100

100 Rozdział 9

Diagnostic, [on|{off}] - drukuje informację diagnozowania minimalizowanej funkcji,

DiffMaxChange, [ positive scalar | {le—1} ] - maksymalna zmiana wartości zmiennych przy wyznaczaniu gradientu metodą przyrostów skończonych,

DiffMinChange, [ positive scalar | {le-8} ] - minimalna zmiana wartości zmiennych przy wyznaczaniu gradientu metodą przyrostów skończonych,

Display, [ off | iter | notify | finał ] -poziom wyświetlania informacji o procesie,

GoalExactAchieve, [ positive scalar integer | {0}] - liczba celów, które mają być osiągnięte,

GrandConstr, [ on | {off} ] - gradient ograniczeń nierównościowych zdefiniowany przez użytkownika,

GradObj, [ on | {off} ] - gradient funkcji celu podany przez użytkownika,

Hessian, [ on | {off} ] - hesjan funkcji celu podany przez użytkownika,

HessPattern, [ sparse matrix ] - wzorzec do wyznaczania hesjanu w technice macierzy rzadkich,

HessUpdate, [ {bfgs} | dfp | gillmurray | steepdesc ] - hesjan szacowany metodą Quasi-Newtona,

Jacobian, [ on | {off} ] - macierz Jacobiego funkcji celu podana przez użytkownika,

JacobPattern, [ sparse matrix ] - wzorzec do wyznaczania macierzy Jacobiego w technice macierzy rzadkich,

LargeScale, [ {on} | off ] — wykorzystanie dostępnych algorytmów dostosowanych do zadań o bardzo dużej liczbie zmiennych,

LevenbergMarquardt, [ on | off ] - wybór metody Levenberga-Marquardta zamiast algorytmu Gaussa-Newtona,

TolCan, [ positive scalar ] - dokładność spełnienia ograniczeń,

TolFun, [ positive scalar ] - dokładność optimum funkcji spełnienia ograniczeń.

Optymalizacja nieliniowa bez ograniczeń

Zadanie optymalizacji nieliniowej bez ograniczeń jest sformułowane w postaci

min/(x).

Można je rozwiązać za pomocą dwóch funkcji: fmins lub fminu. Funkcja fmins stosuje algorytm simpleksowy Neldera-Meada. Funkcja fminu stosuje metodę zmień-