目录

第一章：一维搜索问题

黄金分割法

股票交易策略优化

总结：

第二章：线性规划

线性规划（Simplex 算法）

生产计划优化

总结：

第三章：无约束非线性优化问题

梯度下降法

神经网络训练

总结：

牛顿法

非线性系统求解

总结：

第四章：有约束非线性优化问题

拉格朗日乘数法

机械设计优化

总结：

第五章：二次规划

二次规划

投资组合优化

总结：

第六章：混合整数线性规划

混合整数线性规划（MILP）

工厂选址问题

总结：

第七章：多目标规划

多目标规划（权重法）

生产计划优化

总结：

第八章：极大最小化

极大最小化

供货中心选址问题

总结：

第九章：半无限问题

半无限优化

天线设计优化

总结：

第十章：最小二乘问题

线性最小二乘法

数据拟合

总结：

第十一章：非线性方程（组）的求解

牛顿法

非线性系统求解

总结：

割线法

非线性方程求解

总结：

总结

---

专栏：数学建模学习笔记

第一章：一维搜索问题

黄金分割法

应用类型： 函数优化问题

算法简介： 黄金分割法是一种用于一维搜索问题的优化算法，特别适用于无导数信息的目标函数。通过利用黄金分割比（φ ≈ 0.618），该算法逐步缩小搜索区间，以快速逼近极值点。黄金分割法在优化问题中具有高效性和稳健性，特别适用于目标函数光滑但无导数信息的情况。

优势：

效率高： 通过逐步缩小搜索区间，迅速逼近极值点。简单易用： 算法步骤简单，容易实现和理解。无需导数信息： 适用于目标函数不易求导或不可导的情况。

应用领域： 黄金分割法广泛应用于各种一维搜索优化问题，如经济学中的定价策略、金融学中的投资决策、工程中的设计参数优化等。

股票交易策略优化

已知数据： 假设某只股票在一个交易日中的价格变化函数如下：

其中，t是交易时间，以小时为单位。我们希望找到在交易日内（0到10小时）最佳的买入和卖出时机，以最大化利润。

<code>% 定义股票价格变化函数

price = @(t) -0.1*t.^3 + 2*t.^2 - 15*t + 50;

% 黄金分割法

function [xmin, fmin] = golden_section_search(f, a, b, tol)

phi = (sqrt(5) - 1) / 2; % 黄金分割比

c = b - phi * (b - a);

d = a + phi * (b - a);

while (b - a) > tol

if f(c) < f(d)

b = d;

else

a = c;

end

c = b - phi * (b - a);

d = a + phi * (b - a);

end

xmin = (a + b) / 2;

fmin = f(xmin);

end

% 定义搜索区间和容差

a = 0;

b = 10;

tol = 1e-5;

% 使用黄金分割法找到最佳买入和卖出时机

[xmin, fmin] = golden_section_search(price, a, b, tol);

fprintf('Optimal time to buy/sell: %.5f\n', xmin);

fprintf('Optimal price: %.5f\n', fmin);

代码解释：

定义目标函数：函数 <code>price 表示股票价格随时间的变化。黄金分割法实现：函数 golden_section_search 使用黄金分割比 φ 逐步缩小搜索区间，寻找极值点。搜索区间和容差：初始化搜索区间为 0 到 10 小时，设置容差为 1e-5。求解最优时机：调用 golden_section_search 函数，找到最佳的买入和卖出时机，并打印结果。

总结：

黄金分割法在无导数信息的情况下，通过逐步缩小搜索区间，能够高效地找到目标函数的极值点。在股票交易策略优化竞赛中，利用黄金分割法可以有效地确定最佳的买入和卖出时机，以最大化交易利润。

第二章：线性规划

线性规划（Simplex 算法）

应用类型： 资源分配、生产计划、投资组合优化

算法简介： 线性规划（Linear Programming，LP）是一类求解线性目标函数在一组线性约束条件下的优化问题的算法。Simplex 算法是最经典的线性规划求解算法之一。它通过逐步移动顶点来搜索可行区域，最终找到最优解。Simplex 算法以其高效性和鲁棒性，广泛应用于各种线性优化问题中。

优势：

效率高： Simplex 算法在大多数情况下能够高效求解线性规划问题。鲁棒性强： 适用于各种线性约束和目标函数。全局最优： 线性规划问题的全局最优解能够通过 Simplex 算法求得。

应用领域： 线性规划广泛应用于资源分配、生产计划、物流调度、金融投资组合优化等领域。

生产计划优化

已知数据： 某工厂生产两种产品 P1 和 P2，每种产品的利润分别为 40 美元和 30 美元。生产每种产品需要的资源如下表：

P1

2

1

P2

1

2

 工厂每天最多有 100 小时的资源1和 80 小时的资源2。目标是通过合理分配资源以最大化利润。

% 定义目标函数和约束

f = [-40; -30]; % 注意：由于 linprog 求解的是最小值，这里取负

A = [2, 1; 1, 2];

b = [100; 80];

lb = [0; 0];

ub = [];

% 求解线性规划问题

[x, fval] = linprog(f, A, b, [], [], lb, ub);

fprintf('Optimal production of P1: %.2f units\n', x(1));

fprintf('Optimal production of P2: %.2f units\n', x(2));

fprintf('Maximum profit: $%.2f\n', -fval);

代码解释：

定义目标函数：向量 <code>f 表示每种产品的单位利润，由于 linprog 求解的是最小化问题，所以取负。定义约束条件：矩阵 A 和向量 b 分别表示线性约束条件的系数矩阵和右端项，lb 和 ub 表示变量的下界和上界。求解线性规划问题：调用 linprog 函数，求解最优生产计划，并打印结果。

总结：

线性规划（Simplex 算法）通过高效求解线性目标函数在一组线性约束条件下的最优解，广泛应用于各种资源分配和生产计划优化问题。在生产计划优化竞赛中，利用 Simplex 算法可以有效地确定最优的生产组合，以最大化工厂利润。

第三章：无约束非线性优化问题

梯度下降法

应用类型： 参数优化、机器学习模型训练

算法简介： 梯度下降法（Gradient Descent）是一种用于无约束非线性优化问题的迭代算法。它通过沿着目标函数梯度的反方向逐步更新变量，从而逼近函数的极小值。梯度下降法因其简单易用和适用广泛，成为机器学习模型训练和参数优化中的常用算法。

优势：

简单易用： 算法简单，易于实现。适用广泛： 适用于多种无约束非线性优化问题。收敛速度可控： 通过调整步长，可以控制收敛速度和精度。

应用领域： 梯度下降法广泛应用于机器学习模型训练、参数优化、图像处理、信号处理等领域。

神经网络训练

已知数据： 假设一个简单的二次函数作为训练误差函数：

我们希望通过优化权重参数 w使得训练误差最小。

<code>% 定义训练误差函数及其梯度

E = @(w) (w(1) - 3)^2 + (w(2) - 2)^2;

grad_E = @(w) [2*(w(1) - 3); 2*(w(2) - 2)];

% 梯度下降法

function [w, fval] = gradient_descent(E, grad_E, w0, alpha, tol)

w = w0;

while norm(grad_E(w)) > tol

w = w - alpha * grad_E(w);

end

fval = E(w);

end

% 定义初始权重、步长和容差

w0 = [0; 0];

alpha = 0.1;

tol = 1e-5;

% 使用梯度下降法优化权重参数

[w, fval] = gradient_descent(E, grad_E, w0, alpha, tol);

fprintf('Optimal weights: w1 = %.5f, w2 = %.5f\n', w(1), w(2));

fprintf('Minimum error: %.5f\n', fval);

代码解释：

定义目标函数及其梯度：函数 <code>E 表示训练误差函数，grad_E 表示其梯度。梯度下降法实现：函数 gradient_descent 使用梯度下降法，通过沿着梯度反方向更新权重参数，逐步逼近极小值。初始权重、步长和容差：初始化权重参数为 [0; 0]，设置步长为 0.1，容差为 1e-5。优化权重参数：调用 gradient_descent 函数，优化权重参数，并打印结果。

总结：

梯度下降法通过沿着目标函数梯度的反方向更新变量，能够有效地逼近函数的极小值。在神经网络训练竞赛中，利用梯度下降法可以有效地优化权重参数，以最小化训练误差。

牛顿法

应用类型： 参数优化、高精度问题求解

算法简介： 牛顿法（Newton's Method）是一种用于求解无约束非线性优化问题的迭代算法。它利用目标函数的一阶和二阶导数信息，通过在当前点处近似目标函数为二次函数，逐步逼近函数的极小值。牛顿法因其快速收敛和高精度，常用于高精度问题求解。

优势：

收敛速度快： 二次收敛速度使其在接近根时具有极高的精度。精度高： 利用一阶和二阶导数信息，提高求解精度。适用范围广： 适用于目标函数光滑且二次可导的情况。

应用领域： 牛顿法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性系统求解

已知数据： 假设我们希望求解非线性方程

实现代码：

<code>% 定义目标函数及其导数

f = @(x) x^3 - 2*x^2 - 5;

df = @(x) 3*x^2 - 4*x;

% 牛顿法

function [x, fval] = newton_method(f, df, x0, tol)

x = x0;

while abs(f(x)) > tol

x = x - f(x) / df(x);

end

fval = f(x);

end

% 定义初始点和容差

x0 = 3;

tol = 1e-5;

% 使用牛顿法求解非线性方程

[x, fval] = newton_method(f, df, x0, tol);

fprintf('Root: %.5f\n', x);

fprintf('Function value at root: %.5f\n', fval);

代码解释：

定义目标函数及其导数：函数 <code>f 表示目标非线性方程，df 表示其导数。牛顿法实现：函数 newton_method 使用牛顿法，通过在当前点处近似目标函数为二次函数，逐步逼近函数的根。初始点和容差：初始化初始点为 3，设置容差为 1e-5。求解非线性方程：调用 newton_method 函数，求解非线性方程，并打印结果。

总结：

牛顿法通过利用目标函数的一阶和二阶导数信息，能够快速逼近函数的极小值或根。在非线性系统求解竞赛中，利用牛顿法可以高效地求解复杂的非线性方程组。

第四章：有约束非线性优化问题

拉格朗日乘数法

应用类型： 工程优化、经济模型

算法简介： 拉格朗日乘数法（Lagrange Multiplier Method）是一种用于有约束非线性优化问题的算法。通过引入拉格朗日乘数，将约束条件融入目标函数，形成拉格朗日函数，从而将原问题转化为无约束优化问题进行求解。该方法广泛应用于工程和经济领域的优化问题中。

优势：

灵活性高： 可以处理等式和不等式约束。理论基础扎实： 基于凸优化理论，能保证求解的准确性。适用范围广： 适用于各种非线性约束优化问题。

应用领域： 拉格朗日乘数法广泛应用于工程设计优化、经济模型求解、资源分配、生产计划等领域。

机械设计优化

已知数据： 假设我们希望设计一个机械部件，使其在满足强度约束的同时，最小化成本。

目标函数为：

约束条件为：

实现代码：

<code>% 定义目标函数及其梯度

f = @(x) x(1)^2 + x(2)^2;

grad_f = @(x) [2*x(1); 2*x(2)];

% 定义约束条件及其梯度

g = @(x) 1 - x(1) - x(2);

grad_g = @(x) [-1; -1];

% 拉格朗日乘数法

function [x, lambda, fval] = lagrange_multiplier_method(f, grad_f, g, grad_g, x0, lambda0, tol)

x = x0;

lambda = lambda0;

while norm(grad_f(x) + lambda * grad_g(x)) > tol

x = x - 0.1 * (grad_f(x) + lambda * grad_g(x));

lambda = lambda - 0.1 * g(x);

end

fval = f(x);

end

% 定义初始点、初始拉格朗日乘数和容差

x0 = [0.5; 0.5];

lambda0 = 0;

tol = 1e-5;

% 使用拉格朗日乘数法优化

[x, lambda, fval] = lagrange_multiplier_method(f, grad_f, g, grad_g, x0, lambda0, tol);

fprintf('Optimal parameters: x1 = %.5f, x2 = %.5f\n', x(1), x(2));

fprintf('Lagrange multiplier: %.5f\n', lambda);

fprintf('Minimum cost: %.5f\n', fval);

代码解释：

定义目标函数及其梯度：函数 f 表示目标函数，grad_f 表示其梯度。定义约束条件及其梯度：函数 g 表示约束条件，grad_g 表示其梯度。拉格朗日乘数法实现：函数 lagrange_multiplier_method 使用拉格朗日乘数法，通过引入拉格朗日乘数，将约束条件融入目标函数进行优化。初始点、初始拉格朗日乘数和容差：初始化初始点为 [0.5; 0.5]，初始拉格朗日乘数为 0，设置容差为 1e-5。优化过程：调用 lagrange_multiplier_method 函数，优化参数并打印结果。

总结：

拉格朗日乘数法通过将约束条件融入目标函数，能够有效地求解有约束非线性优化问题。在机械设计优化竞赛中，利用拉格朗日乘数法可以找到满足强度约束的最优设计参数，以最小化设计成本。

第五章：二次规划

二次规划

应用类型： 投资组合优化、资源分配、控制系统设计

算法简介： 二次规划（Quadratic Programming，QP）是一类优化问题，其中目标函数为二次函数，约束条件为线性不等式或等式。二次规划问题可以通过各种优化算法求解，如内点法和信赖域法。该方法在处理具有二次目标函数的优化问题中具有高效性和精度。

优势：

精度高： 利用二次函数的性质，提高求解精度。收敛速度快： 在二次规划问题中具有良好的收敛性能。适用范围广： 适用于具有二次目标函数和线性约束的优化问题。

应用领域： 二次规划广泛应用于投资组合优化、资源分配、控制系统设计、机械设计等领域。

投资组合优化

已知数据： 假设我们有五种投资产品，每种产品的预期收益和风险如下表：

P1

10%

0.05

P2

15%

0.10

P3

20%

0.15

P4

25%

0.20

P5

30%

0.25

我们希望通过合理分配资金，使得总体收益最大化，同时风险最小。

% 定义目标函数的系数矩阵和约束条件

H = diag([0.05, 0.10, 0.15, 0.20, 0.25]);

f = [-0.10; -0.15; -0.20; -0.25; -0.30];

Aeq = [1, 1, 1, 1, 1];

beq = 1;

lb = zeros(5, 1);

ub = ones(5, 1);

% 求解二次规划问题

options = optimoptions('quadprog', 'Display', 'off');

[x, fval] = quadprog(H, f, [], [], Aeq, beq, lb, ub, [], options);

fprintf('Optimal investment in P1: %.2f%%\n', x(1) * 100);

fprintf('Optimal investment in P2: %.2f%%\n', x(2) * 100);

fprintf('Optimal investment in P3: %.2f%%\n', x(3) * 100);

fprintf('Optimal investment in P4: %.2f%%\n', x(4) * 100);

fprintf('Optimal investment in P5: %.2f%%\n', x(5) * 100);

fprintf('Minimum risk (variance): %.4f\n', fval);

 

代码解释：

定义目标函数的系数矩阵和约束条件：矩阵 <code>H 表示二次目标函数的系数矩阵，向量 f 表示一次项系数。矩阵 Aeq 和向量 beq 表示线性等式约束，向量 lb 和 ub 表示变量的下界和上界。求解二次规划问题：调用 quadprog 函数，求解最优投资组合，并打印结果。

总结：

二次规划通过利用二次目标函数的性质，能够高效地求解具有线性约束的优化问题。在投资组合优化竞赛中，利用二次规划可以找到最优的投资组合，以最大化收益和最小化风险。

第六章：混合整数线性规划

混合整数线性规划（MILP）

应用类型： 物流优化、项目调度、供应链管理

算法简介： 混合整数线性规划（Mixed-Integer Linear Programming，MILP）是一类优化问题，其中目标函数和约束条件均为线性，但部分或全部决策变量必须是整数。MILP 可以通过分支定界法、割平面法等求解。该方法在处理整数和连续变量混合的优化问题中具有独特优势。

优势：

精度高： 可以精确求解具有整数约束的优化问题。灵活性强： 适用于多种实际应用场景，包含整数和连续变量。全局最优： 在给定约束条件下能够找到全局最优解。

应用领域： 混合整数线性规划广泛应用于物流优化、项目调度、供应链管理、设施选址等领域。

工厂选址问题

已知数据： 假设我们有三个潜在的工厂选址点，每个点的建设成本和满足市场需求的能力如下表：

A

200 万

50%

B

300 万

70%

C

400 万

90%

 我们希望通过合理选择工厂选址，使得建设成本最小，同时满足至少 80% 的市场需求。

% 定义目标函数的系数和约束条件

f = [200; 300; 400];

intcon = [1, 2, 3];

A = [-0.5, -0.7, -0.9];

b = -0.8;

lb = zeros(3, 1);

ub = ones(3, 1);

% 求解混合整数线性规划问题

options = optimoptions('intlinprog', 'Display', 'off');

[x, fval] = intlinprog(f, intcon, A, b, [], [], lb, ub, options);

fprintf('Choose location A: %d\n', x(1));

fprintf('Choose location B: %d\n', x(2));

fprintf('Choose location C: %d\n', x(3));

fprintf('Minimum cost: %.2f 万元\n', fval);

代码解释：

定义目标函数的系数和约束条件：向量 <code>f 表示建设成本，向量 intcon 表示整数变量的索引。矩阵 A 和向量 b 表示线性不等式约束，向量 lb 和 ub 表示变量的下界和上界。求解混合整数线性规划问题：调用 intlinprog 函数，求解最优选址方案，并打印结果。

总结：

混合整数线性规划通过精确求解具有整数约束的优化问题，能够找到全局最优解。在工厂选址优化竞赛中，利用 MILP 可以找到最优的工厂选址方案，以最小化建设成本并满足市场需求。

第七章：多目标规划

多目标规划（权重法）

应用类型： 生产计划、工程设计、资源分配

算法简介： 多目标规划（Multi-Objective Optimization）是一类优化问题，其中需要同时优化多个目标函数。权重法是解决多目标规划问题的一种常用方法，通过为每个目标函数分配权重，将多目标函数合并为单一目标函数进行优化。该方法具有灵活性高、易于实现的特点。

优势：

灵活性高： 可以根据实际需求调整目标权重。适用范围广： 适用于多种多目标优化问题。解决方案易解释： 多目标函数合并为单一目标函数，易于解释。

应用领域： 多目标规划广泛应用于生产计划、工程设计、资源分配、供应链管理等领域。

生产计划优化

已知数据： 某工厂生产两种产品 P1 和 P2，每种产品的利润分别为 40 美元和 30 美元，同时希望最大化产量和利润。生产每种产品需要的资源如下表：

P1

2

1

P2

1

2

 工厂每天最多有 100 小时的资源1和 80 小时的资源2。

% 定义目标函数及其权重

function F = multi_obj_func(x)

F = [-x(1) - x(2); -40*x(1) - 30*x(2)];

end

% 定义初始点、目标值和权重

x0 = [0, 0];

goals = [0, 0];

weights = [1, 1];

A = [2, 1; 1, 2];

b = [100; 80];

lb = [0, 0];

ub = [];

% 求解多目标规划问题

options = optimoptions('fgoalattain', 'Display', 'off');

[x, fval] = fgoalattain(@multi_obj_func, x0, goals, weights, A, b, [], [], lb, ub, [], options);

fprintf('Optimal production of P1: %.2f units\n', x(1));

fprintf('Optimal production of P2: %.2f units\n', x(2));

fprintf('Goal attainment: %.2f, %.2f\n', fval);

代码解释：

定义目标函数及其权重：函数 <code>multi_obj_func 表示多目标函数，目标为最大化产量和利润。向量 goals 表示目标值，向量 weights 表示目标权重。定义初始点、目标值和权重：初始化初始点为 [0, 0]，设置目标值为 [0, 0]，权重为 [1, 1]。求解多目标规划问题：调用 fgoalattain 函数，求解最优生产计划，并打印结果。

总结：

多目标规划（权重法）通过为每个目标函数分配权重，将多目标函数合并为单一目标函数进行优化，能够灵活地处理多目标优化问题。在生产计划优化竞赛中，利用多目标规划可以找到同时最大化产量和利润的最优生产计划。

第八章：极大最小化

极大最小化

应用类型： 决策分析、博弈论、稳健优化

算法简介： 极大最小化（Maximin Optimization）是一类优化问题，目标是在最坏情况下找到最优解。该方法广泛应用于决策分析、博弈论和稳健优化问题中，通过最大化最小收益或最小化最大损失，寻找最优决策。

优势：

稳健性强： 适用于不确定环境中的决策问题。全局最优： 寻找到在最坏情况下的最优解。应用广泛： 适用于金融、供应链、博弈论等多个领域。

应用领域： 极大最小化广泛应用于决策分析、博弈论、稳健优化、供应链管理等领域。

供货中心选址问题

已知数据： 假设一个公司计划在三个城市中选址供货中心，以最小化最大供货距离。供货距离矩阵如下：

A

10

20

30

B

20

10

40

C

30

40

10

 目标是找到最佳的选址组合，使得最大供货距离最小。

% 定义损失函数

function f = max_loss_func(x)

D = [10, 20, 30; 20, 10, 40; 30, 40, 10];

f = max(D * x);

end

% 定义初始点和约束条件

x0 = [0, 0, 0];

lb = zeros(3, 1);

ub = ones(3, 1);

% 求解极大最小化问题

options = optimoptions('fminimax', 'Display', 'off');

[x, fval] = fminimax(@max_loss_func, x0, [], [], [], [], lb, ub, [], options);

fprintf('Choose location A: %.2f\n', x(1));

fprintf('Choose location B: %.2f\n', x(2));

fprintf('Choose location C: %.2f\n', x(3));

fprintf('Minimum maximum loss: %.2f\n', fval);

代码解释：

定义损失函数：函数 max_loss_func 表示最大供货距离。定义初始点和约束条件：初始化初始点为 [0, 0, 0]，设置变量的下界和上界分别为 0 和 1。求解极大最小化问题：调用 fminimax 函数，求解最优选址方案，并打印结果。

总结：

极大最小化通过最大化最小收益或最小化最大损失，能够在不确定环境中找到最优决策。在供货中心选址竞赛中，利用极大最小化可以找到最优的选址方案，以最小化最大供货距离。

第九章：半无限问题

半无限优化

应用类型： 设计优化、资源管理、控制系统

算法简介： 半无限优化（Semi-Infinite Programming）是一类优化问题，其中目标函数和有限个约束条件为一般形式，而一组约束条件为无限多。该方法广泛应用于设计优化、资源管理和控制系统中，通过处理无穷多约束条件，寻找最优解。

优势：

处理复杂约束： 能处理无穷多约束条件的优化问题。灵活性高： 适用于多种实际应用场景。精度高： 在复杂约束条件下能够找到精确解。

应用领域： 半无限优化广泛应用于设计优化、资源管理、控制系统、金融工程等领域。

天线设计优化

已知数据： 假设我们需要设计一个天线，使其在特定频段内的性能最佳化。天线性能可以用一个函数 P(x) 表示，设计变量 x 需要满足某些约束条件。

实现代码：

% 定义目标函数

function f = antenna_design_func(x)

f = x(1)^2 + x(2)^2 + x(1)*x(2);

end

% 定义约束条件

function [c, ceq] = antenna_constraints(x)

c = x(1) + x(2) - 1;

ceq = [];

end

% 定义初始点和约束条件

x0 = [0, 0];

% 求解半无限优化问题

options = optimoptions('fmincon', 'Display', 'off');

[x, fval] = fmincon(@antenna_design_func, x0, [], [], [], [], [], [], @antenna_constraints, options);

fprintf('Optimal antenna design: x1 = %.2f, x2 = %.2f\n', x(1), x(2));

fprintf('Minimum value: %.2f\n', fval);

代码解释：

定义目标函数：函数 antenna_design_func 表示天线性能目标函数。定义约束条件：函数 antenna_constraints 表示天线设计约束条件。定义初始点和约束条件：初始化初始点为 [0, 0]。求解半无限优化问题：调用 fmincon 函数，求解最优天线设计方案，并打印结果。

总结：

半无限优化通过处理无穷多约束条件，能够在复杂约束条件下找到精确解。在天线设计优化竞赛中，利用半无限优化可以找到满足特定频段性能的最优天线设计参数。

第十章：最小二乘问题

线性最小二乘法

应用类型： 数据拟合、参数估计、信号处理

算法简介： 线性最小二乘法（Linear Least Squares）是一种用于数据拟合和参数估计的优化方法，通过最小化目标函数与观测数据之间的平方误差，找到最佳拟合参数。该方法在处理线性模型和数据拟合问题中具有高效性和精度。

优势：

计算速度快： 线性最小二乘法具有闭式解。精度高： 能有效地处理线性模型。适用广泛： 适用于各种数据拟合和参数估计问题。

应用领域： 线性最小二乘法广泛应用于数据拟合、参数估计、信号处理、图像处理等领域。

数据拟合

已知数据： 假设我们有以下实验数据，需要拟合一个二次函数：

x=[1,2,3,4,5]                y=[2.2,2.8,3.6,4.5,5.1]

实现代码：

% 定义数据点

xdata = [1, 2, 3, 4, 5];

ydata = [2.2, 2.8, 3.6, 4.5, 5.1];

% 使用polyfit进行二次拟合

p = polyfit(xdata, ydata, 2);

yfit = polyval(p, xdata);

% 绘制数据和拟合曲线

figure;

plot(xdata, ydata, 'o', xdata, yfit, '-');

legend('Data', 'Fit');

title('Least Squares Fit');

fprintf('Optimal coefficients: a = %.5f, b = %.5f, c = %.5f\n', p(1), p(2), p(3));

代码解释：

定义数据点：向量 <code>xdata 和 ydata 表示实验数据。二次拟合：使用 polyfit 函数进行二次拟合，得到拟合参数 p。计算拟合值：使用 polyval 函数计算拟合曲线 yfit。绘制数据和拟合曲线：绘制实验数据和拟合曲线，并打印拟合参数。

总结：

线性最小二乘法通过最小化目标函数与观测数据之间的平方误差，能够高效地处理数据拟合和参数估计问题。在数据拟合竞赛中，利用线性最小二乘法可以找到最佳拟合参数，以准确地描述实验数据。

第十一章：非线性方程（组）的求解

牛顿法

应用类型： 数值分析、工程计算、非线性系统求解

算法简介： 牛顿法（Newton's Method）是一种用于求解非线性方程组的迭代算法。通过利用目标函数的一阶和二阶导数信息，在当前点处近似目标函数为二次函数，逐步逼近函数的根。牛顿法因其快速收敛和高精度，常用于高精度问题求解。

优势：

收敛速度快： 二次收敛速度使其在接近根时具有极高的精度。精度高： 利用一阶和二阶导数信息，提高求解精度。适用范围广： 适用于目标函数光滑且二次可导的情况。

应用领域： 牛顿法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性系统求解

已知数据： 假设我们需要求解以下非线性方程组：

实现代码：

<code>% 定义非线性方程组及其雅可比矩阵

F = @(x) [x(1)^2 + x(2)^2 - 4;

x(1) * x(2) - 1];

J = @(x) [2*x(1), 2*x(2);

x(2), x(1)];

% 牛顿法

function [x, fval] = newton_method(F, J, x0, tol)

x = x0;

while norm(F(x)) > tol

x = x - J(x)\F(x);

end

fval = F(x);

end

% 定义初始点和容差

x0 = [1, 1];

tol = 1e-5;

% 使用牛顿法求解非线性方程组

[x, fval] = newton_method(F, J, x0, tol);

fprintf('Solution: x1 = %.5f, x2 = %.5f\n', x(1), x(2));

fprintf('Function value: fval1 = %.5f, fval2 = %.5f\n', fval(1), fval(2));

代码解释：

定义非线性方程组及其雅可比矩阵：函数 F 表示非线性方程组，J 表示雅可比矩阵。牛顿法实现：函数 newton_method 使用牛顿法，通过在当前点处近似目标函数为二次函数，逐步逼近函数的根。初始点和容差：初始化初始点为 [1, 1]，设置容差为 1e-5。求解非线性方程组：调用 newton_method 函数，求解非线性方程组，并打印结果。

总结：

牛顿法通过利用目标函数的一阶和二阶导数信息，能够快速逼近函数的根。在非线性系统求解竞赛中，利用牛顿法可以高效地求解复杂的非线性方程组。

割线法

应用类型： 数值分析、工程计算、非线性系统求解

算法简介： 割线法（Secant Method）是一种用于求解非线性方程的迭代算法，通过利用两个初始猜测点，逐步逼近方程的根。与牛顿法不同，割线法不需要计算目标函数的导数，因此在目标函数不易求导或不可导的情况下具有优势。

优势：

无需导数信息： 适用于目标函数不易求导或不可导的情况。收敛速度快： 相比于直接求解方法，收敛速度较快。适用范围广： 适用于多种非线性方程组求解问题。

应用领域： 割线法广泛应用于数值分析、工程计算、物理模型求解、经济学模型优化等领域。

非线性方程求解

已知数据：

<code>% 定义目标函数

f = @(x) x^3 - 2*x^2 - 5;

% 割线法

function root = secant_method(f, x0, x1, tol)

while abs(x1 - x0) > tol

f0 = f(x0);

f1 = f(x1);

x2 = x1 - f1 * (x1 - x0) / (f1 - f0);

x0 = x1;

x1 = x2;

end

root = x1;

end

% 定义初始点和容差

x0 = 2;

x1 = 3;

tol = 1e-5;

% 使用割线法求解非线性方程

root = secant_method(f, x0, x1, tol);

fprintf('Root: %.5f\n', root);

 

代码解释：

定义目标函数：函数 <code>f 表示非线性方程。割线法实现：函数 secant_method 使用割线法，通过两个初始猜测点，逐步逼近方程的根。初始点和容差：初始化初始点为 [2, 3]，设置容差为 1e-5。求解非线性方程：调用 secant_method 函数，求解非线性方程，并打印结果。

总结：

割线法通过利用两个初始猜测点，逐步逼近非线性方程的根，能够在无需导数信息的情况下高效求解。在非线性方程求解竞赛中，利用割线法可以找到方程的精确解。

总结

从一维搜索问题到非线性方程求解的各种优化算法，包括黄金分割法、线性规划、梯度下降法、拉格朗日乘数法、二次规划、混合整数线性规划、多目标规划、极大最小化、半无限优化、线性最小二乘法和牛顿法等。这些算法在实际竞赛环境中的应用有强大功能和解决问题的能力。