LEZIONE ICO

Transcript

1 LEZIONE ICO Argomento: introduzione alla piattaforma Matlab. Risoluzione numerica di problemi di minimo liberi e vincolati. Lucia Marucci [email protected]

2 x/optim/optim.shtml

3 Definizione funzione obiettivo in Matlab Definizione della funzione obiettivo : creazione di una MATLAB function: Input Output Modi di scrivere la funzione obiettivo: 1. Creare una funzione anonima nella riga di comando 2. Scrivere un M-file 3. Utilizzo del comando Inline

4 1.Creare una funzione anonima nella riga di comando esempio >>f 2*x^2-3*x+4; >>f(3) ans = 13 >>f 2*x*y; >>f(2,2) ans = 8 Si utilizza quando la f è semplice o quando non si userà in una successiva sessione di MATLAB

5 2. Usando il comando inline Utilizzando il comando inline: Crea una funzione nella linea di comando: Sintassi: f = inline( expr, n ) con >f = inline('2*x^2-3*x+4','x'); >>f(3) ans = 13 >> f = inline('2*x*y', 'x', 'y'); >> f(2,2) ans = 8

6 3. Scrivere un M-file Bisogna aprire un file di Matlab editor function [out1, out2,...] = funname(in1,in2,...) esempio: nell editor square.m function f = square(x) f = x.^2; Nella command window si richiama la square per creare una funzione handle per square. Si può usare questo metodo quando la f(x) è complicata o se si intende riutilizzare la funzione. NOTA BENE attenzione ai path!

7 MINIMIZZAZIONE NON VINCOLATA: fminunc Scopo: trovare il minimo di una funzione multivariabile non vincolata: Sintassi: x è un vettore ed f(x) è una funzione che ritorna uno scalare

8 [x,fval,exitflag,output,grad,hessian] = fminunc(fun,x0,options) INPUT x 0 è punto iniziale di ricerca, scalare, vettore o matrice fun è la funzione obiettivo options: crea attraverso il comando optmiset parametri di ottimizzazione (numero di iterazioni, tolleranza dell algoritmo,ecc..) OUTPUT fval valore della funzione obiettivo nel punto di minimo Exitflag: descrive le condizioni di uscita Output: genera una struttura di uscita che riporta informazioni circa l operazione di ottimizzazione grad: ritorna il valore del gradiente di fun alla soluzione x hessian: ritorna il valore dell hessiano di fun alla soluzione x

9 Input >>x = fminunc (myfun,x0) x0=scelta iniziale; myfun è una Matlab function, ovvero: x = fminunc(@myfun,x0) function f = myfun(x) f =...

10 Input >>x = fminunc (myfun,x0,options) Options: Sintassi: options=optimset('param1',value1,'param2',value2,...)

11 Algoritmi utilizzati da fminunc Per default fminunc utilizza algoritmi : Quasi Newton method con BFGS, steepest discendent medium scale: se poniamo nell opzione LargeScale off nel comando optimset Trust region method, Newton method e gradiente coniugato large scale: se l opzione GradObj è on nel comando optimset

12

13

14 Output x: valore ottimo (soluzione del problema) fval: valore della funzione nel punto ottimo exitflag: descrive le condizioni di uscita:» se>0 la funzione converge ad una soluzione x» se=0 l algoritmo non è in grado di ottenere una soluzione nel numero di iterazioni stabilite» se <0 la funzione non converge alla soluzione x output: informazioni circa il processo di ottimizzazione» Iterations: numero di iterazione dell algoritmo» funccount : numero di valutazioni della funzione» Algorithm: algoritmo usato» Step-size» Firstorderopt: norma del gradiente nella soluzione

15

16 Esempio 1: Unconstrained Minimization Problema di minimizzazione della funzione: Passi da effettuare: Generare un M-file che ritorni il valore della funzione Invocare la routine di risoluzione fminunc

17 Step 1: scrittura dell M-file myfun.m Step 2: nella command window chiamo fminunc >>x0=[1 1]; >>[x,fval] = fminunc(@myfun,x0)

18 Quasi_Newton

19

20 Minimizziamo con un altro algoritmo: Modifichiamo l M-file:myfun.m fornendo gradiente Creazione di una struttura options

21 trust-region Newton

22 Limiti dell fminunc La funzione da minimizzare deve essere continua Potrebbe determinare soluzioni locali Ottimizzazione di funzioni di variabili reali: x deve essere una variabile reale

23 MINIMIZZAZIONE NON VINCOLATA fminsearch Trova il minimo di una funzione obiettivo multivariabile in assenza di vincoli SENZA CALCOLARE GRADIENTE ALGORITMO: Nelder-Mead simplex direct search Sintassi:

24 x= fminsearch (fun,x0), partendo da un punto di ricerca iniziale tenta di trovare il minimo di fun fun è una funzione descritta nella linea di comando, dal comando inline o da un M.file x= fminsearch (fun,x0,options), tenta la minimizzazione usando il parametro options. Usare optimset per stabilire le opzioni dell algoritmo

25 [x,fval]=fminsearch( ), riporta in fval il valore il valore della funzione obiettivo fun nel valore x [x,fval,exitflag]=fminsearch( ), riporta un valore exitflag che descrive le condizioni di uscita di fminsearch [x,fval,exitflag,output]=fminsearch( ), riporta in output le informazioni inerenti il processo di ottimizzazione. [x,fval,exitflag,output]=fminsearch( P1,P2 ), dove P1 Pn sono parametri della funzione obiettivo

26 Input arguments fun: funzione da minimizzare fun può essere: M.file: con myfun Matlab function Funzione anonima nella linea di comando Options: valgono le stesse considerazioni per fminunc.. ma i più usati sono:

27 Options

28 Output Arguments

29 Esempio 1 Minimizzazione della funzione di Rosenbrock: x0=[-1.2, 1] Presenta minimo (1,1) ed fval=0 -Scriviamo l M.file: function f= myfun(x) f= 100*(x(2)-x(1)^2)^2+(1-x(1))^2; -Passiamo dall M.file alla routine di ottimizzazione: [x,fval] = fminsearch (f, [-1.2, 1] ) OPPURE La definiamo nella command window

30

31 Esempio 2 Se la funzione obiettivo è parametrica: >>f= inline('100*(x(2)-x(1)^2)^2+(a-x(1))^2','x','a') >>a=2; >>options= optimset ('Display','iter','TolX',1e-8); >>[x,fval]= fminsearch (f,[1 2],options,a)

32 Vantaggi e limiti Vantaggi: se f(x) è discontinua, fminsearch è un comando robusto Svantaggi: è in genere meno efficiente di fminunc per problemi di ottimizzazione di ordine maggiore di 2 Ottimizzazione di funzioni di variabili reali: x deve essere una variabile reale

33 MINIMIZZAZIONE VINCOLATA fmincon dove x; b; beq; lb; ub sono vettori, A; Aeq sono matrici; c(x) e ceq(x) sono funzioni vettoriali (cioe ad ogni vettore x associano un vettore) e f e una funzione scalare (cioe ad ogni vettore x associa un numero reale). Le funzioni f(x), c(x) e ceq(x) possono essere non lineari.

34 sintassi input min F(x) vincoli: A*x <= b, Aeq*x= beq C(x) <= 0, Ceq(x) = 0 LB <= x<= UB x=fmincon(fun,x0,a,b) partendo da x0 cerca il minimo x della funzione fun sotto i vincoli lineari A*x <= b. x0 può essere uno scalare, un vettore o una matrice. x=fmincon(fun,x0,a,b,aeq,beq) vincoli lineari Aeq*x = beq e anche A*x <= b. (A=[ ] and B=[ ] se non ci sono disuguaglianze)

35 min F(x) vincoli: A*x <= b, Aeq*x= beq C(x) <= 0, Ceq(x) = 0 LB <= x<= UB x=fmincon(fun,x0,a,b,aeq,beq,lb,ub) Definisce un set di lower e upper per la variabile x, di modo che la soluzione sia trovata nel range LB <= x <= UB. Porre LB(i) = -Inf se x(i) é illimitata inferiormente; porre UB(i) = Inf se x(i) é illimitata superiormente. x = fmincon(fun,x0,a,b,aeq,beq,lb,ub,nonlcon,options) se ci sono anche dei vincoli non lineari definiti in nonlcon e delle opzioni specificate con optimset.

36 sintassi output [x,fval] = fmincon(...) ritorna il valore della funzione Obiettivo raggiunto [x,fval,exitflag] = fmincon(...) [x,fval,exitflag,output] = fmincon(...) [x,fval,exitflag,output,lambda] = fmincon(...) Ritorna una struttura lambda i cui campi contengono I moltiplicatori di Lagrange alla soluzione x [x,fval,exitflag,output,lambda,grad,hessian] =fmincon(...)

37 ALGORITMI -active-set (DEFAULT) -interior-point -trust-region-reflective SE SPECIFICATO MA BISOGNA DARE IL JACOBIANO

38 Esempio 1 Minimizzare f(x)=-x1x2x3 x0 = [10; 10; 10] Vincolo: 0 x1 + 2x2 + 2x Scrivo m file myfun_vin.m function f = myfun_vin(x) f = -x(1) * x(2) * x(3);

39 2. Riscrivo il vincolo riportandolo a due minorazioni x1 2x2 2x3 0 0 x1+ 2x2+ 2x3 72 x + 2x + 2x In questo modo posso formulare i due vincoli, entrambi lineari, come A*X <= b A=[ ; 1 2 2]; b=[0;72]; min F(x) vincoli: A*x <= b, Aeq*x= beq C(x) <= 0, Ceq(x) = 0 LB <= x<= UB

40 3. Chiamo routine fmincon dalla command window >> A=[ ;1 2 2]; >> b=[0;72]; >> x0 = [10; 10; 10]; % Starting guess at the solution >> [x,fval] = fmincon(@myfun_vin,x0,a,b)

41 Esempio 2 C=10; V=6; X0=[1 1 1]; Mfile nlcon.m per il vincolo non lineare function [C,Ceq]=nlcon(x) C=[ ]; Ceq=[x(1)*x(2)*x(3)-6]; min F(x) vincoli: A*x <= b, Aeq*x= beq C(x) <= 0, Ceq(x) = 0 LB <= x<= UB

42 >>[x,fval,exitflag,output,lambda,grad,hessian]= fmincon(inline('2*10*(x(1)*x(2)+x(1)*x(3)+x(2)*x(3)), x ),[ 1;1;1],[ ],[ ],[ ],[ ],[-Inf;-Inf;-Inf],[Inf;Inf;Inf],@nlcon)

43

44 Esempio 3

45 M-files: Command window

46 Risoluzione di sistemi di equazioni fsolve e fzero: fsolve : risoluzione di sistemi non lineari di equazioni: con x vettore e F(X) che ritorna un valore vettoriale (determinazione delle radici (zero) di un sistema non lineare di equazioni) Sintassi

47 Input Argument fun: sistema di equazioni non lineari da risolvere: accetta un vettore x e ritorna un vettore F, equazioni non lineari valutate in x. fun può essere richiamata da : M.file: funzione anonima: Jacobiano: in tal modo la funzione fun richiama in un secondo output il valore della matrice J in x.

48 Output Arguments exitflag: Caratteristiche dell algoritmo utilizzato

49 Output: Informazioni circa il processo di ottimizzazione Algoritmo Per default viene utilizzato Trust-region dogleg. Alternativamente, si puo scegliere Levenberg-Marquardt oppure Gauss-Newton.

50 Esempio 1 Sistema di equazioni in 2 incognite: x 0 =[-5, 5,-5] 5] Risolviamo in x: Scriviamo un M.file: Routine di ottimizzazione:

51 Esempio 2 Trovare una matrice X tale che: con x 0 =[1,1;1,1] (matrice) Scrittura dell M.file: Invochiamo la routine di ottimizzazione: x= fval= exitflag=1

52 Limiti Le funzioni del sistema devono essere continue Le variabili devono essere reali Fsolve potrebbe convergere ad un punto che non e uno stazionario; in tal caso converrebbe variare le condizioni iniziali.

53 fzero Soluzioni di una funzione continua di una variabile Sintassi: Descrizione: x=fzero(fun,xo), determina lo zero di fun vicino ad xo, se xo è uno scalare. fun è una funzione descritta da M.file o da una funzione anonima. Il valore x determinato da fzero è vicino al punto per cui la funzione fun cambia segno, o NaN se la ricerca non ammette risultato.

54 Input arguments fun: funzione da risolvere M.file richiamata nella routine dal con Attraverso una funzione anonima: Options: cambiando i valori attraverso il comando optimiset. Ovvero:

55 Options

56 Output arguments

57 Esempi Calcolare il valore di determinando lo zero della funzione seno vicino al punto 3 Trovare lo zero della funzione coseno nell intervallo [1 2]

58 Trovare lo zero della funzione: Scriviamo un M.file: Per calcolare lo zero vicino a 2 : Dal momento che questa è una funzione polinomiale, è possibile usare il comando roots ([ ]), che determina lo stesso zero reale e coppie di zero coniugate

59 Limiti Il comando è in grado di trovare un punto dove la funzione cambia segno. Se la funzione è continua, tale punto è anche un punto per cui la funzione si avvicina al suo zero Se la funzione non è continua, il comando trova punti di discontinuità invece cha la soluzione. Inoltre, la funzione determina lo zero come punto di intersezione di fun con l asse x. Punti per cui la funzione tocca l asse, ma non lo intercetta non sono considerati zero. Esempio la funzione x^2 è una parabola che tocca l asse x nello zero. Non attraversando l asse x, il punto non viene visto come soluzione.