189 8069 5689
1、首先在电脑中启动matlab，新建一个函数文件，用来写目标函数。
网站建设哪家好，找成都创新互联！专注于网页设计、网站建设、微信开发、成都小程序开发、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了察哈尔右翼前免费建站欢迎大家使用！
2、在编辑器窗口中写入要求的目标函数，并保存，注意使函数名与文件名相同。
3、然后再新建一个函数文件，用来编写非线性约束条件。步骤及其注意事项同上。额外需要注意的是，需要将两个函数文件放在同一个文件夹中。
4、最后，在命令行窗口处写入fmincon命令。此处需要注意的是，对于没有的线性约束条件的位置药用空矩阵代替，并且初始条件需要满足非线性约束条件。
5、敲下键盘上的enter建，结果得出。可以发现exitflag=1是大于0的，所以结果正确。
内点惩罚函数法特点：求解时的探索点始终保持在可行域内。
外点惩罚函数法特点：对初始点没有要求，可以任意取定义域内任意一点。
惩罚函数可以分为外点法和内点法，其中外点法更通用，可解决约束为等式和不等式混合的情形，外点法对初始点也没有要求，可以任意取定义域内任意一点。而内点法初始点必须为可行区内一点，在约束比较复杂时，这个选择内点法的初始点是有难度的，并且内点法只能解决约束为不等式情形。
罚函数的应用
1、电机优化设计
在电机优化设计中应用广义罚函数法优化方法，既可以避免罚函数内点法因罚因子取得不当而造成的寻优困难，又保留了寻优逼近边界的优点，通过目标函数调整和罚函数的容差迭代，可以达到快速收敛的目的。同时，广义罚函数优化方法，还具有边界附近进一步搜索最优点的特性。在应用中，该方法是一种实用性很强而有效的内点寻优方法。
在机械领域，利用广义罚函数优化方法编制的计算机寻优模块与各类外点法或可行方案寻求方法结合，具有显著的优化效果。
2、广义指数因子预测
该模型实施的关键在于预报方程的变量选择和系数估计，在线性回归模型的拟合过程中引入罚函数能够压缩回归方程系数估计，将方程中一部分自变量的系数压缩为0，从而达到自变量选择、降低误差方差的目的，并保证预报方程的稳定性，从而提高预测精度。因此，应用罚函数方法来实现广义指数因子预报方程的拟合是合理的。
一、作用不同：
惩罚函数法在M越来越大的情况下，函数F趋近于病态，乘子法克服这个缺点根据拉格朗日分解加了一个uih（x）M变为了c/2。
主要思想是引入一个新的参数λ(即拉格朗日乘子)，将约束条件函数与原函数联系到一起，使能配成与变量数量相等的等式方程。
二、定义不同：
基本的拉格朗日乘子法(又称为拉格朗日乘数法)，就是求函数f(x1,x2,)在g(x1,x2,)=0的约束条件下的极值的方法。
罚函数法是从非可行解出发逐渐移动到可行区域的方法。罚函数法在理论上是可行的，在实际计算中的缺点是罚因子M的取值难于把握，太小起不到惩罚作用;太大则由于误差的影响会导致错误。
三、使用方法不同：
在进化计算中，研究者选择外部罚函数法的原因主要是该方法不需要提供初始可行解。需要提供初始可行解则是内部罚函数法的主要缺点。由于进化算法应用到实际问题中可能存在搜索可行解就是NP难问题，因此这个缺点是非常致命的。
基本的拉格朗日乘子法就bai是求函数f(x1,x2,...)在约束条件g(x1,x2,...)=0下的极值的方法。其主要思想是将约束条件函数与原函数联立，从而求出使原函数取得极值的各个变量的解。
扩展资料：
如果这个实际问题的最大或最小值存在，一般说来驻点只有一个，于是最值可求。
条件极值问题也可以化为无条件极值求解，但有些条件关系比较复杂，代换和运算很繁，而相对来说“拉格朗日乘数法”不需代换，运算简单一点，这就是优势。
条件φ(x,y,z)一定是个等式，不妨设为φ(x,y,z)=m
则再建一个函数g(x,y,z)=φ(x,y,z)-m
g(x,y,z)=0以g(x,y,z)代替φ(x,y,z)
在许多极值问题中，函数的自变量往往要受到一些条件的限制，比如，要设计一个容积为 V的长方体形开口水箱，确定长、宽和高，使水箱的表面积最小.。设水箱的长、宽、高分别为 x,y,z， 则水箱容积V=xyz。
参考资料来源：百度百科-拉格朗日乘数法
1.外部罚函数法是从非可行解出发逐渐移动到可行区域的方法。
2.内部罚函数法也称为障碍罚函数法，这种方法是在可行域内部进行搜索，约束边界起到类似围墙的作用，如果当前解远离约束边界时，则罚函数值是非常小的，否则罚函数值接近无穷大的方法。
罚函数法又称乘子法，是指将有约束最优化问题转化为求解无约束最优化问题：其中M为足够大的正数， 起"惩罚"作用， 称之为罚因子，F(x, M )称为罚函数。内部罚函数法也称为障碍罚函数法。
这种方法是在可行域内部进行搜索，约束边界起到类似围墙的作用，如果当前解远离约束边界时，则罚函数值是非常小的，否则罚函数值接近无穷大的方法。在进化计算中，研究者选择外部罚函数法的原因主要是该方法不需要提供初始可行解。其中B(x)是优化过程中新的目标函数，Gi和Hj分别是约束条件gi(x)和hj(x)的函数，ri和cj是常数，称为罚因子。
这个太复杂了，我学的也不精，我附上我理解的仅供参考，如下:
根据约束的特点，构造某种惩罚函数，然后加到目标函数中去，将约束问题求解转化为一系列的无约束问题。这种“惩罚策略”，对于无约束问题求解过程中的那些企图违反约束条件的目标点给予惩罚。如下图：
通过上述方法，我们可以把有约束的问题化为无约束问题求解。也就是我们的外罚函数法。
比如: