黄金分割法二次插值法牛顿法matlab程序一维搜索方法比较

《机械优化设计》复习题及答案一、选择题1、下面 方法需要求海赛矩阵。

A 、最速下降法B 、共轭梯度法C 、牛顿型法D 、DFP 法2、对于约束问题()()()()2212221122132min 44g 10g 30g 0f X x x x X x x X x X x =+-+=--≥=-≥=≥根据目标函数等值线和约束曲线，判断()1[1,1]T X =为 ，()251[,]22TX =为 。

A ．内点；内点B. 外点；外点C. 内点；外点D. 外点；内点3、内点惩罚函数法可用于求解__________优化问题。

A 无约束优化问题B 只含有不等式约束的优化问题C 只含有等式的优化问题D 含有不等式和等式约束的优化问题4、对于一维搜索，搜索区间为[a ，b]，中间插入两个点a 1、b 1，a 1<b 1，计算出f(a 1)<f(b 1)，则缩短后的搜索区间为___________。

A [a 1，b 1]B [ b 1，b]C [a1，b]D [a，b1]5、_________不是优化设计问题数学模型的基本要素。

A设计变量B约束条件C目标函数D 最佳步长6、变尺度法的迭代公式为x k+1=x k-αk H k▽f(x k)，下列不属于H k必须满足的条件的是________。

A. H k之间有简单的迭代形式B.拟牛顿条件C.与海塞矩阵正交D.对称正定7、函数)(Xf在某点的梯度方向为函数在该点的。

A、最速上升方向B、上升方向C、最速下降方向D、下降方向8、下面四种无约束优化方法中，__________在构成搜索方向时没有使用到目标函数的一阶或二阶导数。

A 梯度法B 牛顿法C 变尺度法D 坐标轮换法9、设)f在R上为凸函数的(X(Xf为定义在凸集R上且具有连续二阶导数的函数，则)充分必要条件是海塞矩阵G(X)在R上处处。

A 正定B 半正定C 负定D 半负定10、下列关于最常用的一维搜索试探方法——黄金分割法的叙述，错误的是，。

word 教育资料优化设计复习题一、单项选择题(在每小题列出的选项中只有一个选项是符合题目要求的)1.多元函数F(X)在点X *附近偏导数连续， F ’(X *)=0且H(X *)正定，则该点为F(X)的（ ） ①极小值点 ②极大值点 ③鞍点 ④不连续点 2.F(X)为定义在n 维欧氏空间中凸集D 上的具有连续二阶偏导数的函数，若H(X)正定，则称F(X)为定义在凸集D 上的（ ） ①凸函数 ②凹函数 3.黄金分割法中，每次缩短后的新区间长度与原区间长度的比值始终是一个常数，此常数是（ ） ①0.382 ②0.186 ③0.618 ④0.816 4.在单峰搜索区间[x 1,x 3](x 1<x 3)内，取一点x 2，用二次插值法计算得x 4(在[x 1,x 3]内)，若x 2>x 4,并且其函数值F （x 4）<F(x 2)，则取新区间为（ ） ①[x 1,x 4] ②[x 2,x 3] ③[x 1,x 2] ④[x 4,x 3] 5.用变尺度法求一n 元正定二次函数的极小点，理论上需进行一维搜索的次数最多为（ ） ①n 次 ②2n 次 ③n+1次 ④2次6.下列特性中，梯度法不具有的是（ ） ①二次收剑性 ②要计算一阶偏导数 ③对初始点的要求不高 ④只利用目标函数的一阶偏导数值构成搜索方向 8.对于极小化F(X)，而受限于约束g μ(X)≤0(μ=1,2,…,m)的优化问题，其内点罚函数表达式为（ ） ① Ф(X,r (k))=F(X)-r(k)11/()gX u u m=∑② Ф(X,r (k))=F(X)+r(k)11/()gX u u m =∑③ Ф(X,r (k))=F(X)-r(k)max[,()]01gX u u m=∑④ Ф(X,r (k))=F(X)-r (k)min[,()]01g X u u m=∑9.外点罚函数法的罚因子为（ ） ①递增负序列 ②递减正序列 ③递增正序列 ④递减负序列 10．函数F （X ）为在区间［10，20］内有极小值的单峰函数，进行一维搜索时，取两点13和16，若F （13）<F （16），则缩小后的区间为（ ） ①［10,16］ ②［10,13］ ③［13,16］ ④［16，20］ 11．多元函数F （X ）在X ＊处存在极大值的充分必要条件是：在X *处的Hesse 矩阵（ ） ①等于零 ②大于零 ③负定 ④正定 12．对于函数F （x ）=x 21+2x 22，从初始点x (0)={1,1}T 出发，沿方向s (0)={-1,-2}T进行一维搜索，最优步长因子为（ ）①10／16 ②5／9 ③9／34 ④1／213．目标函数F （x ）=x 21+x 22－x 1x 2，具有等式约束，其等式约束条件为h(x)=x 1+x 2-1=0,则目标函数的极小值为（ ） ①1 ②0.5 ③0.25 ④0.1 14. 优化设计的自由度是指( )① 设计空间的维数 ② 可选优化方法数 ③ 所提目标函数数 ④ 所提约束条件数 15. 在无约束优化方法中，只利用目标函数值构成的搜索方法是( ) ①梯度法 ② Powell 法 ③共轭梯度法 ④变尺度法 17. 利用0.618法在搜索区间［a,b ］内确定两点a 1=0.382,b 1=0.618，由此可知区间［a,b ］的值是( ) ①［0,0.382］ ② ［0.382,1］ ③ ［0.618,1］④ ［0,1］18. 已知函数F(X)=x 12+x 22-3x 1x 2+x 1-2x 2+1，则其Hesse 矩阵是( ) ① ⎥⎦⎤⎢⎣⎡--2332 ② ⎥⎦⎤⎢⎣⎡2332③ ⎥⎦⎤⎢⎣⎡2112 ④ ⎥⎦⎤⎢⎣⎡--3223 19. 对于求minF(X)受约束于g i (x)≤0(i=1,2,…,m)的约束优化设计问题，当取λi ≥0时，则约束极值点的库恩—塔克条件为( )①()i i 1F X g (X)mi λ=∇=∇∑,其中λi 为拉格朗日乘子② ()i i 1F X =g (X)mi λ=-∇∇∑,其中λi 为拉格朗日乘子③ ()i i 1F X g (X)qi λ=∇=∇∑,其中λi 为拉格朗日乘子，q 为该设计点X 处的约束面数④()i i 1F X g (X)qi λ=-∇=∇∑,其中λi 为拉格朗日乘子，q 为该设计点X 处的约束面数20. 在共轭梯度法中，新构造的共轭方向S (k+1)为( ) ① S (k+1)= ∇F(X (k+1))+β(k)S (K)，其中β(k)为共轭系数② S (k+1)=∇F(X (k+1))－β(k)S (K)，其中β(k)为共轭系数 ③ S (k+1)=-∇F(X (k+1))+β(k)S (K)，其中β(k)为共轭系数④ S (k+1)=-∇F(X (k+1))－β(k)S (K)，其中β(k)为共轭系数 21. 用内点罚函数法求目标函数F(X)=ax+b 受约束于g(X)=c-x ≤0的约束优化设计问题，其惩罚函数表达式为( ) ① (k)1ax b r c-x+-，r (k)为递增正数序列② (k)1ax b r c-x +-，r (k)为递减正数序列 ③ (k)1ax b r c-x ++，r (k)为递增正数序列word 教育资料④ (k)1ax b r c-x++，r (k)为递减正数序列22. f(x)在区间［x 1,x 3］上为单峰函数，x 2为区间中的一点，x 4为利用二次插值法求得的近似极值点，若x 4-x 2＜0,且f(x 4)≥f(x 2)，则新的搜索区间为( )① ［x 1,x 4］ ② ［x 2,x 3］ ③ ［x 1,x 2］ ④［x 4,x 3］23. 已知F(X)=x 1x 2+2x 22+4,则F(X)在点X (0)=⎭⎬⎫⎩⎨⎧-11的最大变化率为( )① 10 ② 4 ③ 2 ④ 1024.试判别矩阵1111⎡⎣⎢⎤⎦⎥，它是（ ）矩阵 ①单位 ②正定矩 ③负定 ④不定 ⑤半正定 ⑥半负定 25.约束极值点的库恩——塔克条件为：-∇=∇=∑F X g Xii qi()()**λ1，当约束函数是g i (X)≤0和λi>0时，则q 应为（ ）①等式约束数目 ②不等式约束数目 ③起作用的等式约束数目 ④起作用的不等式约束数目26.在图示极小化的约束优化问题中，最优点为（ ） ①A ②B ③C ④D27.内点罚函数(X,r (k))=F(X)-r (k)101g X g X u u u m(),(())≤=∑，在其无约束极值点X ·(r (k))逼近原目标函数的约束最优点时，惩罚项中（ ） ①r (k)趋向零，11g X u u m()=∑不趋向零 ②r (k)趋向零，11g X u u m()=∑趋向零 ③r (k)不趋向零，11g X u u m()=∑趋向零 ④r (k)不趋向零，11g X u u m()=∑不趋向零 29.0.618法在迭代运算的过程中，区间的缩短率是（ ）①不变的 ②任意变化的 ③逐渐变大 ④逐渐变小 30.对于目标函数F(X)受约束于g u (X) ≤0(u=1,2,…，m)的最优化设计问题，外点法惩罚函数的表达式是（ ）①()()(k)(k)2()1X,M F X M {max[(),0]},mk u u g X M =Φ=+∑为递增正数序列②()()(k)(k)2()1X,M F X M {max[(),0]},mk u u g X M =Φ=+∑为递减正数序列③()()(k)(k)2()1X,M F X M {min[(),0]},mk u u g x M =Φ=+∑为递增正数序列 ④()()(k)(k)2()1X,MF X M {min[(),0]},mk uu g x M=Φ=+∑为递减正数序列31.对于二次函数F(X)=12X T AX+b T X+c,若X *为其驻点，则▽F(X *)为（ ）①零 ②无穷大 ③正值 ④负值 32.在约束优化方法中，容易处理含等式约束条件的优化设计方法是（ ）①可行方向法 ②复合形法 ③内点罚函数法 ④外点罚函数法33．已知F(X)=(x 1-2)2+x 22,则在点X (0)=00⎧⎨⎩⎫⎬⎭处的梯度为（ ）①∇=⎧⎨⎩⎫⎬⎭F X ()()000 ②∇=-⎧⎨⎩⎫⎬⎭F X ()()020 ③∇=⎧⎨⎩⎫⎬⎭F X ()()040 ④∇=-⎧⎨⎩⎫⎬⎭F X ()()04034．Powell 修正算法是一种（ ）①一维搜索方法②处理约束问题的优化方法③利用梯度的无约束优化方法④不利用梯度的无约束优化方法 二、多项选择题(在每小题列出的多个选项中有两个以上选项是符合题目要求的，多选、少选、错选均无分) 35.下列矢量组中，关于矩阵A=105051--⎡⎣⎢⎤⎦⎥..共轭的矢量组是（ ）①s 1={0 1} ,s 2={1 0}T②s 1={-1 1}T ,s 2={1 1}T③s 1={1 0}T ,s 2={1 2}T④s 1={1 1}T ,s 2={1 2}T⑤.s 1={1 2}T ,s 2={2 1}T36. 对于只含不等式约束的优化设计问题，可选用的优化方法有( )① Powell 法 ② 变尺度法 ③ 内点罚函数法 ④ 外点罚函数法E. 混合罚函数法37. 根据无约束多元函数极值点的充分条件，已知驻点X*，下列判别正确的是( )①若Hesse矩阵H(X*)正定，则X*是极大值点②若Hesse矩阵H(X*)正定，则X*是极小值点③若Hesse矩阵H(X*)负定，则X*是极大值点④若Hesse矩阵H(X*)负定，则X*是极小值点⑤若Hesse矩阵H(X*)不定，则X*是鞍点38.下述Hesse矩阵中，正定矩阵为（）①3335⎡⎣⎢⎤⎦⎥②313153337⎡⎤⎢⎥-⎢⎥-⎢⎥⎣⎦③3445⎡⎣⎢⎤⎦⎥④245434542⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦⑤523222327⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦39.F(X)在区间［a,b］上为单峰函数，区间内函数情况如图所示：F1=F2。

matlab编程实现二分法牛顿法黄金分割法最速下降matlab程序代码二分法（Bisection Method）是一种寻找函数零点的数值计算方法。

该方法的基本思想是：首先确定一个区间[a, b]，使得函数在这个区间的两个端点处的函数值异号，然后将区间逐步缩小，直到找到一个区间[a', b']，使得函数在这个区间的中点处的函数值接近于零。

以下是使用MATLAB实现二分法的示例代码：```matlabfunction [x, iter] = bisection(f, a, b, tol)fa = f(a);fb = f(b);if sign(fa) == sign(fb)error('The function has the same sign at the endpoints of the interval');enditer = 0;while (b - a) / 2 > tolc=(a+b)/2;fc = f(c);if fc == 0break;endif sign(fc) == sign(fa)a=c;fa = fc;elseb=c;fb = fc;enditer = iter + 1;endx=(a+b)/2;end```牛顿法（Newton's Method）是一种用于寻找函数零点的数值计算方法。

该方法的基本思想是：通过迭代来逼近函数的零点，每次迭代通过函数的切线来确定下一个近似值，直到满足收敛条件。

以下是使用MATLAB实现牛顿法的示例代码：```matlabfunction [x, iter] = newton(f, df, x0, tol)iter = 0;while abs(f(x0)) > tolx0 = x0 - f(x0) / df(x0);iter = iter + 1;endx=x0;end```黄金分割法（Golden Section Method）是一种用于寻找函数极值点的数值计算方法。

MATLAB计算方法迭代法牛顿法二分法实验报告实验报告一、引言计算方法是数学的一门重要应用学科，它研究如何用计算机来解决数学问题。

其中，迭代法、牛顿法和二分法是计算方法中常用的数值计算方法。

本实验通过使用MATLAB软件，对这三种方法进行实验研究，比较它们的收敛速度、计算精度等指标，以及它们在不同类型的问题中的适用性。

二、实验方法1.迭代法迭代法是通过不断逼近解的过程来求得方程的根。

在本实验中，我们选择一个一元方程f(x)=0来测试迭代法的效果。

首先，我们对给定的初始近似解x0进行计算，得到新的近似解x1，然后再以x1为初始近似解进行计算，得到新的近似解x2，以此类推。

直到两次计算得到的近似解之间的差值小于规定的误差阈值为止。

本实验将通过对复杂方程的迭代计算来评估迭代法的性能。

2.牛顿法牛顿法通过使用函数的一阶导数来逼近方程的根。

具体而言，对于给定的初始近似解x0，通过将f(x)在x0处展开成泰勒级数，并保留其中一阶导数的项，得到一个近似线性方程。

然后，通过求解这个近似线性方程的解x1，再以x1为初始近似解进行计算，得到新的近似解x2，以此类推，直到两次计算得到的近似解之间的差值小于规定的误差阈值为止。

本实验将通过对不同类型的方程进行牛顿法的求解，评估它的性能。

3.二分法二分法是通过将给定区间不断二分并判断根是否在区间内来求方程的根。

具体而言，对于给定的初始区间[a,b]，首先计算区间[a,b]的中点c，并判断f(c)与0的大小关系。

如果f(c)大于0，说明解在区间[a,c]内，将新的区间定义为[a,c]，再进行下一轮的计算。

如果f(c)小于0，说明解在区间[c,b]内，将新的区间定义为[c,b]，再进行下一轮的计算。

直到新的区间的长度小于规定的误差阈值为止。

本实验将通过对复杂方程的二分计算来评估二分法的性能。

三、实验结果通过对一系列测试函数的计算，我们得到了迭代法、牛顿法和二分法的计算结果，并进行了比较。

《机械优化设计》复习题及答案一、填空题1、用最速下降法求f(X)=100(x 2- x 12) 2+(1- x 1) 2的最优解时，设X （0）＝[-0.5,0.5]T ，第一步迭代的搜索方向为[-47;-50] 。

2、机械优化设计采用数学规划法,其核心一是建立搜索方向 二是计算最佳步长因子 。

3、当优化问题是__凸规划______的情况下，任何局部最优解就是全域最优解。

4、应用进退法来确定搜索区间时，最后得到的三点，即为搜索区间的始点、中间点和终点，它们的函数值形成 高-低-高 趋势。

5、包含n 个设计变量的优化问题，称为 n 维优化问题。

6、函数 C X B HX X T T ++21的梯度为 HX+B 。

7、设G 为n×n 对称正定矩阵，若n 维空间中有两个非零向量d 0，d 1，满足(d 0)T Gd 1=0，则d 0、d 1之间存在_共轭_____关系。

8、 设计变量 、 约束条件 、 目标函数 是优化设计问题数学模型的基本要素。

9、对于无约束二元函数),(21x x f ，若在),(x 20100x x 点处取得极小值，其必要条件是 梯度为零 ，充分条件是 海塞矩阵正定 。

10、 库恩-塔克 条件可以叙述为在极值点处目标函数的梯度为起作用的各约束函数梯度的非负线性组合。

11、用黄金分割法求一元函数3610)(2+-=x x x f 的极小点，初始搜索区间]10,10[],[-=b a ，经第一次区间消去后得到的新区间为 [-2.36,2.36] 。

12、优化设计问题的数学模型的基本要素有设计变量 、约束条件 目标函数 、13、牛顿法的搜索方向d k = ，其计算量 大 ，且要求初始点在极小点 逼近 位置。

14、将函数f(X)=x 12+x 22-x 1x 2-10x 1-4x 2+60表示成C X B HX X T T ++21的形式 。

15、存在矩阵H ，向量 d 1，向量 d 2，当满足 (d1)TGd2=0 ，向量 d 1和向量 d 2是关于H 共轭。

matlab中的迭代算法迭代算法在matlab中的应用迭代算法是一种通过多次重复计算来逼近解的方法，它在matlab中得到了广泛的应用。

在本文中，我们将介绍一些常见的迭代算法，并探讨它们在matlab中的实现和应用。

1. 二分法二分法是一种简单而直观的迭代算法，它通过将问题的解空间一分为二，并根据中间点的取值来确定解所在的子空间。

在matlab中，可以使用while循环来实现二分法。

首先，需要指定解空间的上下界，然后通过计算中间点的值来判断解所在的子空间，并更新解空间的上下界。

重复这个过程，直到解的精度满足要求为止。

2. 牛顿迭代法牛顿迭代法是一种用于求解方程的迭代算法，它利用函数的局部线性近似来逼近方程的解。

在matlab中，可以使用while循环来实现牛顿迭代法。

首先，需要给定一个初始点，然后根据函数的一阶和二阶导数来计算下一个点的值。

重复这个过程，直到解的精度满足要求为止。

3. 高斯-赛德尔迭代法高斯-赛德尔迭代法是一种用于求解线性方程组的迭代算法，它通过不断更新近似解来逼近方程的解。

在matlab中，可以使用while循环和矩阵运算来实现高斯-赛德尔迭代法。

首先，需要给定一个初始解向量，然后根据方程组的系数矩阵和常数向量来计算下一个解向量的值。

重复这个过程，直到解的精度满足要求为止。

4. 迭代法求特征值迭代法也可以用于求解矩阵的特征值和特征向量。

在matlab中，可以使用while循环和矩阵运算来实现迭代法求特征值。

首先，需要给定一个初始特征向量，然后根据矩阵的幂来计算下一个特征向量的值。

重复这个过程，直到特征向量的变化小于某个阈值为止。

5. 迭代法求最优化问题除了求解方程和矩阵相关的问题，迭代算法还可以用于求解最优化问题。

在matlab中，可以使用while循环和梯度计算来实现迭代法求最优化问题。

首先，需要给定一个初始解向量，然后根据目标函数的梯度来计算下一个解向量的值。

重复这个过程，直到解的精度满足要求为止。

matlab实验黄金分割法黄金分割法（Golden Section Method）是一种用于解决最优化问题的数值计算方法。

在数学上，最优化问题可以表述为寻找某个函数的最小值或最大值。

而黄金分割法是一种无约束优化算法，常被用于一维函数的最优化问题。

在本文中，我们将介绍黄金分割法的原理，并通过Matlab实验来演示其应用。

黄金分割法的原理基于黄金分割比，即1：0.618。

黄金分割法通过将搜索区间不断缩小，直到满足指定的精度要求，最终找到函数的极值点。

下面我们将逐步介绍黄金分割法的步骤：1. 初始化：给定初始搜索区间[a, b]，以及所需的精度要求ε。

2. 计算区间长度：计算区间长度L = b - a。

3. 计算划分点：计算第一个划分点x1 = a + 0.382L，以及第二个划分点x2 = a + 0.618L。

4. 计算函数值：计算在划分点x1和x2处的函数值f(x1)和f(x2)。

5. 更新搜索区间：比较f(x1)和f(x2)的大小关系，若f(x1) < f(x2)，则新的搜索区间为[a, x2]，否则为[x1, b]。

6. 判断收敛：如果L < ε，算法收敛，停止迭代；否则，返回步骤2。

接下来，我们将通过一个实例来演示黄金分割法在Matlab中的应用。

假设我们要优化以下函数：```matlabf(x) = x^2 + 5*sin(x)```首先，我们需要在Matlab中定义这个函数。

在命令窗口中输入以下代码：```matlabf = @(x) x^2 + 5*sin(x);```接下来，我们可以采用黄金分割法来最小化这个函数。

以下是Matlab代码的大致框架：```matlaba = 0;b = 10;epsilon = 0.001;L = b - a;x1 = a + 0.382*L;x2 = a + 0.618*L;while L >= epsilonf1 = f(x1);f2 = f(x2);if f1 < f2b = x2;elsea = x1;endL = b - a;x1 = a + 0.382*L;x2 = a + 0.618*L;end```以上代码中，我们使用了一个while循环来不断更新搜索区间和划分点，直到满足指定的精度要求。

《现代设计方法》课程关于黄金分割法和二次插值法的Matlab语言实现在《现代设计方法》的第二章优化设计方法中有关一维搜索的最优化方法的一节里，我们学习了黄金非分割法和二次插值法。

它们都是建立在搜索区间的优先确定基础上实现的。

为了便于方便执行和比较，我将两种方法都写进了一个程序之内，以选择的方式实现执行其中一个。

下面以《现代设计方法》课后习题为例。

见课本70页，第2—7题。

原题如下：求函数f(x)=3*x^2+6*x+4的最优点，已知单谷区间为[-3,4],一维搜索精度为0.4。

1、先建立函数f(x),f(x)=3*x^2+6*x+4。

函数文件保存为：lee.m源代码为：function y=lee(x)y=3*x^2+6*x+4;2、程序主代码如下，该函数文件保存为：ll.mclear;a=input('请输入初始点');b=input('请输入初始步长');Y1=lee(a);Y2=lee(a+b);if Y1>Y2 %Y1>Y2的情况k=2; Y3=lee(a+2*b);while Y2>=Y3 %直到满足“大，小，大”为止k=k+1;Y3=lee(a+k*b);endA=a+b;B=a+k*b;elseif Y1<Y2 %Y1<Y2的情况k=1;Y3=lee(a-k*b);while Y1>=Y3 %直到满足“大，小，大”为止k=k+1;Y3=lee(a-k*b);endA=a-k*b;B=a;elseA=a;B=a+b; %Y1=Y2的情况enddisp(['初始搜索区间为',num2str([A,B])])%输出符合的区间xuanze=input('二次插值法输入0，黄金分割法输入1');%选择搜索方式T=input('选定一维搜索精度');if xuanze==1while B-A>T %一维搜索法使精度符合要求C=A+0.382*(B-A);D=A+0.618*(B-A); %黄金分割法选点if lee(C)>=lee(D); %缩小区间A=C;elseB=D;endendelsewhile B-A>T %二次插值法是精度符合要求C=(A+B)/2;W=[1,A,A^2;1,B,B^2;1,C,C^2];w=[lee(A);lee(B);lee(C)];x=W\w; %求线性方程组解，求拟合曲线xx=perms(x)';for n=1:(factorial(3)); %使解得值与a0,a1,a2一一对应t=1+(n-1)*3;a0=xx(t);a1=xx(t+1);a2=xx(t+2);if a0+a1*A+a2*A^2~=lee(A)||a0+a1*B+a2*B^2~=lee(B)...||a0+a1*C+a2*C^2~=lee(C);continueendbreakendxp=-a1/(2*a2); %拟合直线的最低点if lee(C)>=lee(xp); %缩小区间if C>=xp; %xp与C大小不定，导致缩小方式不同B=C;elseA=C;endelseif C>=xp;A=xp;elseB=xp;endendendendX=(A+B)/2;Y=lee(X);disp(['极小值点为',num2str(X),'极值为',num2str(Y)]);%输出结果3、由于我编的程序，其搜索区间是自定的。

matlab牛顿法牛顿法是一种经典的数值计算算法，其目的是在数值计算中寻找函数零点。

这个算法在工程、物理、计算机等各个领域都有广泛的应用。

在matlab中，牛顿法也是常用的算法之一。

1、牛顿法的概念及其原理牛顿法是一种迭代方法，用于解决方程f(x)=0的根。

该算法的基本思想是利用泰勒级数在函数零点处的展开式来逐步逼近函数零点。

具体地，看以下公式：f(x)=f(x0)+f'(x0)(x-x0)+...+f(n)(x0)/n!*(x-x0)^n这个公式表明了在x=x0附近的函数f(x)可以通过f(x0)以及一堆导数来近似表示。

如果我们只保留前两项，则有：0=f(x0)+f'(x0)(x-x0)然后可以解出以下的式子来得到下一个近似解：x1=x0-f(x0)/f'(x0)在牛顿法中只保留一阶泰勒级数，实际上是认为函数在零点附近，近似为线性函数，接下来的迭代是在这个线性函数上迭代得到零点。

2、应用牛顿法解决实际问题在实际问题中，当我们遇到求方程零点的问题时，我们可以使用牛顿法。

例如，我们想要计算sin(x)=1的解的话，可以将函数f(x)=sin(x)-1作为牛顿法的输入函数。

具体来说，可以这样写：% 定义初始值x0 = 1;% 定义牛顿法需要用到的函数f(x)fx = @(x) sin(x) - 1;% 迭代for i = 1:50x1 = x0 - fx(x0) / cos(x0);x0 = x1;enddisp(x1);通过这样的代码实现，我们可以得到方程sin(x)=1的解为1.5708。

事实上，matlab中有一个现成的函数，叫做fzero，可以直接用来求方程的解，这个函数内部实现也是用的牛顿法。

3、牛顿法的优缺点及适用条件牛顿法有其优点和缺点，其优点在于它的收敛速度非常快，因为它利用了导数来对函数刻画，逐步逼近了函数零点。

另外，牛顿法的收敛率是二次的，因此在计算精度方面也有比较大的保证。

一、单项选择题1. 在有限元中，系统之间只能通过（ A ）来传递内力。

A ．结点B ．网格C ．表面D ．边缘2．通过对有限元的态体分析，目的是要建立一个（ C ）来揭示结点外载荷与结点位移的关系，从而用来求解结点位移。

A ．变换矩阵B ．非线性方程组C ．线性方程组D ．目标函数3．从系统工程的观点分析，设计系统是一个由时间维、（ A ）和方法维组成的三维系统。

A ．逻辑维B ．位移维C ．技术维D ．质量维4. （ B ）称为产品三次设计的第三次设计。

A ．环境设计B ．容差设计C ．工艺设计D ．可靠性设计5．人们将设计的对象系统看成是“黑箱”，集中分析比较系统中的能量、物料和（ D ）三个基本要素的输入输出关系。

A ．时间B ．质量C ．成本D ．信息6．创造技法中的“635法”指针对一个设计问题，召集6人与会，要求每人在卡片上出3个设计方案，（ B ）为一单元，卡片相互交流。

A ．5个问题B ．5分钟时间C ．5个步骤D ．5个标准7．（ D ）更适合表达优化问题的数值迭代搜索求解过程。

A ．曲线或曲面B ．曲线或等值面C ．曲面或等值线D ．等值线或等值面8．机械最优化设计问题多属于（ C ）优化问题。

A. 约束线性B. 无约束线性C. 约束非线性D. 无约束非线性9．当设计变量数目（ B ）时，该设计问题称为中型优化问题。

A. n ＜10B. n ＝10～50C. n ＜50D. n ＞5010．梯度方向是函数具有（ D ）的方向。

A. 最速下降B. 最速上升C. 最小变化D. 最大变化率。

11．若矩阵A 的各阶顺序主子式均大于零，则该矩阵为（ A ）矩阵A. 正定B. 正定二次型C. 负定D. 负定二次型12．多维无约束优化有多种方法，（ D ）不属于其中的方法。

A. 直接法B. 间接法C. 模式法D. 积分法13．为了确定函数单峰区间内的极小点，可按照一定的规律给出若干试算点，依次比较各试算点的函数值大小，直到找到相邻三点的函数值按（ A ）变化的单峰区间为止。

简答题：1．等值线有哪些特点？2．什么是机械优化设计？3．简述传统的设计方法与优化设计方法的关系4．试写出多目标优化问题数学模型的一般形式5．一维搜索优化方法一般分为哪几步进行？6．为什么选择共轭方向作为搜索方向可以取得良好地效果？7．优化设计的数学模型一般包括哪几部分？8．常用的迭代终止准则有哪些？9．常用无约束优化方法有哪些？（写出三种即可）10．常用的约束优化方法有哪些？（写出三种即可）11．选择优化方法一般需要考虑哪些因素？12．黄金分割法缩小区间时的选点原则是什么？为什么要这样选点？13．试证明黄金分割法中区间缩短率为0.61814．试比较黄金分割法、二次插值法以及格点法三种一维优化方法的特点和适用条件15．梯度法的基本原则和特点是什么？16．变尺度法的基本思想是什么？17．在变尺度法中，为使变尺度矩阵与海塞矩阵的逆矩阵相似，并具有容易计算的特点，变尺度矩阵必须满足什么条件？18．分析比较原始牛顿法、阻尼牛顿法和共轭梯度法的特点。

19．共轭梯度法中，共轭方向和梯度之间的关系是怎样的？试画图说明20．为什么说共轭梯度法实质上是对最速下降法进行的一种改进？21．简述随机方向法的基本思路22．什么是库恩-塔克条件？其几何意义是什么？23．多元函数f(x1,x2,x3)在点x*存在极小值的充分必要条件是什么？24．什么是内点法，什么是外点法，它们适用的优化问题是什么？在构造惩罚函数时，内点法和外点法的惩罚因子的选取有何不同？25．在内点罚函数法中，初始罚因子的大小对优化计算过程有何影响？26．简述对优化设计数学模型进行尺度变换有何作用？27．多目标问题的解与单目标问题的解有何不同？如何将多目标问题转化为单目标问题进行求解？28．梯度和方向导数间有何关系？名词解释1.可行域2.起作用约束和不起作用约束3.消极约束4. 二次收敛性5. 离散变量6. 裂解7. 非裂解8. 可行搜索方向9. 设计空间10. 线性规划计算题1. 4. 试用黄金分割法求函数aa a f 20)(+=的极小点和极小值。

matlab牛顿插值法程序牛顿插值法是一种数值分析方法，用于确定给定数据点之间的未知函数值。

该方法使用一个插值多项式，该多项式使得插值多项式通过给定的插值点，并且在插值点周围的函数值接近已知函数值。

该方法比其他插值方法更高，因为它使用被插值数据的微分。

下面是MATLAB中牛顿插值法的程序：function [f, c] = newton_interpolation(x, y)% x：插值节点不同的x值，必须有n个元素。

% y：相应在每个节点的y值，必须有n个元素。

% 返回：拟合的多项式和的权重向量c% 我们创建一个表格，其中包含x和y值的第一行n = length(x);delta=zeros(n,n);% 先把第一列设置为y值：delta(:,1)=y';%接下来，我们将使用牛顿插值法来填写余下的每个列for j=2:nfor i=j:ndelta(i,j) = ( delta(i,j-1) - delta(i-1,j-1) )/( x(i) - x(i-j+1));endend% 配置 c 数组% 从差分表中得出k次递归系数矩阵，目标是多项式系数c = zeros(1,n);c(1)=delta(1,1);% 获取插值多项式（通过牛顿插值法）syms t;L = c(1);for j=2:nprod = 1;for i=1:j-1prod = prod * ( t - x(i) );endL = L + c(j) * prod;end% 转换L成一个函数y=L(x)f = matlabFunction(L);end现在，当我们调用这个函数并输入我们想要插值的节点和相应的y值，我们会得到拟合的多项式和传递插值节点的权重向量。

MATLAB插值法引言MATLAB是一种高级编程语言和环境，特别适用于数值计算和数据可视化。

插值法是一种在给定有限的数据点的情况下，通过构造插值函数来估计其他数据点的方法。

在MATLAB中，有多种插值方法可供选择，例如拉格朗日插值、牛顿插值和样条插值等。

本文将详细介绍MATLAB中常用的插值方法及其应用。

一、拉格朗日插值法拉格朗日插值法是一种多项式插值方法，通过构造一个满足给定数据点要求的多项式函数，来估计其他数据点的函数值。

其基本思想是通过一个多项式函数对已知数据点进行拟合，以实现函数值的估计。

以下是使用MATLAB实现拉格朗日插值法的步骤：1.确定待插值的数据点集合，假设有n个数据点。

2.构造拉格朗日插值多项式。

拉格朗日插值多项式的表达式为：其中，为拉格朗日基函数，其表达式为：3.利用构造的拉格朗日插值多项式求解其他点的函数值。

二、牛顿插值法牛顿插值法是一种基于差商的插值方法，通过构造一个n次多项式函数来拟合已知数据点，并利用差商的性质来求解其他点的函数值。

使用MATLAB实现牛顿插值法的步骤如下：1.确定待插值的数据点集合，假设有n个数据点。

2.计算差商表。

差商表的计算公式为：3.构造牛顿插值多项式。

牛顿插值多项式的表达式为：4.利用构造的牛顿插值多项式求解其他点的函数值。

三、样条插值法样条插值法是一种通过多段低次多项式来逼近原始数据，以实现光滑插值的方法。

它在相邻数据点处保持一定的连续性，并通过边界条件来确定插值函数的特性。

以下是使用MATLAB实现样条插值法的步骤：1.确定待插值的数据点集合，假设有n个数据点。

2.根据数据点的个数确定样条插值的次数。

一般情况下，插值多项式的次数小于或等于n-1。

3.利用边界条件构造样条插值函数。

常用的边界条件有：自然边界、固定边界和周期边界。

4.利用MATLAB中的插值函数csape或interp1等进行样条插值。

5.利用样条插值函数求解其他点的函数值。

机械优化设计习题集机械优化设计复习题⼀、单项选择题1.机械优化设计中，凡是可以根据设计要求事先给定的独⽴参数，称为（）（P19-21）A ．设计变量B ．⽬标函数C ．设计常量D ．约束条件2.下列哪个不是优化设计问题数学模型的基本要素（）（P19-21）A ．设计变量B .约束条件C .⽬标函数D .最佳步长3.凡在可⾏域内的任⼀设计点都代表了⼀允许采⽤的⽅案，这样的设计点为（）（P19-21）A .边界设计点B .极限设计点C .外点D .可⾏点4.当设计变量的数量n 在下列哪个范围时，该设计问题称为中型优化问题（P19-21）A .n<10B .n=10~50C .n<50D .n>505. 机械最优化设计问题多属于什么类型优化问题（）（P19-24）A .约束线性B .⽆约束线性C .约束⾮线性D .⽆约束⾮线性6. ⼯程优化设计问题⼤多是下列哪⼀类规划问题（）（P22-24）A .多变量⽆约束的⾮线性D .多变量有约束的线性7. n 元函数在()k x 点附近沿着梯度的正向或反向按给定步长改变设计变量时，⽬标函数值（）（P25-28）A .变化最⼤B .变化最⼩C .近似恒定D .变化不确定8.()f x ?⽅向是指函数()f x 具有下列哪个特性的⽅向（）（P25-28）A . 最⼩变化率B .最速下降C . 最速上升D .极值9. 梯度⽅向是函数具有（）的⽅向（P25-28）A ．最速下降B ．最速上升C ．最⼩变化D ．最⼤变化率10. 函数()f x 在某点的梯度⽅向为函数在该点的（）（P25-28）A .最速上升⽅向B .上升⽅向C .最速下降⽅向D .下降⽅向11. n 元函数()f x 在点x 处梯度的模为（）（P25-28）A.f ?= B .12...nf f f f x x x =++??? C .22212()()...()n f f f f x x x =++??? D.f ?=12.更适合表达优化问题的数值迭代搜索求解过程的是（）（P25-31）A ．曲⾯或曲线B ．曲线或等值⾯C ．曲⾯或等值线（）（P29-31）A.*()0f x ?=B. *()0G x =C. 海赛矩阵*()G x 正定D. **()0G()f x x ?=，负定14.12(,)f x x 在点*x 处存在极⼩值的充分条件是：要求函数在*x 处的Hessian 矩阵*()G x 为（）（P29-31） A .负定 B .正定 C .各阶主⼦式⼩于零 D .各阶主⼦式等于零15.在设计空间内，⽬标函数值相等点的连线，对于四维以上问题，构成了（）（P29-33）A .等值域B .等值⾯C .同⼼椭圆族D .等值超曲⾯16.下列有关⼆维⽬标函数的⽆约束极⼩点说法错误的是（）（P31-32）A .等值线族的⼀个共同中⼼点B .梯度为零的点C .驻点D .海赛矩阵不定的点17.设()f x 为定义在凸集D 上且具有连续⼆阶导数的函数，则()f x 在D 上为凸函数的充分必要条件是海赛矩阵()G x 在D 上处处（）（P33-35）A .正定B .半正定C .负定D .半负定18.下列哪⼀个不属于凸规划的性质（）（P33-35）A.凸规划问题的⽬标函数和约束函数均为凸函数B.凸规划问题中，当⽬标函数()f x 为⼆元函数时，其等值线呈现为⼤圈套⼩圈形式C.凸规划问题中，可⾏域{|()01,2,...,}i D x g x j m =≤=为凸集D.凸规划的任何局部最优解不⼀定是全局最优解19.拉格朗⽇乘⼦法是求解等式约束优化问题的⼀种经典⽅法，它是⼀种（）（P36-38）C .数学规划法D .升维法20.若矩阵A 的各阶顺序主⼦式均⼤于零，则该矩阵为（）矩阵（P36-45）A .正定B .正定⼆次型C .负定D .负定⼆次型21.约束极值点的库恩-塔克条件为1()()qi i i f x g x λ=?=-?∑，当约束条件()0(1,2,...i g x i m ≤=和0i λ≥时，则q 应为（）（P39-47） A .等式约束数⽬ B .起作⽤的等式约束数⽬C .不等式约束项⽬D .起作⽤的不等式约束数⽬22.⼀维优化⽅法可⽤于多维优化问题在既定⽅向上寻求下述哪个⽬的的⼀维搜索（）（P48-49）A ．最优⽅向B .最优变量C ．最优步长D ．最优⽬标23.在任何⼀次迭代计算过程中，当起始点和搜索⽅向确定后，求系统⽬标函数的极⼩值就是求（）的最优值问题（P48-49）A .约束B .等值线C .步长D .可⾏域24.求多维优化问题⽬标函数的极值时，迭代过程每⼀步的格式都是从某⼀定点()k x 出发，沿使⽬标函数满⾜下列哪个要求所规定⽅向()k d 搜索，以找出此⽅向的极⼩值(1)k x +（）（P48-49）A .正定B .负定C .上升D .下降25.对于⼀维搜索，搜索区间为[a,b],中间插⼊两个点1111a b a b <、，，计算出26.函数()f x 为在区间[10,20]内有极⼩值的单峰函数，进⾏⼀搜索时，取两点13和16，若f （13）A.[10,16]B.[10,13]C. [13,16]D. [16,20]27.为了确定函数单峰区间内的极⼩点，可按照⼀定的规律给出若⼲试算点，依次⽐较各试算点的函数值⼤⼩，直到找到相邻三点的函数值按（）变化的单峰区间为⽌（P49-52）A ．⾼-低-⾼B ．⾼-低-低C ．低-⾼-低D ．低-低-⾼28.0.618法是下列哪⼀种缩短区间⽅法的直接搜索⽅法（）（P51-53）A .等和B .等差C .等⽐D .等积29.假设要求在区间[a,b]插⼊两点12αα、，且12αα< ，下列关于⼀维搜索试探⽅法——黄⾦分割法的叙述，错误的是（）（P51-53）A.其缩短率为0.618B.1()b b a αλ=--C.1()a b a αλ=+-D.在该⽅法中缩短搜索区间采⽤的是区间消去法。

一维搜索方法：（方法比较）“成功—失败”法、二分法、0.618法（黄金分割法）、牛顿法、二次插值法、D.S.C法、Powell法、D.S.C—Powell组合法。

1、“成功—失败”法：主要思想：从一点出发，按一定的步长搜索新点，若成功，加大步长继续搜索，否则，缩短步长小步后退。

此方法可以求最优解所在区间，称为“搜索区间”。

2、二分法：主要思想：区间[a,b]的中间值x0，判断f（x）的导数在三个点处的值，舍去一部分区间再求f(x)的极小值。

3、0.618法：等比例收缩原则，每次留下来的区间长度是上次留下来的区间长度的w倍。

以及对称原则、去坏留好原则。

W=0.6184、牛顿法：基本思想：在极小值点附近用目标函数的二阶泰勒多项式近似代替目标函数，从而求得目标函数的极小值点的近似值。

5、二次插值法：牛顿法是在x k附近的目标函数用泰勒多项式近似代替，而此法是将f(x)用二次插值多项式p(x)近似代替。

把p(x)的极小值点作为f(x)极小值点的代替，从来求得函数的极小值。

6、D.S.C法：主要思想：利用成功—失败法寻找靠近极小值点的三点，进行二次插值。

优点是：收敛速度快，且不要求函数可微。

7、Powell法：基本思想：在搜索方向开始得到三点x0,x1,x2后，作二次插值，求得最小值x，在四点中去坏留好，在余下的三点中再作二次插值……8、D.S.C—Powell组合法：几种方法比较：D.S.C—Powell组合法是非常好的一种方法，它比任何一个单个方法都好D.S.C—Powell组合法与0.618法比较：D.S.C—Powell法中函数值的计算要比黄金分割法少得多，一般来讲它优于黄金分割法。

但：D.S.C—Powell法不一定能收敛到最优解。

最速下降法与修正牛顿法：对于正定二次函数，牛顿法一步可以求得最优解，对于非二次函数，牛顿法并不能保证有限次求得其最优解，但由于目标函数在极小值的附近近似于二次函数，故当初始点靠近极小值时，牛顿法收敛的速度比较快。