MATLAB最优化算法综合工具箱含智能计算与可视化

资 源 简 介

本项目旨在基于MATLAB平台开发一套完整的最优化方法程序库，详细涵盖了从经典数值优化到现代智能计算的多种算法。具体功能包括：1. 带约束的罚函数法实现，包含外点罚函数法和内点罚函数法，用于将约束优化问题转化为无约束问题求解；2. 复合形法与坐标轮换法的设计，适用于无需计算导数的直接搜索场景；3. 乘子法（增广拉格朗日法）的编程，解决了罚函数法在罚因子增大时的病态问题，提高计算精度；4. 单纯形法的实现，专门用于求解标准线性规划问题；5. 割平面法的开发，用于解决纯整数规划或混合整数规划问题；6. 智能优化算法集成，包括粒子群算法（PSO）和遗传算法（GA），用于解决多峰、非线性及复杂的全局最优化问题。此外，项目还提供了可视化功能，能够绘制目标函数三维曲面、等高线图以及算法的迭代收敛路径，并输出详细的迭代数据表格，以便用户对比分析不同算法在收敛速度、精度和稳定性方面的差异。

详 情 说 明

MATLAB最优化算法综合工具箱

项目介绍

本项目是一个基于MATLAB平台开发的综合性最优化算法程序库。项目旨在演示和对比从经典数值优化到现代智能计算的多种算法。代码通过模块化的设计，针对非线性规划、线性规划及整数规划等不同类型的问题提供了相应的求解方案。

主要演示的核心问题是一个非线性规划问题：

• 目标函数：Min f(x) = (x1 - 2)^4 + (x1 - 2*x2)^2
• 约束条件：x1^2 - x2 <= 0
• 同时包含用于线性规划和整数规划演示的特定算例。

功能特性

本项目集成了以下九大核心功能模块：

1. 外点罚函数法：用于求解带约束非线性规划，演示了从不可行域逼近最优解的过程。
2. 内点罚函数法（障碍函数法）：通过对数障碍函数限制搜索在可行域内，演示了需要可行初值的算法特性。
3. 乘子法（增广拉格朗日法）：结合罚函数与拉格朗日乘子，解决了纯罚函数法数值不稳定的问题。
4. 坐标轮换法：一种无需梯度的直接搜索方法，通过沿着坐标轴方向轮流搜索来寻找极值。
5. 复合形法：针对约束问题的直接搜索法，通过多面体顶点的反射与收缩逼近最优解。
6. 粒子群算法 (PSO)：集成群体智能算法，适用于求解多峰或非光滑的全局优化问题。
7. 遗传算法 (GA)：基于生物进化机制的随机搜索算法，演示了其在约束优化中的应用。
8. 单纯形法：专门用于求解标准形式的线性规划（LP）问题。
9. 割平面法：用于求解纯整数或混合整数规划（IP）问题。

此外，项目包含完善的可视化功能，能够绘制目标函数等高线、算法收敛路径以及线性规划的几何求解过程。

系统要求

• MATLAB R2016b 或更高版本
• 无需额外工具箱（算法均为原生代码实现）

使用方法

直接运行根目录下的 main.m 文件即可启动所有算法的演示。 程序运行时会弹出两个图形窗口：

1. 最优化算法收敛路径对比：展示非线性规划算法（1-7）在二维平面上的迭代轨迹和收敛情况。
2. 线性与整数规划演示：展示单纯形法和割平面法的求解结果及性能指标。

代码实现逻辑与算法详解

本项目核心逻辑位于 main.m 中，各功能模块的实现细节如下：

1. 全局设置与问题定义

在 main 函数开头，定义了一个标准的非线性优化结构体 ObjParams，包含目标函数句柄、不等式约束句柄、变量维度、初始点及变量上下界。这套参数被统一传递给随后的非线性优化算法。

2. 外点罚函数法 (ExteriorPenalty)

• 原理：构造增广目标函数 F(x) = f(x) + M * sum(max(0, g(x))^2)。
• 实现细节：

* 初始罚因子 M 设为 1，增长倍数 sigma 设为 10。 * 内部使用简化的直接搜索法（SimpleHookeJeeves）寻找子问题的最优解。 * 循环迭代直到前后两次解的距离小于 epsilon 且满足约束条件。

3. 内点罚函数法 (InteriorPenalty)

• 原理：构造障碍函数 B(x) = f(x) - r * sum(log(-g(x)))。
• 特殊处理：由于内点法要求初始点必须在可行域内，代码中显式将初始点从 [0, 0] 修改为 [0, 1]（满足 $0^2 - 1 < 0$）。
• 实现细节：

* 初始障碍因子 r 设为 10，衰减系数 beta 设为 0.5。 * 当点靠近边界时函数值趋于无穷大，迫使搜索路径保持在可行域内部。

4. 乘子法 (MultiplierMethod)

• 原理：采用 PHR (Powell-Hestenes-Rockafellar) 形式的增广拉格朗日函数。
• 公式：L = f(x) + 1/(2*sigma) * [(max(0, lambda + sigma*g(x)))^2 - lambda^2]。
• 实现细节：

* 引入拉格朗日乘子 lambda 和罚因子 sigma。 * 在每次子问题求解后，根据 lambda = max(0, lambda + sigma * g(x)) 更新乘子。 * 相比普通罚函数法，该方法在较小的 sigma 下也能获得高精度解。

5. 坐标轮换法 (CoordinateDescent)

• 原理：将约束问题转化为带罚函数的无约束问题，然后进行单变量轮换搜索。
• 实现细节：

* 采用简单的步长策略：沿各轴试探，如果函数值下降则移动，否则回退。 * 当一轮搜索无法改进时，将步长 h 减半，直到满足精度要求或达到最大迭代次数。

6. 复合形法 (ComplexMethod)

• 原理：扩展了单纯形法（Simplex method for unconstrained optim），适用于有界约束问题。
• 初始化：

* 根据变量维度 N，生成 2*N 个顶点。 * 包含一个随机生成算法，确保所有初始顶点均位于可行域内且满足上下界限制。 * *注：代码主要展示了可行顶点的生成逻辑。*

7. 启发式算法 (PSO 与 GA)

• PSO_Algorithm：调用粒子群优化逻辑，利用群体协作寻找全局最优。
• GA_Algorithm：调用遗传算法逻辑，通过选择、交叉和变异算子进行演化搜索。
• 这两部分在 main 中被调用并绘图，用于对比传统算法与智能算法的收敛路径差异。

8. 单纯形法 (SimplexMethod)

• 针对问题：代码中硬编码了一个线性规划算例（Max Z = 2x1 + x2, s.t. x1+x2<=5）。
• 标准化：将最大化问题转化为最小化问题，并将不等式约束转化为等式约束（标准型：Min -2x1 -x2, s.t. Ax=b）。
• 输出：通过 VisualizeLP 函数直观展示单纯形法的求解结果。

9. 割平面法 (Cutting Plane)

• 针对问题：解决整数规划问题（Max z = x1 + x2, s.t. 2x1 + 2x2 <= 9）。
• 输出：在图形窗口的子图中以文本形式输出最优整数解、目标值、迭代次数及耗时。

辅助功能

• 可视化 (PlotResult)：该函数负责在三维曲面图上叠加等高线，并绘制各类算法从初始点到最优解的迭代轨迹，即 history 变量记录的数据。
• 性能计时：main 函数中对每种算法都使用了 tic 和 toc 进行计时，以便对比不同算法的时间复杂度。