Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

fgoalattain

다중 목적 함수를 이용한 목표 달성 문제 풀기

설명

fgoalattain은 목표 달성 문제를 풉니다. 이는 다중 목적 함수 최적화 문제를 최소화하기 위해 정식화된 문제입니다.

fgoalattain은 다음으로 지정된 문제의 최솟값을 구합니다.

minimizex,γ γ such that {F(x)weightγgoalc(x)0ceq(x)=0AxbAeqx=beqlbxub.

weight, goal, b, beq는 벡터이고, A와 Aeq는 행렬이고, F(x), c(x), ceq(x)는 벡터를 반환하는 함수입니다. F(x), c(x), ceq(x)는 비선형 함수일 수 있습니다.

x, lb, ub는 벡터 또는 행렬로 전달될 수 있습니다. 행렬 인수 항목을 참조하십시오.

예제

x = fgoalattain(fun,x0,goal,weight)weight로 지정된 가중치를 사용하여 x0에서 시작해 x를 변경함으로써 fun으로 제공된 목적 함수가 goal로 지정된 목표를 달성하게 만들려고 합니다.

참고

추가 파라미터 전달하기에는 필요한 경우 추가 파라미터를 목적 함수와 비선형 제약 조건 함수에 전달하는 방법이 설명되어 있습니다.

예제

x = fgoalattain(fun,x0,goal,weight,A,b)는 목표 달성 문제를 풀며, 여기에는 부등식 A*x ≤ b가 적용됩니다.

x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq)는 목표 달성 문제를 풀며, 여기에는 등식 Aeq*x = beq가 적용됩니다. 부등식이 존재하지 않는 경우 A = []b = []을 설정하십시오.

예제

x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub)는 목표 달성 문제를 풀며, 여기에는 범위 lb x ub가 적용됩니다. 등식이 존재하지 않는 경우 Aeq = []beq = []을 설정하십시오. x(i)의 하한이 비유계인 경우 lb(i) = -Inf를 설정하고, x(i)의 상한이 비유계인 경우 ub(i) = Inf를 설정하십시오.

참고

반복이 제약 조건을 위반할 수 있음 항목을 참조하십시오.

참고

문제의 지정된 입력값 범위에 모순이 있는 경우 출력값 xx0이 되고 출력값 fval[]이 됩니다.

예제

x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon)은 목표 달성 문제를 풀며, 여기에는 nonlcon에 정의된 비선형 부등식 c(x) 또는 등식 ceq(x)가 적용됩니다. fgoalattainc(x) ≤ 0ceq(x) = 0 조건에서 최적화합니다. 범위가 존재하지 않는 경우 lb = [] 또는 ub = []을 설정하거나 둘 다 설정하십시오.

예제

x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon,options)options에 지정된 최적화 옵션으로 목표 달성 문제를 풉니다. 이 옵션을 설정하려면 optimoptions를 사용하십시오.

x = fgoalattain(problem)problem에 설명된 구조체인 problem에 대한 목표 달성 문제를 풉니다.

예제

[x,fval] = fgoalattain(___)은 임의의 구문에 대해 해 x에서 fun을 통해 계산된 목적 함수 값을 반환합니다.

예제

[x,fval,attainfactor,exitflag,output] = fgoalattain(___)은 해 x에서의 달성 지수, fgoalattain의 종료 상황을 설명하는 값 exitflag, 최적화 과정에 대한 정보가 포함된 구조체 output을 추가로 반환합니다.

예제

[x,fval,attainfactor,exitflag,output,lambda] = fgoalattain(___)은 추가로 해 x에서의 라그랑주 승수가 필드에 포함된 구조체 lambda를 반환합니다.

예제

모두 축소

2개의 목적을 갖는 함수를 생각해 보겠습니다.

F(x)=[2+(x-3)25+x2/4].

이 함수는 명백히 x=3에서 F1(x)를 최소화하여 값 2를 얻고 x=0에서 F2(x)를 최소화하여 값 5를 얻습니다.

목표 [3,6]과 가중치 [1,1]을 설정하고 x0 = 1에서 시작해 목표 달성 문제를 풉니다.

fun = @(x)[2+(x-3)^2;5+x^2/4];
goal = [3,6];
weight = [1,1];
x0 = 1;
x = fgoalattain(fun,x0,goal,weight)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 2.0000

해에서 F(x)의 값을 구합니다.

fun(x)
ans = 2×1

    3.0000
    6.0000

fgoalattain은 목표를 정확히 달성합니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 선형 제약 조건은 x1+x24입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

A*x <= b를 나타내는 선형 제약 조건 행렬 Ab를 만듭니다.

A = [1,1];
b = 4;

초기점 [1,1]을 설정하고 목표 달성 문제를 풉니다.

x0 = [1,1];
x = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0694    1.9306

해에서 F(x)의 값을 구합니다.

fun(x)
ans = 2×1

    3.1484
    6.1484

fgoalattain은 목표를 충족하지 않습니다. 가중치가 같으므로 솔버가 같은 양만큼 각각의 목표를 과소달성합니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 범위는 0x13, 2x25입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

범위를 만듭니다.

lb = [0,2];
ub = [3,5];

초기점을 [1,4]로 설정하고 목표 달성 문제를 풉니다.

x0 = [1,4];
A = []; % no linear constraints
b = [];
Aeq = [];
beq = [];
x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.6667    2.3333

해에서 F(x)의 값을 구합니다.

fun(x)
ans = 2×1

    2.8889
    5.8889

fgoalattain은 목표를 초과 달성합니다. 가중치가 같으므로 솔버가 같은 양만큼 각각의 목표를 과다달성합니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 비선형 제약 조건은 x24입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

비선형 제약 조건 함수는 norm4.m 파일에 있습니다.

type norm4
function [c,ceq] = norm4(x)
ceq = [];
c = norm(x)^2 - 4;

선형 제약 조건과 범위를 위한 빈 입력 인수를 만듭니다.

A = [];
Aeq = [];
b = [];
beq = [];
lb = [];
ub = [];

초기점을 [1,1]로 설정하고 목표 달성 문제를 풉니다.

x0 = [1,1];
x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,@norm4)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    1.1094    1.6641

해에서 F(x)의 값을 구합니다.

fun(x)
ans = 2×1

    4.5778
    7.1991

fgoalattain은 목표를 충족하지 않습니다. 가중치는 같지만 F1(x)는 목표 3에서 약 1.58만큼 떨어져 있고 F2(x)는 목표 6에서 약 1.2만큼 떨어져 있습니다. 비선형 제약 조건으로 인해 해 x가 목표와 동일한 값을 달성하지 못합니다.

반복 과정 표시를 반환하도록 옵션을 설정하여 목표 달성 풀이 과정을 모니터링합니다.

options = optimoptions('fgoalattain','Display','iter');

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 선형 제약 조건은 x1+x24입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

A*x <= b를 나타내는 선형 제약 조건 행렬 Ab를 만듭니다.

A = [1,1];
b = 4;

선형 등식 제약 조건, 범위, 비선형 제약 조건을 위한 빈 입력 인수를 만듭니다.

Aeq = [];
beq = [];
lb = [];
ub = [];
nonlcon = [];

초기점 [1,1]을 설정하고 목표 달성 문제를 풉니다.

x0 = [1,1];
x = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon,options)
                 Attainment        Max     Line search     Directional 
 Iter F-count        factor    constraint   steplength      derivative   Procedure 
    0      4              0             4                                            
    1      9             -1           2.5            1          -0.535     
    2     14     -1.712e-08        0.2813            1           0.883     
    3     19         0.1452      0.005926            1           0.883     
    4     24         0.1484     2.868e-06            1           0.883     
    5     29         0.1484     6.666e-13            1           0.883    Hessian modified  

Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0694    1.9306

보고된 달성 지수가 양의 값이면 fgoalattain이 목표를 충족하는 해를 구하지 못한다는 의미입니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 선형 제약 조건은 x1+x24입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

A*x <= b를 나타내는 선형 제약 조건 행렬 Ab를 만듭니다.

A = [1,1];
b = 4;

초기점 [1,1]을 설정하고 목표 달성 문제를 풉니다. 목적 함수의 값을 요청합니다.

x0 = [1,1];
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0694    1.9306

fval = 2×1

    3.1484
    6.1484

목적 함수 값이 목표보다 더 높습니다. 즉 fgoalattain이 목표를 충족하지 못한다는 의미입니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 가중치는 [1,1]이며 선형 제약 조건은 x1+x24입니다.

목적 함수, 목표, 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

A*x <= b를 나타내는 선형 제약 조건 행렬 Ab를 만듭니다.

A = [1,1];
b = 4;

초기점 [1,1]을 설정하고 목표 달성 문제를 풉니다. 목적 함수의 값, 달성 지수, 종료 플래그, 출력 구조체, 라그랑주 승수를 요청합니다.

x0 = [1,1];
[x,fval,attainfactor,exitflag,output,lambda] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0694    1.9306

fval = 2×1

    3.1484
    6.1484

attainfactor = 0.1484
exitflag = 4
output = struct with fields:
         iterations: 6
          funcCount: 29
       lssteplength: 1
           stepsize: 4.1023e-13
          algorithm: 'active-set'
      firstorderopt: []
    constrviolation: 6.6663e-13
            message: 'Local minimum possible. Constraints satisfied....'

lambda = struct with fields:
         lower: [2x1 double]
         upper: [2x1 double]
         eqlin: [0x1 double]
      eqnonlin: [0x1 double]
       ineqlin: 0.5394
    ineqnonlin: [0x1 double]

attainfactor가 양의 값이면 목표가 달성되지 않은 상태임을 나타내며, fvalgoal과 비교해 이를 확인할 수도 있습니다.

lambda.ineqlin 값이 0이 아니며, 이는 선형 부등식이 해를 제한함을 뜻합니다.

목적 함수는 다음과 같습니다.

F(x)=[2+x-p125+x-p22/4].

여기서 p_1 = [2,3]이고 p_2 = [4,1]입니다. 목표는 [3,6]이고 초기 가중치는 [1,1]입니다.

목적 함수, 목표, 초기 가중치를 만듭니다.

p_1 = [2,3];
p_2 = [4,1];
fun = @(x)[2 + norm(x-p_1)^2;5 + norm(x-p_2)^2/4];
goal = [3,6];
weight = [1,1];

선형 제약 조건 x1+x24를 설정합니다.

A = [1 1];
b = 4;

x0 = [1 1]에서 시작하여 목표 달성 문제를 풉니다.

x0 = [1 1];
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0694    1.9306

fval = 2×1

    3.1484
    6.1484

fval의 각 성분이 goal의 대응되는 성분보다 크므로, 목표가 달성되지 않았음을 알 수 있습니다.

weight(1)을 더 작은 값으로 설정하여 첫 번째 목표를 충족하는 일의 중요성을 높입니다.

weight(1) = 1/10;
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0115    1.9885

fval = 2×1

    3.0233
    6.2328

이제 fval(1)의 값은 goal(1)에 훨씬 더 가까운 반면, fval(2)goal(2)에서 더 멉니다.

goal(2)를 현재 해보다 큰 7로 변경합니다. 해가 변합니다.

goal(2) = 7;
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    1.9639    2.0361

fval = 2×1

    2.9305
    6.3047

fval의 두 성분 모두 goal의 대응되는 성분보다 작습니다. 하지만 fval(1)fval(2)goal(2)에 가까운 정도보다 훨씬 더 goal(1)에 가깝습니다. 일반적으로 가중치가 작을수록, 목표를 달성할 수 없는 경우에는 목표 성분에 더 근접하게 되고 목표를 달성할 수 있는 경우에는 과다달성 정도가 더 작아집니다.

가중치를 같은 값이 되도록 변경합니다. fval 결과는 목표로부터의 거리가 같습니다.

weight(2) = 1/10;
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    1.7613    2.2387

fval = 2×1

    2.6365
    6.6365

제약 조건을 사용하면 결과 fval이 목표에 가까운 정도를 다르게 만들 수 있습니다. 예를 들어, x(2)에 대해 상한을 2로 설정합니다.

ub = [Inf,2];
lb = [];
Aeq = [];
beq = [];
[x,fval] = fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub)
Local minimum possible. Constraints satisfied.

fgoalattain stopped because the size of the current search direction is less than
twice the value of the step size tolerance and constraints are 
satisfied to within the value of the constraint tolerance.
x = 1×2

    2.0000    2.0000

fval = 2×1

    3.0000
    6.2500

이 경우, fval(1)은 목표를 정확히 충족하지만 fval(2)는 목표보다 작습니다.

입력 인수

모두 축소

목적 함수로, 함수 핸들 또는 함수 이름으로 지정됩니다. fun은 벡터 x를 받고 x에서 계산된 목적 함수 값인 벡터 F를 반환하는 함수입니다. 함수 fun을 함수 파일에 대한 함수 핸들로 지정할 수 있습니다.

x = fgoalattain(@myfun,x0,goal,weight)

여기서 myfun은 다음과 같은 MATLAB® 함수입니다.

function F = myfun(x)
F = ...         % Compute function values at x.

fun을 익명 함수에 대한 함수 핸들로 지정할 수도 있습니다.

x = fgoalattain(@(x)sin(x.*x),x0,goal,weight);

fgoalattain 함수는 xx0 인수 형태로 목적 함수와 비선형 제약 조건 함수에 전달합니다. 예를 들어, x0이 5×3 배열이면 fgoalattain 함수는 x를 5×3 배열로 fun에 전달합니다. fgoalattain 함수는 x를 열 벡터 x(:)로 변환한 후 선형 제약 조건 행렬 A 또는 Aeqx를 곱합니다.

목적 함수를 목표 값에 최대한 가깝게 만들려면(즉, 목표 값보다 크거나 작지 않게 함) optimoptions를 사용하여 EqualityGoalCount 옵션을 목표 값 근방에 있어야 하는 목적 함수의 개수로 설정하십시오. 이러한 목적 함수들은 fun이 반환하는 벡터 F의 첫 요소들로 반드시 분할되어야 합니다.

목적 함수의 기울기도 계산할 수 있고 다음 설정처럼 SpecifyObjectiveGradient 옵션도 true라고 가정하겠습니다.

options = optimoptions('fgoalattain','SpecifyObjectiveGradient',true)

이 경우, 함수 fun은 두 번째 출력 인수에 x에서 계산된 기울기 값 G를 행렬로 반환해야 합니다. 기울기는 점 x에서 계산된 각 F의 편도함수 dF/dx로 구성됩니다. F가 길이가 m인 벡터이고 x의 길이가 n이면(여기서 nx0의 길이임), F(x)의 기울기 Gn×m 행렬입니다. 여기서 G(i,j)x(i)에 대한 F(j)의 편도함수입니다(즉, Gj번째 열이 j번째 목적 함수 F(j)의 기울기임).

참고

SpecifyObjectiveGradienttrue로 설정하는 것은 문제에 비선형 제약 조건이 없거나 문제에 SpecifyConstraintGradienttrue로 설정된 비선형 제약 조건이 있는 경우에만 효과가 있습니다. 내부적으로 목적 함수가 제약 조건에 내포되어 있으므로 솔버가 기울기를 추정하지 않기 위해서는 두 기울기(목적 함수와 제약 조건)가 모두 제공되어야 합니다.

데이터형: char | string | function_handle

초기점으로, 실수형 벡터나 실수형 배열로 지정됩니다. 솔버는 x0의 요소 개수와 x0의 크기를 사용하여 fun이 받는 변수의 개수와 크기를 확인합니다.

예: x0 = [1,2,3,4]

데이터형: double

달성하려는 목표로, 실수형 벡터로 지정됩니다. fgoalattain은 다음과 같은 부등식이 해 x에서 i의 모든 값에 대해 성립하도록 만드는 최소 승수 γ를 구하려고 합니다.

Fi(x)goaliweightiγ.

weight가 양의 벡터라고 가정할 경우 다음 사항이 적용됩니다.

  • 솔버가 모든 목표를 동시에 달성하는 점 x를 찾을 경우에는 달성 지수 γ가 음수이며 목표가 과다달성됩니다.

  • 솔버가 모든 목표를 동시에 달성하는 점 x를 찾지 못할 경우에는 달성 지수 γ가 양수이며 목표가 과소달성됩니다.

예: [1 3 6]

데이터형: double

상대 달성 지수로, 실수형 벡터로 지정됩니다. fgoalattain은 다음과 같은 부등식이 해 x에서 i의 모든 값에 대해 성립하도록 만드는 최소 승수 γ를 구하려고 합니다.

Fi(x)goaliweightiγ.

goal의 모든 값이 0이 아닌 값이면 활성 목적 함수의 과소달성 또는 과다달성 비율을 같게 만들기 위해 weightabs(goal)로 설정합니다. 활성 목적 함수는 해에서 더 향상된 목표에 대한 장벽이 되는 목적 함수 집합입니다.

참고

weight 벡터의 성분을 0으로 설정하면 대응하는 목표 제약 조건이 목표 제약 조건이 아니라 강한 제약 조건으로 처리됩니다. 강한 제약 조건을 설정할 수 있는 다른 방법은 입력 인수 nonlcon을 사용하는 것입니다.

weight가 양수이면 fgoalattain은 목적 함수를 목표 값보다 작게 만들려고 합니다. 목적 함수를 목표 값보다 크게 만들려면 weight를 양수 대신 음수로 설정하십시오. 해에 대한 가중치의 효과를 보려면 목표 달성에서 가중치, 목표, 제약 조건의 효과 항목을 참조하십시오.

목적 함수를 목표 값에 최대한 가깝게 만들려면 EqualityGoalCount 옵션을 사용하고 fun이 반환하는 벡터의 첫 번째 요소로 목적 함수를 지정하십시오(funoptions 참조). 예제는 Multi-Objective Goal Attainment Optimization 항목을 참조하십시오.

예: abs(goal)

데이터형: double

선형 부등식 제약 조건으로, 실수 행렬로 지정됩니다. AM×N 행렬입니다. 여기서 M은 부등식 개수이고 N은 변수 개수(x0의 요소 개수)입니다. 대규모 문제의 경우, A를 희소 행렬로 전달하십시오.

A는 다음과 같이 M개의 선형 부등식을 인코딩합니다.

A*x <= b,

여기서 xN개의 변수 x(:)으로 구성된 열 벡터이고, bM개의 요소를 갖는 열 벡터입니다.

예를 들어, 다음 부등식을 살펴보겠습니다.

x1 + 2x2 ≤ 10
3x1 + 4x2 ≤ 20
5x1 + 6x2 ≤ 30,

다음 제약 조건을 입력하여 부등식을 지정합니다.

A = [1,2;3,4;5,6];
b = [10;20;30];

예: x 성분의 합이 1 이하가 되도록 지정하려면 A = ones(1,N)b = 1을 사용하십시오.

데이터형: double

선형 부등식 제약 조건으로, 실수 벡터로 지정됩니다. bA 행렬과 관련된, 요소를 M개 가진 벡터입니다. b를 행 벡터로 전달하면 솔버는 내부적으로 b를 열 벡터 b(:)으로 변환합니다. 대규모 문제의 경우, b를 희소 벡터로 전달하십시오.

b는 다음과 같이 M개의 선형 부등식을 인코딩합니다.

A*x <= b,

여기서 xN개의 변수 x(:)으로 구성된 열 벡터이고, A는 크기가 M×N인 행렬입니다.

예를 들어, 다음 부등식을 살펴보겠습니다.

x1 + 2x2 ≤ 10
3x1 + 4x2 ≤ 20
5x1 + 6x2 ≤ 30.

다음 제약 조건을 입력하여 부등식을 지정합니다.

A = [1,2;3,4;5,6];
b = [10;20;30];

예: x 성분의 합이 1 이하가 되도록 지정하려면 A = ones(1,N)b = 1을 사용하십시오.

데이터형: double

선형 등식 제약 조건으로, 실수 행렬로 지정됩니다. AeqMe×N 행렬입니다. 여기서 Me는 부등식 개수이고 N은 변수 개수(x0의 요소 개수)입니다. 대규모 문제의 경우, Aeq를 희소 행렬로 전달하십시오.

Aeq는 다음과 같이 Me개의 선형 등식을 인코딩합니다.

Aeq*x = beq,

여기서 xN개의 변수 x(:)으로 구성된 열 벡터이고, beqMe개의 요소를 갖는 열 벡터입니다.

예를 들어, 다음 부등식을 살펴보겠습니다.

x1 + 2x2 + 3x3 = 10
2x1 + 4x2 + x3 = 20,

다음 제약 조건을 입력하여 부등식을 지정합니다.

Aeq = [1,2,3;2,4,1];
beq = [10;20];

예: x 성분의 합이 1이 되도록 지정하려면 Aeq = ones(1,N)beq = 1을 사용하십시오.

데이터형: double

선형 등식 제약 조건으로, 실수 벡터로 지정됩니다. beqAeq 행렬과 관련된, 요소를 Me개 가진 벡터입니다. beq를 행 벡터로 전달하면 솔버는 내부적으로 beq를 열 벡터 beq(:)으로 변환합니다. 대규모 문제의 경우, beq를 희소 벡터로 전달하십시오.

beq는 다음과 같이 Me개의 선형 등식을 인코딩합니다.

Aeq*x = beq,

여기서 xN개의 변수 x(:)으로 구성된 열 벡터이고, Aeq는 크기가 Me×N인 행렬입니다.

예를 들어, 다음 등식을 살펴보겠습니다.

x1 + 2x2 + 3x3 = 10
2x1 + 4x2 + x3 = 20.

다음 제약 조건을 입력하여 등식을 지정합니다.

Aeq = [1,2,3;2,4,1];
beq = [10;20];

예: x 성분의 합이 1이 되도록 지정하려면 Aeq = ones(1,N)beq = 1을 사용하십시오.

데이터형: double

하한으로, 실수형 벡터나 실수형 배열로 지정됩니다. x0의 요소 개수가 lb의 요소 개수와 같은 경우 lb는 다음을 지정합니다.

모든 i에 대해 x(i) >= lb(i)

numel(lb) < numel(x0)이면 lb는 다음을 지정합니다.

1 <= i <= numel(lb)에 대해

x(i) >= lb(i)

lb의 요소 개수가 x0의 요소 개수보다 적으면 솔버가 경고를 발생시킵니다.

예: 모든 x 성분이 양수가 되도록 지정하려면 lb = zeros(size(x0))을 사용하십시오.

데이터형: double

상한으로, 실수형 벡터나 실수형 배열로 지정됩니다. x0의 요소 개수가 ub의 요소 개수와 같은 경우 ub는 다음을 지정합니다.

모든 i에 대해 x(i) <= ub(i)

numel(ub) < numel(x0)이면 ub는 다음을 지정합니다.

1 <= i <= numel(ub)에 대해

x(i) <= ub(i)

ub의 요소 개수가 x0의 요소 개수보다 적으면 솔버가 경고를 발생시킵니다.

예: 모든 x 성분이 1보다 작도록 지정하려면 ub = ones(size(x0))을 사용하십시오.

데이터형: double

비선형 제약 조건으로, 함수 핸들 또는 함수 이름으로 지정됩니다. nonlcon은 벡터 또는 배열 x를 받고 두 개의 배열 c(x)ceq(x)를 반환하는 함수입니다.

  • c(x)x의 비선형 부등식 제약 조건으로 구성된 배열입니다. fgoalattain은 다음을 충족하려고 시도합니다.

    c(x) <= 0 for all entries of c.

  • ceq(x)x의 비선형 등식 제약 조건으로 구성된 배열입니다. fgoalattain은 다음을 충족하려고 시도합니다.

    ceq(x) = 0 for all entries of ceq.

예를 들면 다음을 입력합니다.

x = fgoalattain(@myfun,x0,...,@mycon)

여기서 mycon은 다음과 같은 MATLAB 함수입니다.

function [c,ceq] = mycon(x)
c = ...     % Compute nonlinear inequalities at x.
ceq = ...   % Compute nonlinear equalities at x.

제약 조건의 기울기도 계산할 수 있고 다음 설정처럼 SpecifyConstraintGradient 옵션도 true라고 가정하겠습니다.

options = optimoptions('fgoalattain','SpecifyConstraintGradient',true)

이 경우, 함수 nonlcon은 세 번째 출력 인수와 네 번째 출력 인수에 c(x)의 기울기 GCceq(x)의 기울기 GCeq도 반환해야 합니다. 제공되는 기울기를 받지 않는 솔버에 사용하기 위해 기울기를 “조건화”하는 방법에 대한 설명은 비선형 제약 조건 항목을 참조하십시오.

nonlconm개의 성분으로 구성된 벡터 c를 반환하고 x의 길이가 n이면(여기서 nx0의 길이임), c(x)의 기울기 GCn×m 행렬입니다. 여기서 GC(i,j)x(i)에 대한 c(j)의 편도함수입니다(즉, GCj번째 열이 j번째 부등식 제약 조건 c(j)의 기울기임). 마찬가지로, ceqp개의 성분이 있으면 ceq(x)의 기울기 GCeqn×p 행렬입니다. 여기서 GCeq(i,j)x(i)에 대한 ceq(j)의 편도함수입니다(즉, GCeqj번째 열이 j번째 등식 제약 조건 ceq(j)의 기울기임).

참고

SpecifyConstraintGradienttrue로 설정하는 것은 SpecifyObjectiveGradienttrue로 설정된 경우에만 효과가 있습니다. 내부적으로 목적 함수가 제약 조건에 내포되어 있으므로 솔버가 기울기를 추정하지 않기 위해서는 두 기울기(목적 함수와 제약 조건)가 모두 제공되어야 합니다.

참고

Optimization Toolbox™ 함수는 double형 입력값만 받기 때문에 사용자 제공 목적 함수와 비선형 제약 조건 함수는 double형 출력값을 반환해야 합니다.

필요한 경우 비선형 제약 조건 함수 nonlcon을 파라미터화하는 방법에 대한 설명은 추가 파라미터 전달하기 항목을 참조하십시오.

데이터형: char | function_handle | string

최적화 옵션으로, optimoptions의 출력값 또는 optimset 등이 반환하는 구조체로 지정됩니다.

일부 옵션은 optimoptions 표시에 나타나지 않습니다. 이러한 옵션은 다음 표에서 기울임꼴로 표시되어 있습니다. 자세한 내용은 최적화 옵션 보기 항목을 참조하십시오.

optimset에 대해 다른 이름을 가진 옵션에 대한 자세한 내용은 현재 옵션 이름과 이전 옵션 이름 항목을 참조하십시오.

옵션설명
ConstraintTolerance

제약 조건 위반에 대한 종료 허용오차로, 양의 스칼라입니다. 디폴트 값은 1e-6입니다. 허용오차와 중지 기준 항목을 참조하십시오.

optimset의 경우, 이 이름은 TolCon입니다.

Diagnostics

최소화하거나 풀려는 함수에 대한 진단 정보를 표시합니다. 'on' 또는 'off'(디폴트 값)를 선택할 수 있습니다.

DiffMaxChange

유한 차분 기울기에 대한 변수의 최대 변화량입니다(양의 스칼라). 디폴트 값은 Inf입니다.

DiffMinChange

유한 차분 기울기에 대한 변수의 최소 변화량입니다(양의 스칼라). 디폴트 값은 0입니다.

Display

표시 수준입니다(반복 과정 표시 참조):

  • 'off' 또는 'none'은 출력값을 표시하지 않습니다.

  • 'iter'는 각 반복마다 출력값을 표시하고 디폴트 종료 메시지를 제공합니다.

  • 'iter-detailed'는 각 반복마다 출력값을 표시하고 기술적인 종료 메시지를 제공합니다.

  • 'notify'는 함수가 수렴하지 않는 경우에만 출력값을 표시하고 디폴트 종료 메시지를 제공합니다.

  • 'notify-detailed'는 함수가 수렴하지 않는 경우에만 출력값을 표시하고 기술적인 종료 메시지를 제공합니다.

  • 'final'(디폴트 값)은 최종 출력값만 표시하고 디폴트 종료 메시지를 제공합니다.

  • 'final-detailed'는 최종 출력값만 표시하고 기술적인 종료 메시지를 제공합니다.

EqualityGoalCount

목적 함수 fun이 목표 goal과 같아야 하는 목적 함수의 개수입니다(음이 아닌 정수임). 이런 목적 함수들은 분할되어 F의 첫 부분의 요소가 되어야 합니다. 디폴트 값은 0입니다. 예제는 Multi-Objective Goal Attainment Optimization 항목을 참조하십시오.

optimset의 경우, 이 이름은 GoalsExactAchieve입니다.

FiniteDifferenceStepSize

유한 차분에 대한 스칼라 또는 벡터 스텝 크기 인자입니다. FiniteDifferenceStepSize를 벡터 v로 설정하는 경우 전향 유한 차분 delta는 다음과 같습니다.

delta = v.*sign′(x).*max(abs(x),TypicalX);

여기서 sign′(x) = sign(x)입니다(단, sign′(0) = 1임). 중심 유한 차분은 다음과 같습니다.

delta = v.*max(abs(x),TypicalX);

스칼라 FiniteDifferenceStepSize는 벡터로 확장됩니다. 디폴트 값은 전향 유한 차분의 경우 sqrt(eps)이고 중심 유한 차분의 경우 eps^(1/3)입니다.

optimset의 경우, 이 이름은 FinDiffRelStep입니다.

FiniteDifferenceType

기울기를 추정하는 데 사용되는 유한 차분의 유형으로, 'forward'(디폴트 값) 또는 'central'(중심화됨)입니다. 'central'은 함수 실행 횟수가 2배 더 많지만 일반적으로 더 정확합니다.

알고리즘은 두 유형의 유한 차분을 모두 추정하는 경우 범위를 준수하려고 노력합니다. 예를 들어, 전향 스텝보다는 후향 스텝을 선택하여 범위 외부에 있는 점에서 실행되는 것을 방지할 수 있습니다.

optimset의 경우, 이 이름은 FinDiffType입니다.

FunctionTolerance

함수 값에 대한 종료 허용오차입니다(양의 스칼라). 디폴트 값은 1e-6입니다. 허용오차와 중지 기준 항목을 참조하십시오.

optimset의 경우, 이 이름은 TolFun입니다.

FunValCheck

목적 함수 값과 제약 조건 값이 유효한지 여부를 나타내는 검사입니다. 'on'은 목적 함수 또는 제약 조건이 복소수, Inf 또는 NaN 값을 반환하는 경우에 오류를 표시합니다. 디폴트 값인 'off'는 오류를 표시하지 않습니다.

MaxFunctionEvaluations

허용되는 최대 함수 실행 횟수입니다(양의 정수). 디폴트 값은 100*numberOfVariables입니다. 허용오차와 중지 기준 항목과 반복 횟수와 함수 실행 횟수 항목을 참조하십시오.

optimset의 경우, 이 이름은 MaxFunEvals입니다.

MaxIterations

허용되는 최대 반복 횟수입니다(양의 정수). 디폴트 값은 400입니다. 허용오차와 중지 기준 항목과 반복 횟수와 함수 실행 횟수 항목을 참조하십시오.

optimset의 경우, 이 이름은 MaxIter입니다.

MaxSQPIter

허용되는 최대 SQP 반복 횟수입니다(양의 정수). 디폴트 값은 10*max(numberOfVariables, numberOfInequalities + numberOfBounds)입니다.

MeritFunction

이 옵션이 'multiobj'(디폴트 값)로 설정된 경우 목표 달성 이득 함수를 사용합니다. 이 옵션이 'singleobj'로 설정된 경우 fmincon 이득 함수를 사용합니다.

OptimalityTolerance

1차 최적성에 대한 종료 허용오차입니다(양의 스칼라). 디폴트 값은 1e-6입니다. 1차 최적성 측정값 항목을 참조하십시오.

optimset의 경우, 이 이름은 TolFun입니다.

OutputFcn

각 반복마다 최적화 함수가 호출하는 하나 이상의 사용자 정의 함수입니다. 함수 핸들 또는 함수 핸들 셀형 배열을 전달합니다. 디폴트 값은 없음([])입니다. Output Function and Plot Function Syntax 항목을 참조하십시오.

PlotFcn

알고리즘이 실행되는 동안 다양한 진행률 측정값을 보여주는 플롯입니다. 미리 정의된 플롯에서 선택하거나 사용자가 직접 작성할 수 있습니다. 이름, 함수 핸들 또는 이름이나 함수 핸들로 구성된 셀형 배열을 전달합니다. 사용자 지정 플롯 함수의 경우, 함수 핸들을 전달하십시오. 디폴트 값은 없음([])입니다.

  • 'optimplotx'는 현재 점을 플로팅합니다.

  • 'optimplotfunccount'는 함수 실행 횟수를 플로팅합니다.

  • 'optimplotfval'은 목적 함수 값을 플로팅합니다.

  • 'optimplotconstrviolation'은 최대 제약 조건 위반 값을 플로팅합니다.

  • 'optimplotstepsize'는 스텝 크기를 플로팅합니다.

사용자 지정 플롯 함수는 출력 함수와 동일한 구문을 사용합니다. Optimization Toolbox의 출력 함수 항목과 Output Function and Plot Function Syntax 항목을 참조하십시오.

optimset의 경우, 이 이름은 PlotFcns입니다.

RelLineSrchBnd

직선 탐색 스텝 길이에 대한 상대적 범위(음이 아닌 실수 스칼라 값)입니다. x의 총 변위는 |Δx(i)| ≤ relLineSrchBnd· max(|x(i)|,|typicalx(i)|)를 충족합니다. 이 옵션을 사용하면 솔버가 너무 큰 스텝을 실행할 때 x의 변위 크기를 제어할 수 있습니다. 디폴트 값은 없음([])입니다.

RelLineSrchBndDuration

RelLineSrchBnd에 지정된 경계가 활성 상태로 유지되는 반복 횟수입니다. 디폴트 값은 1입니다.

SpecifyConstraintGradient

사용자가 정의하는 비선형 제약 조건 함수의 기울기입니다. 이 옵션이 true로 설정된 경우, fgoalattain에서 제약 조건 함수가 4개의 출력값을 가져야 합니다. 이에 대한 설명은 nonlcon에 나와 있습니다. 이 옵션이 false(디폴트 값)로 설정된 경우 fgoalattain는 유한 차분을 사용하여 비선형 제약 조건의 기울기를 추정합니다.

optimset의 경우, 이 이름은 GradConstr이고 값은 'on' 또는 'off'입니다.

SpecifyObjectiveGradient

사용자가 정의하는 목적 함수의 기울기입니다. 기울기를 정의하는 방법을 보려면 fun에 대한 설명을 참조하십시오. fgoalattain이 목적 함수에 대한 사용자 정의 기울기를 사용하도록 하려면 이 옵션을 true로 설정하십시오. 디폴트 값 false를 설정하면 fgoalattain이 유한 차분을 사용하여 기울기를 추정합니다.

optimset의 경우, 이 이름은 GradObj이고 값은 'on' 또는 'off'입니다.

StepTolerance

x에 대한 종료 허용오차입니다(양의 스칼라). 디폴트 값은 1e-6입니다. 허용오차와 중지 기준 항목을 참조하십시오.

optimset의 경우, 이 이름은 TolX입니다.

TolConSQP

내부 반복 SQP 제약 조건 위반에 대한 종료 허용오차입니다(양의 스칼라). 디폴트 값은 1e-6입니다.

TypicalX

일반적인 x 값입니다. TypicalX의 요소 개수는 시작점 x0의 요소 개수와 같습니다. 디폴트 값은 ones(numberofvariables,1)입니다. fgoalattain 함수는 기울기 추정을 위해 유한 차분을 스케일링하는 데 TypicalX를 사용합니다.

UseParallel

병렬 연산을 나타냅니다. true인 경우 fgoalattain는 기울기를 병렬로 추정합니다. 디폴트 값은 false입니다. 병렬 연산 항목을 참조하십시오.

예: optimoptions('fgoalattain','PlotFcn','optimplotfval')

문제 구조체로, 다음 표에 있는 필드를 가진 구조체로 지정됩니다.

필드 이름항목

objective

목적 함수 fun

x0

x의 초기점

goal

달성하려는 목표

weight

목표의 상대적 중요도 인자

Aineq

선형 부등식 제약 조건에 대한 행렬

bineq

선형 부등식 제약 조건에 대한 벡터

Aeq

선형 등식 제약 조건에 대한 행렬

beq

선형 등식 제약 조건에 대한 벡터
lb하한으로 구성된 벡터
ub상한으로 구성된 벡터

nonlcon

비선형 제약 조건 함수

solver

'fgoalattain'

options

optimoptions로 생성되는 옵션

problem 구조체에 최소한 objective, x0, goal, weight, solver, options 필드를 반드시 제공해야 합니다.

데이터형: struct

출력 인수

모두 축소

해로, 실수형 벡터나 실수형 배열로 반환됩니다. x의 크기는 x0의 크기와 같습니다. 일반적으로 xexitflag가 양수인 경우 문제에 대한 국소해입니다. 해의 품질에 대한 자세한 내용은 솔버가 성공한 경우 항목을 참조하십시오.

해에서 계산된 목적 함수 값으로, 실수형 배열로 반환됩니다. 일반적으로 fval = fun(x)입니다.

달성 지수로, 실수로 반환됩니다. attainfactor에는 해에서의 γ 값이 포함됩니다. attainfactor가 음수이면 목표가 과다달성된 것이고, attainfactor가 양수이면 목표가 과소달성된 것입니다. goal을 참조하십시오.

fgoalattain가 중지된 이유로, 정수로 반환됩니다.

1

함수가 해 x로 수렴되었습니다.

4

탐색 방향의 크기가 지정된 허용오차보다 작고 제약 조건 위반 값이 options.ConstraintTolerance보다 작습니다.

5

방향 도함수의 크기가 지정된 허용오차보다 작고 제약 조건 위반 값이 options.ConstraintTolerance보다 작습니다.

0

반복 횟수가 options.MaxIterations를 초과하거나, 함수 실행 횟수가 options.MaxFunctionEvaluations를 초과했습니다.

-1

출력 함수나 플롯 함수에 의해 중지되었습니다.

-2

실현가능점을 찾을 수 없습니다.

최적화 과정에 대한 정보로, 다음 표에 있는 필드를 가진 구조체로 반환됩니다.

iterations

수행된 반복 횟수

funcCount

함수 실행 횟수

lssteplength

탐색 방향을 기준으로 한 직선 탐색 스텝의 크기

constrviolation

제약 조건 함수의 최댓값

stepsize

x의 마지막 변위의 길이

algorithm

사용된 최적화 알고리즘

firstorderopt

1차 최적성에 대한 측정값

message

종료 메시지

해에서의 라그랑주 승수로, 다음 표에 있는 필드를 갖는 구조체로 반환됩니다.

lower

lb에 대응하는 하한

upper

ub에 대응하는 상한

ineqlin

Ab에 대응하는 선형 부등식

eqlin

Aeqbeq에 대응하는 선형 등식

ineqnonlin

nonlcon에서 c에 대응하는 비선형 부등식

eqnonlin

nonlcon에서 ceq에 대응하는 비선형 등식

알고리즘

fgoalattain 알고리즘에 대한 설명과 목표 달성 개념에 관한 논의는 Algorithms 항목을 참조하십시오.

대체 기능

최적화 라이브 편집기 작업은 fgoalattain에 대한 시각적 인터페이스를 제공합니다.

확장 기능

버전 내역

R2006a 이전에 개발됨