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-