二
% x_current = [2, 2];
% d_current = [-1, -1];
% alpha_lower = 0;
% alpha_upper = 2;
% tolerance = 1e-6;
% [alpha_star, x_next, f_next, k] = Trisection_search(@f_test2, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例三
x_current = 3;
d_current = -1;
alpha_lower = 0;
alpha_upper = 2;
tolerance = 1e-4;
[alpha_star, x_next, f_next, k] = Trisection_search(@f_test3, x_current, d_current, alpha_lower, alpha_upper, tolerance);

        3.一些说明

        在三点搜索法的实现过程中，目前放开注释的是比较符合书中思路的，在前面有一部分注释掉的实现方式，如图所示。

        使用这一部分代码时候，也是可以运行成功的，但是计算效率不高，因为三点搜索法的一些条件没有利用到，重新计算函数值这些会浪费一定时间，但是代码简单，比较好理解，也好书写。

（四） Fibonacci搜索法

        1.Fibonacci搜索法函数文件

function [alpha_star, x_next, f_next, k] = Fibonacci_search(f_test, x_current, d_current, alpha_lower, alpha_upper, tolerance)
% 该函数针对Fibonacci搜索法的实现
% 输入参数说明
% f_test, 目标函数
% x_current, x在向量空间中的当前点（已确定）
% d_current, f_test在向量空间中的搜索方向（已确定）
% alpha_lower, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始下届
% alpha_upper, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始上届
% tolerance, 最终区间的要求宽度，精度不能小于扰动量% 输出参数说明
% alpha_star, 完成对分搜索后输出的步长
% x_next, x_next = x_current + alpha_star * d_current;局部最优点
% f_next, 局部最优点对应的函数值
% k,迭代次数% 计算斐波那契数列数列需要多少个
Fibonacci_series_upper = (alpha_upper - alpha_lower) / tolerance;
% 这里不需要第1个，实际上是从第二个开始
Fibonacci_series = [1, 2];
n = 2;
while (Fibonacci_series(n) <= Fibonacci_series_upper)n = n + 1;Fibonacci_series(n) = Fibonacci_series(n-1) + Fibonacci_series(n-2);
end% 使用斐波那契数列进行搜索，注意到第n-2位置
k = 0;
alpha_lower_k = alpha_lower;
alpha_upper_k = alpha_upper;
Length_k = (Fibonacci_series(n - 1) / Fibonacci_series(n)) * (alpha_upper_k - alpha_lower_k);
alpha_left_k = alpha_upper_k - Length_k;
alpha_right_k = alpha_lower_k + Length_k;
x_alpha_left_k = x_current + alpha_left_k * d_current;
x_alpha_right_k = x_current + alpha_right_k * d_current;
f_alpha_left_k = f_test(x_alpha_left_k);
f_alpha_right_k = f_test(x_alpha_right_k);
while k < n - 2k = k + 1;if(f_alpha_left_k < f_alpha_right_k)% alpha_lower_k = alpha_lower;alpha_upper_k = alpha_right_k;Length_k = (Fibonacci_series(n - k - 1) / Fibonacci_series(n - k)) * (alpha_upper_k - alpha_lower_k);alpha_right_k = alpha_left_k;alpha_left_k = alpha_upper_k - Length_k;% alpha_right_k = alpha_lower_k + Length_k;  x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);elsealpha_lower_k = alpha_left_k;% alpha_upper_k = alpha_right_k;Length_k = (Fibonacci_series(n - k - 1) / Fibonacci_series(n - k)) * (alpha_upper_k - alpha_lower_k);alpha_left_k = alpha_right_k;% alpha_left_k = alpha_upper_k - Length_k;alpha_right_k = alpha_lower_k + Length_k;  x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);end
endk = k + 1;
disturbance_quantity = 0.1 * tolerance;
alpha_left_k = (1/2)*(alpha_lower_k + alpha_upper_k) - disturbance_quantity;
alpha_right_k = (1/2)*(alpha_lower_k + alpha_upper_k) + disturbance_quantity;
x_alpha_left_k = x_current + alpha_left_k * d_current;
x_alpha_right_k = x_current + alpha_right_k * d_current;
f_alpha_left_k = f_test(x_alpha_left_k);
f_alpha_right_k = f_test(x_alpha_right_k);if (f_alpha_left_k < f_alpha_right_k)alpha_upper_k = alpha_right_k;
elseif (f_alpha_left_k > f_alpha_right_k)alpha_lower_k = alpha_left_k;
elsealpha_upper_k = alpha_right_k;alpha_lower_k = alpha_left_k;
endalpha_star = (alpha_lower_k + alpha_upper_k) / 2;
x_next = x_current + alpha_star * d_current;
f_next = f_test(x_next);
end

        2.主函数运行文件

        放开相应注释即可。

% 这个文件主要用来进行斐波那契搜索法的运行close;
clear;
clc;% 示例一
% x_current = -0.5;
% d_current = 1;
% alpha_lower = 0;
% alpha_upper = 1;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Fibonacci_search(@f_test1, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例二
x_current = [2, 2];
d_current = [-1, -1];
alpha_lower = 0;
alpha_upper = 2;
tolerance = 1e-6;
[alpha_star, x_next, f_next, k] = Fibonacci_search(@f_test2, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例三
% x_current = 3;
% d_current = -1;
% alpha_lower = 0;
% alpha_upper = 2;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Fibonacci_search(@f_test3, x_current, d_current, alpha_lower, alpha_upper, tolerance);

（五）黄金分割法

         1.黄金分割法函数文件

function [alpha_star, x_next, f_next, k] = Golden_section_search(f_test, x_current, d_current, alpha_lower, alpha_upper, tolerance)
% 该函数针对黄金分割法的实现
% 输入参数说明
% f_test, 目标函数
% x_current, x在向量空间中的当前点（已确定）
% d_current, f_test在向量空间中的搜索方向（已确定）
% alpha_lower, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始下届
% alpha_upper, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始上届
% tolerance, 最终区间的要求宽度，精度不能小于扰动量% 输出参数说明
% alpha_star, 完成对分搜索后输出的步长
% x_next, x_next = x_current + alpha_star * d_current;局部最优点
% f_next, 局部最优点对应的函数值
% k,迭代次数% 黄金分割点
golden_ratio = 1 / (0.5 * (1 + sqrt(5)));% 使用斐波那契数列进行搜索，注意到第n-2位置
k = 0;
alpha_lower_k = alpha_lower;
alpha_upper_k = alpha_upper;
Length_k = golden_ratio * (alpha_upper_k - alpha_lower_k);
alpha_left_k = alpha_upper_k - Length_k;
alpha_right_k = alpha_lower_k + Length_k;
x_alpha_left_k = x_current + alpha_left_k * d_current;
x_alpha_right_k = x_current + alpha_right_k * d_current;
f_alpha_left_k = f_test(x_alpha_left_k);
f_alpha_right_k = f_test(x_alpha_right_k);
while abs(alpha_upper_k - alpha_lower_k) > tolerancek = k + 1;if(f_alpha_left_k < f_alpha_right_k)% alpha_lower_k = alpha_lower;alpha_upper_k = alpha_right_k;Length_k = golden_ratio * (alpha_upper_k - alpha_lower_k);alpha_right_k = alpha_left_k;alpha_left_k = alpha_upper_k - Length_k;% alpha_right_k = alpha_lower_k + Length_k;  x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);elsealpha_lower_k = alpha_left_k;% alpha_upper_k = alpha_right_k;Length_k = golden_ratio * (alpha_upper_k - alpha_lower_k);alpha_left_k = alpha_right_k;% alpha_left_k = alpha_upper_k - Length_k;alpha_right_k = alpha_lower_k + Length_k;  x_alpha_left_k = x_current + alpha_left_k * d_current;x_alpha_right_k = x_current + alpha_right_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);f_alpha_right_k = f_test(x_alpha_right_k);end
endalpha_star = (alpha_lower_k + alpha_upper_k) / 2;
x_next = x_current + alpha_star * d_current;
f_next = f_test(x_next);
end

        2.主函数运行文件

% 这个文件主要用来进行黄金分割法的运行close;
clear;
clc;% 示例一
% x_current = -0.5;
% d_current = 1;
% alpha_lower = 0;
% alpha_upper = 1;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Golden_section_search(@f_test1, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例二
x_current = [2, 2];
d_current = [-1, -1];
alpha_lower = 0;
alpha_upper = 2;
tolerance = 1e-6;
[alpha_star, x_next, f_next, k] = Golden_section_search(@f_test2, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例三
% x_current = 3;
% d_current = -1;
% alpha_lower = 0;
% alpha_upper = 2;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Golden_section_search(@f_test3, x_current, d_current, alpha_lower, alpha_upper, tolerance);

        3.一些说明

        这里我稍微更改了一下实现方式，主要是针对于更新后的边界。书中原有方法如下所示，由于黄金分割法跟Fibonacci搜索法基本原理相似，所以，我就采用跟Fibonacci搜索法相似的更新方法。

        更新方法如下所示。写的比较粗糙，但原理一致。

（六）三点二次插值法

        1.三点二次插值法

function [alpha_star, x_next, f_next, k] = Quadratic3points_search(f_test, x_current, d_current, alpha_lower, alpha_upper, tolerance)
% 该函数针对三点二次插值法的实现
% 输入参数说明
% f_test, 目标函数
% x_current, x在向量空间中的当前点（已确定）
% d_current, f_test在向量空间中的搜索方向（已确定）
% alpha_lower, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始下届
% alpha_upper, 从x_current出发，沿着d_current得到一个步长的单谷区间，该单谷区间的初始上届
% tolerance, 最终区间的要求宽度，精度不能小于扰动量% 输出参数说明
% alpha_star, 完成对分搜索后输出的步长
% x_next, x_next = x_current + alpha_star * d_current;局部最优点
% f_next, 局部最优点对应的函数值
% k,迭代次数% 初始值
k = 0;
alpha_lower_k = alpha_lower;
alpha_upper_k = alpha_upper;alpha_left_k = alpha_lower_k;
alpha_right_k = alpha_upper_k;
alpha_middle_k = (alpha_left_k + alpha_right_k) / 2;x_alpha_left_k = x_current + alpha_left_k * d_current;
x_alpha_right_k = x_current + alpha_right_k * d_current;
x_alpha_middle_k = x_current + alpha_middle_k * d_current;f_alpha_left_k = f_test(x_alpha_left_k);
f_alpha_right_k = f_test(x_alpha_right_k);
f_alpha_middle_k = f_test(x_alpha_middle_k);% 用来保证算法能够启动，因为需要|ak+1-ak|作为判断条件，但第一次无法
% 计算这个，通过100 * tolerance保证能够进入循环进行运算，之后再进行
% 更新
gap_k = 100 * tolerance;
alpha_interpolation_previous = -100;while gap_k > tolerancek = k + 1;a1 = (f_alpha_left_k - f_alpha_middle_k) * (alpha_middle_k - alpha_right_k) * (alpha_right_k - alpha_left_k);a2 = f_alpha_left_k * (alpha_middle_k - alpha_right_k) + f_alpha_middle_k * (alpha_right_k - alpha_left_k) + f_alpha_right_k * (alpha_left_k - alpha_middle_k);alpha_interpolation_k = (1/2) * ((alpha_left_k + alpha_middle_k) + (a1 / a2));x_alpha_interpolation_k = x_current + alpha_interpolation_k * d_current;f_alpha_interpolation_k = f_test(x_alpha_interpolation_k);alpha_interpolation_current = alpha_interpolation_k;alpha_middle_previous = alpha_middle_k;f_alpha_middle_previous = f_alpha_middle_k;if ((alpha_left_k < alpha_interpolation_k) && (alpha_interpolation_k < alpha_middle_k))if (f_alpha_interpolation_k <= f_alpha_middle_k)alpha_right_k = alpha_middle_k;f_alpha_right_k = f_alpha_middle_k;alpha_middle_k = alpha_interpolation_k;f_alpha_middle_k = f_alpha_interpolation_k;elsealpha_left_k = alpha_interpolation_k;f_alpha_left_k = f_alpha_interpolation_k;endendif ((alpha_middle_k < alpha_interpolation_k) && (alpha_interpolation_k < alpha_right_k))if (f_alpha_interpolation_k <= f_alpha_middle_k)alpha_left_k = alpha_middle_k;f_alpha_left_k = f_alpha_middle_k;alpha_middle_k = alpha_interpolation_k;f_alpha_middle_k = f_alpha_interpolation_k;elsealpha_right_k = alpha_interpolation_k;f_alpha_right_k = f_alpha_interpolation_k;endendgap_k = abs(alpha_interpolation_current - alpha_interpolation_previous);alpha_interpolation_previous = alpha_interpolation_current;
endf_alpha_interpolation_current = f_alpha_interpolation_k;
if (f_alpha_interpolation_current <= f_alpha_interpolation_k)alpha_star = alpha_interpolation_k;
elsealpha_star = alpha_middle_previous;
endx_next = x_current + alpha_star * d_current;
f_next = f_test(x_next);
end

        2.主函数运行文件

% 这个文件主要用来进行斐波那契搜索法的运行close;
clear;
clc;% 示例一
% x_current = -0.5;
% d_current = 1;
% alpha_lower = 0;
% alpha_upper = 1;
% tolerance = 1e-4;
% [alpha_star, x_next, f_next, k] = Quadratic3points_search(@f_test1, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例二
% x_current = [2, 2];
% d_current = [-1, -1];
% alpha_lower = 0;
% alpha_upper = 2;
% tolerance = 1e-6;
% [alpha_star, x_next, f_next, k] = Quadratic3points_search(@f_test2, x_current, d_current, alpha_lower, alpha_upper, tolerance);% 示例三
x_current = 3;
d_current = -1;
alpha_lower = 0;
alpha_upper = 2;
tolerance = 1e-4;
[alpha_star, x_next, f_next, k] = Quadratic3points_search(@f_test3, x_current, d_current, alpha_lower, alpha_upper, tolerance);

        3.一些说明

        如果按照文中代码，如图所示红色部分圈出来的。在针对第一个和第二个示例的时，运行结果跟书中一致，跟前面几种方法是相同的。

        但如果运行第三个示例的话，按照书中这种方法，则不会运行处正确结果。原因是因为这样计算出来的gap_k永远为0，程序只会迭代一次就结束。

        更改完成的代码如上面所示，主要是提前将alpha_interpolation_previous进行初始化，这个值我设置为了-100，可以设置不可能达到的数字，这样能够保证每次运行都可以成功。其次，我将alpha_interpolation_previous的更新放在循环的最后，这样解决了上述问题。

相关文章：

应用最优化方法及MATLAB实现——第3章代码实现

一、概述 在阅读最优方法及MATLAB实现后&#xff0c;想着将书中提供的代码自己手敲一遍&#xff0c;来提高自己对书中内容理解程度&#xff0c;巩固一下。 这部分内容主要针对第3章的内容&#xff0c;将其所有代码实现均手敲一遍&#xff0c;中间部分代码自己根据其公式有些许的…...

编程日记 2024/7/12 5:34:03

django的增删改查，排序，分组等常用的ORM操作

Django 的 ORM&#xff08;对象关系映射&#xff09;提供了一种方便的方式来与数据库进行交互。 1. Django模型 在 myapp/models.py 中定义一个示例模型&#xff1a;python from django.db import modelsclass Person(models.Model):name models.CharField(max_length100)age…...

编程日记 2024/7/12 5:33:02

Leetcode Java学习记录——树、二叉树、二叉搜索树

文章目录 树的定义树的遍历中序遍历代码 二叉搜索树 常见二维数据结构&#xff1a;树/图 树和图的区别就在于有没有环。 树的定义 public class TreeNode{public int val;public TreeNode left,right;public TreeNode(int val){this.val val;this.left null;this.right nu…...

编程日记 2024/7/12 5:32:01

华为HCIP Datacom H12-821 卷30

1.单选题 以下关于OSPF协议报文说法错误的是? A、OSPF报文采用UDP报文封装并且端口号是89 B、OSPF所有报文的头部格式相同 C、OSPF协议使用五种报文完成路由信息的传递 D、OSPF所有报文头部都携带了Router-ID字段 正确答案：A 解析： OSPF用IP报文直接封装协议报文，…...

编程日记 2024/7/12 5:31:00

element el-table实现表格动态增加/删除/编辑表格行，带校验规则

本篇文章记录el-table增加一行可编辑的数据列&#xff0c;进行增删改。 1.增加空白行 直接在页面mounted时对form里面的table列表增加一行数据&#xff0c;直接使用push() 方法增加一列数据这个时候也可以设置一些默认值。比如案例里面的 产品件数 。 mounted() {this.$nextTi…...

编程日记 2024/7/12 5:29:59

QT调节屏幕亮度

1、目标 利用QT实现调节屏幕亮度功能&#xff1a;在无屏幕无触控时&#xff0c;将屏幕亮度调低&#xff0c;若有触控则调到最亮。 2、调节亮度命令 目标装置使用嵌入式Linux系统&#xff0c;调节屏幕亮度的指令为&#xff1a; echo x > /sys/class/backlight/backlight/…...

编程日记 2024/7/12 5:26:56

实变函数精解【3】

文章目录 点集求导集 闭集参考文献 点集 求导集 例1 E { 1 / n 1 / m : n , m ∈ N } 1. lim ⁡ n → ∞ ( 1 / n 1 / m ) 1 / m 2. lim ⁡ n , m → ∞ ( 1 / n 1 / m ) 0 3. E ′ { 0 , 1 , 1 / 2 , 1 / 3 , . . . . } E\{1/n1/m:n,m \in N\} \\1.\lim_{n \rightar…...

编程日记 2024/7/12 5:25:55

JVM：SpringBoot TomcatEmbeddedWebappClassLoader

文章目录 一、介绍二、SpringBoot中TomcatEmbeddedWebappClassLoader与LaunchedURLClassLoader的关系 一、介绍 TomcatEmbeddedWebappClassLoader 是 Spring Boot 在其内嵌 Tomcat 容器中使用的一个类加载器&#xff08;ClassLoader&#xff09;。在 Spring Boot 应用中&#…...

编程日记 2024/7/12 5:24:54

蜂窝互联网接入：连接世界的无缝体验

通过Wi—Fi&#xff0c;人们可以方便地接入互联网&#xff0c;但无线局域网的覆盖范围通常只有10&#xff5e;100m。当我们携带笔记本电脑在外面四处移动时&#xff0c;并不是在所有地方都能找到可接入互联网的Wi—Fi热点&#xff0c;这时候蜂窝移动通信系统可以为我们提供广域…...

编程日记 2024/7/12 5:23:53

Sprint Boot 2 核心功能（一）

核心功能 1、配置文件 application.properties 同基础入门篇的application.properties用法一样 Spring Boot 2 入门基础 application.yaml&#xff08;或application.yml&#xff09; 基本语法 key: value&#xff1b;kv之间有空格大小写敏感使用缩进表示层级关系缩进不允…...

编程日记 2024/7/12 5:22:52

GitLab CI/CD实现项目自动化部署

1 GitLab CI/CD介绍 GitLab CI/CD 是 GitLab 中集成的一套用于软件开发的持续集成&#xff08;Continuous Integration&#xff09;、持续交付&#xff08;Continuous Delivery&#xff09;和持续部署&#xff08;Continuous Deployment&#xff09;工具。这套系统允许开发团队…...

编程日记 2024/7/12 5:21:51

阿里云调整全球布局关停澳洲云服务器，澳洲服务器市场如何选择稳定可靠的云服务？

近日&#xff0c;阿里云宣布将关停澳大利亚地域的数据中心服务&#xff0c;这一决定引发了全球云计算行业的广泛关注。作为阿里云的重要海外市场之一&#xff0c;澳洲的数据中心下架对于当地的企业和个人用户来说无疑是一个不小的挑战。那么&#xff0c;在阿里云调整全球布局的…...

编程日记 2024/7/12 5:18:49

排序（二）——快速排序（QuickSort)

欢迎来到繁星的CSDN&#xff0c;本期内容包括快速排序(QuickSort)的递归版本和非递归版本以及优化。 一、快速排序的来历 快速排序又称Hoare排序&#xff0c;由霍尔 (Sir Charles Antony Richard Hoare) &#xff0c;一位英国计算机科学家发明。霍尔本人是在发现冒泡排序不够快…...

编程日记 2024/7/12 5:17:48

＜数据集＞穿越火线cf人物识别数据集＜目标检测＞

数据集格式&#xff1a;VOCYOLO格式 图片数量&#xff1a;3440张 标注数量(xml文件个数)&#xff1a;3440 标注数量(txt文件个数)&#xff1a;3440 标注类别数&#xff1a;1 标注类别名称&#xff1a;[person] 使用标注工具&#xff1a;labelImg 标注规则&#xff1a;对…...

编程日记 2024/7/12 5:16:47

a+=1和a=a+1的区别

文章目录 a1 和a a1的区别一、实例代码二、代码解释三、总结 a1 和a a1的区别 一、实例代码 public class Test {public static void main(String[] args) {byte a 10; // a a 1; // a (byte) (a 1);a 1;System.out.println(a);} }上面的对变量a进行加一操作时&a…...

编程日记 2024/7/12 5:13:43

设计模式使用场景实现示例及优缺点（结构型模式——桥接模式）

结构型模式 桥接模式&#xff08;Bridge Pattern&#xff09; 桥接模式&#xff08;Bridge Pattern&#xff09;是一种结构型设计模式&#xff0c;其主要目的是“将抽象与实现解耦&#xff0c;使得两者可以独立地变化”。这种模式通过提供抽象化和实现化之间的桥接结构&#…...

编程日记 2024/7/12 5:12:42

Spring——自动装配Bean

自动装配是Spring满足bean依赖的一种方式 Spring会在上下文中自动寻找&#xff0c;并自动给bean装配属性 在Spring中有三种装配的方式&#xff1a; 1. 在xml中显示配置 2. 在java中显示配置 3. 隐式的自动装配bean【重要】 测试 记得创建Cat、Dog、People类 public clas…...

编程日记 2024/7/12 5:11:41

云端典藏：iCloud中个人收藏品目录的智能存储方案

云端典藏&#xff1a;iCloud中个人收藏品目录的智能存储方案 在数字化生活不断推进的今天&#xff0c;个人收藏品的管理也趋向于电子化和云端化。iCloud作为苹果公司提供的云服务&#xff0c;为个人收藏品目录的存储和管理提供了一个安全、便捷、跨设备的解决方案。本文将详细…...

编程日记 2024/7/12 5:10:40

安全开发基础篇-数据溢出

上一节我们简单讲解了多语言的数据类型&#xff0c;我们只需要知道这个概念&#xff0c;并且在不同语言有不同的规矩就好。这节讲数据溢出&#xff0c;严格说应该是字符串溢出和整数溢出。 在软件开发中&#xff0c;字符串和整数溢出漏洞是常见的安全问题&#xff0c;它们可能…...

编程日记 2024/7/12 5:09:38

Scanner工具类

扫描控制台输入 1.nextLine nextLine() 方法会扫描输入流中的字符&#xff0c;直到遇到行末尾的换行符 \n&#xff0c;然后将该行的内容作为字符串返回&#xff0c;同时&#xff0c;nextLine() 会将 Scanner 对象的位置移动到下一行的开头&#xff0c;以便下一次读取数据时从下…...

编程日记 2024/7/12 5:08:37

springboot3 集成GraalVM

目录 安装GraalVM 配置环境变量 Pom.xml 配置 build包 测试 安装GraalVM Download GraalVM 版本和JDK需要自己选择 配置环境变量 Jave_home 和 path 设置setting.xml <profile><id>graalvm-ce-dev</id><repositories><repository><id&…...

编程日记 2024/7/12 5:07:36

HumanoidBench——模拟仿人机器人算法有未来

概述 论文地址&#xff1a;https://arxiv.org/pdf/2403.10506 仿人机器人具有类似人类的外形&#xff0c;有望在各种环境和任务中为人类提供支持。然而&#xff0c;昂贵且易碎的硬件是这项研究面临的挑战。因此&#xff0c;本研究开发了使用先进模拟技术的 HumanoidBench。该基…...

编程日记 2024/7/12 5:06:34

实现前端用户密码重置功能（有源码）

引言 密码重置功能是任何Web应用程序中至关重要的一部分。当用户忘记密码时&#xff0c;密码重置功能可以帮助他们安全地重设密码。本文将介绍如何使用HTML、CSS和JavaScript&#xff08;包括Vue.js&#xff09;来实现前端的密码重置功能。 1. 项目结构 首先&#xff0c;我们…...

编程日记 2024/7/12 5:05:33

《双流多依赖图神经网络实现精确的癌症生存分析》| 文献速递-基于深度学习的多模态数据分析与生存分析

Title 题目 Dual-stream multi-dependency graph neural network enables precise cancer survival analysis 《双流多依赖图神经网络实现精确的癌症生存分析》 01 文献速递介绍 癌症是全球主要的死亡原因&#xff0c;2020年约有1930万新发癌症病例和近1000万癌症相关死亡…...

编程日记 2024/7/12 5:04:32

【Hive SQL 每日一题】在线峰值人数计算

文章目录 测试数据需求说明需求实现 测试数据 -- 创建 user_activity 表 DROP TABLE IF EXISTS user_activity ; CREATE TABLE user_activity (user_id STRING,activity_start TIMESTAMP,activity_end TIMESTAMP );-- 插入数据 INSERT INTO user_activity VALUES (user1, 2024…...

编程日记 2024/7/12 5:02:30

谷粒商城学习笔记-18-快速开发-配置测试微服务基本CRUD功能

文章目录 一&#xff0c;product模块整合mybatis-plus1&#xff0c;引入依赖2&#xff0c;product启动类指定mapper所在包3&#xff0c;在配置文件配置数据库连接信息4&#xff0c;在配置文件中配置mapper.xml映射文件信息 二&#xff0c;单元测试1&#xff0c;编写测试代码&am…...

编程日记 2024/7/12 5:01:29

机器学习库实战：DL4J与Weka在Java中的应用

机器学习是当今技术领域的热门话题&#xff0c;而Java作为一门广泛使用的编程语言&#xff0c;也有许多强大的机器学习库可供选择。本文将深入探讨两个流行的Java机器学习库&#xff1a;Deeplearning4j&#xff08;DL4J&#xff09;和Weka&#xff0c;并通过详细的代码示例帮助…...

编程日记 2024/7/12 5:00:28

MongoDB教程（一）：Linux系统安装mongoDB详细教程

&#x1f49d;&#x1f49d;&#x1f49d;首先&#xff0c;欢迎各位来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里不仅可以有所收获&#xff0c;同时也能感受到一份轻松欢乐的氛围&#xff0c;祝你生活愉快&#xff01; 文章目录 引言一、Ubuntu…...

编程日记 2024/7/12 4:59:27

leetcode74. 搜索二维矩阵

给你一个满足下述两条属性的 m x n 整数矩阵&#xff1a; 每行中的整数从左到右按非严格递增顺序排列。每行的第一个整数大于前一行的最后一个整数。 给你一个整数 target &#xff0c;如果 target 在矩阵中&#xff0c;返回 true &#xff1b;否则&#xff0c;返回 false 。…...

编程日记 2024/7/12 4:58:26

Redis 布隆过滤器性能对比分析

redis 实现布隆过滤器实现方法&#xff1a; 1、redis 的 setbit 和 getbit 特点&#xff1a;对于某个bit 设置0或1&#xff0c;对于大量的值需要存储&#xff0c;非常节省空间&#xff0c;查询速度极快&#xff0c;但是不能查询整个key所有的bit&#xff0c;在一次请求有大量…...

编程日记 2024/7/12 4:56:24