optimset函数
功能：创建或编辑优化选项参数结构。
语法：
1 options = optimset(‘param1’,value1,’param2’,value2,…) 2 options = optimset 3 options = optimset(oldopts,’param1’,value1,…)
描述：
options = optimset(‘param1’,value1,’param2’,value2,…) 创建一个称为options的优化选项参数，其中指定的参数具有指定值。所有未指定的参数都设置为空矩阵[]（将参数设置为[]表示当options传递给优化函数时给参数赋缺省值）。赋值时只要输入参数前面的字母就行了。
optimset函数没有输入输出变量时，将显示一张完整的带有有效值的参数列表。
options = optimset (with no input arguments) 创建一个选项结构options，其中所有的元素被设置为[]。
eg 2.7
1 function f= fun1(x) 2 f=x(1)^2+x(2)^2+8; 3 end 4 function [g,h]=fun2(x) 5 g=-x(1)^2-x(2)^2; 6 h=-x(1)-x(2)^2+2; 7 end 8 9 %命令以及函数调用 10 options=optimset; 11 [x,y]=fmincon(‘fun1‘,rand(2,1),[],[],[],[],zeros(2,1),[],... 12 ‘fun2‘,options) 13 x = 14 15 0.5000 16 1.2247 17 18 19 y = 20 21 9.7500
eg 2.8
1 function f= fun1(x) 2 f=-(sqrt(x(1))+sqrt(x(2))+sqrt(x(3))+sqrt(x(4))); 3 end 4 function [g,h]=fun2(x) 5 g(1)=x(1)-400; 6 g(2)=1.1*x(1)+x(2)-440; 7 g(3)=1.21*x(1)+1.1*x(2)+x(3)-484; 8 g(4)=1.331*x(1)+1.21*x(2)+1.1*x(3)+x(4)-532.4; 9 h=0; 10 end 11 12 x0=[1;1;1;1]; 13 %options=optimset; 14 [x,y]=fmincon(‘fun1‘,x0,[],[],[],[],zeros(4,1),[],... 15 ‘fun2‘) 16 x = 17 18 1.0e+02 * 19 20 0.861883268508773 21 1.042878554277346 22 1.261883183737369 23 1.526878812873891 24 25 26 y = 27 28 -43.085960574428569
罚函数法：
eg 2.10
1)普通方法
1 function f= fun1(x) 2 f=x(1)^2+x(2)^2+8; 3 end 4 function [g,h]=fun2(x) 5 g=-x(1)^2+x(2); 6 h=-x(1)-x(2)^2+2; 7 end 8 9 [x,y]=fmincon(‘fun1‘,rand(2,1),[],[],[],[],zeros(2,1),[],... 10 ‘fun2 11 x = 12 13 1.000001999995532 14 0.999999000001734 15 16 17 y = 18 19 10.000001999999531
2）罚函数
1 function g= fun1(x) 2 M=50000; 3 f=x(1)^2+x(2)^2+8;%产生的中间函数 4 g=f-M*min(x(1),0)-M*min(x(2),0)-M*min(x(1)^2-x(2),0)+... 5 M*abs(-x(1)-x(2)^2+2); 6 end 7 [x,y]=fminunc(‘fun1‘,rand(2,1)) 8 x = 9 10 0.508134596752331 11 1.221419421512379 12 13 14 y = 15 16 4.817068272095967e+04
rand(‘state’,sum(clock))
作用是定义一个随时间变化的初值x_0。
tic和toc
用来记录matlab命令执行的时间。
tic用来保存当前时间，而后使用toc来记录程序完成时间。
两者往往结合使用，用法如下：
tic
operations
toc
显示时间单位：秒。
y = floor(x)
函数将x中元素取整，值y为不大于本身的最小整数。
ceil
是向离它最近的大整数取整
云模型
1 N=1500; 2 Y=[9.5 10.3 10.1 8.1 3 10.3 9.7 10.4 10.1 4 10.6 8.6 9.2 10 5 10.5 10.4 10.1 10.1 6 10.9 9.8 10 10.1 7 10.6 9.8 9.7 10 8 10.4 10.5 10.6 10.3 9 10.1 10.2 10.8 8.4 10 9.3 10.2 9.6 10 11 10.5 10 10.7 9.9]‘; 12 13 for i=1:size(Y,1) 14 subplot(size(Y,1)/2,2,i); 15 [x,y,Ex,En,He]=cloud_transform(Y(i,:),N); 16 plot(x,y,‘r.‘); 17 xlabel(‘射击成绩分布/环‘); 18 ylabel(‘确定度‘); 19 title(strcat(‘第‘,num2str(i),‘人射击云模型还原图‘)); 20 axis([8,12,0,1]); 21 end 22 function [x,y,Ex,En,He]= cloud_transform(y,n) 23 Ex=mean(y);%y是一个向量，代表每一个人的射击数据 24 En=mean(abs(y-Ex)).*sqrt(pi/2);%向量 25 He=sqrt(var(y)-En.^2);%向量 26 for q=1:n 27 Enn=randn(1).*He+En; 28 %randn(1)产生一个随数，但He为向量 29 x(q)=randn(1).*Enn+Ex; 30 y(q)=exp(-(x(q)-Ex).^2./(2.*Enn.^2)); 31 end 32 x; 33 y;
logistic模型
1 syms a b; 2 c=[a b]‘; 3 A=[174 179 183 189 207 234 220.5 256 270 285]; 4 B=cumsum(A); 5 n=length(A); 6 for i=1:(n-1) 7 C(i)=(B(i)+B(i+1))/2; 8 end 9 D=A; 10 D(1)=[]; 11 D=D‘; 12 E=[-C;ones(1,n-1)]; 13 c=inv(E*E‘)*E*D; 14 c=c‘; 15 a=c(1);b=c(2); 16 %计算待定参数a,b的值 17 F=[];F(1)=A(1); 18 for i=2:(n+10) 19 F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a; 20 end 21 G=[];G(1)=A(1); 22 for i=2:(n+10) 23 G(i)=F(i)-F(i-1);%为预测出来的20组数据 24 end 25 t1=1995:2004; 26 t2=1995:2014; 27 G;a,b 28 plot(t1,A,‘o‘,t2,G)
归一化函数mapminmax
[pn,ps]=mapminmax(P)或=mapstd(P) %P是输入向量，pn,ps是什么？
pn表示你归一化后的返回数据
ps是进行归一化时所用的参数。
下面的实例更能帮助理解：
1 x=[100,200,300,400]; 2 [pn,px]=mapminmax(x)； 3 pn = 4 -1.0000 -0.3333 0.3333 1.0000 5 px = 6 name: ‘mapminmax’ 7 xrows: 1 8 xmax: 400 9 xmin: 100 10 xrange: 300 11 yrows: 1 12 ymax: 1 13 ymin: -1 14 yrange: 2 15 no_change: 0 16 gain: 0.0067 17 xoffset: 100
figure
是建立图形的意思，系统自动从1，2，3，4…来建立图形，数字代表第几幅图形，figure(1)，figure(2)就是第一第二副图的意思，在建立图形的时候，您注意一下它的标题就是figure1或figure2等等，对应到程序中就是您的例子语句
一般建立新图只需要一个figure就行，系统自动建立新图，可以简单一点，当然要加上也可以。
subplot(m,n,k)
多子图，就是一张图中有好多小图，也是有标号的
subplot(‘Position’,[left bottom width height])
m表示画几行
n表示画几列
k表示现在画的是第几幅图
基于MATLAB工具箱公路运量预测 P137 源代码
1 clc;
2 p=[sqrs;sqjdcs;sqglmj];
3 t=[glkyl;glhyl];
4 [pn,input_str]=mapminmax(p);
5 [tn,output_str]=mapminmax(t);
6 net=newff(pn,tn,[3,7,2],{‘purelin‘,‘logsig‘,‘purelin‘}); %建立模型，并用梯度下降法训练．
7 net.trainParam.show=10;
8 net.trainParam.Lr=0.05; %学习速度为0.05
9 net.trainParam.epochs=5000; %最大训练轮回为50000次
10 net.trainParam.goal=0.65*10^(-3);
11 net.divideFcn=‘‘;
12 net=train(net,pn,tn); %开始训练，其中pn,tn分别为输入输出样本
13 %利用原始数据对BP网络仿真
14 an=sim(net,pn); %用训练好的模型进行仿真
15 a=mapminmax(‘reverse‘,an,output_str); % 把仿真得到的数据还原为原始的数量级
16 x=1990:2009;
17 newk=a(1,:);
18 newh=a(2,:);
19 figure(2);
20 subplot(2,1,1);
21 plot(x,newk,‘r-o‘,x,glkyl,‘b--+‘);
22 legend(‘网络输出客运量‘,‘实际客运量‘);
23 xlabel(‘年份‘);
24 ylabel(‘客运量/万人‘);
25 title(‘运用工具箱客运量学习和测试对比图‘);
26 subplot(2,1,2);
27 plot(x,newh,‘r-o‘,x,glhyl,‘b--+‘);
28 legend(‘网络输出货运量‘,‘实际货运量‘);
29 xlabel(‘年份‘);
30 ylabel(‘货运量/万人‘);
31 title(‘运用工具箱货运量学习和测试对比图‘);
32
33 pnew=[73.39 75.55
34 3.9635 4.0975
35 0.9880 1.0268];
36 pnewn=mapminmax(‘apply‘,pnew,input_str);
37 anewn=sim(set,pnewn);
38 anew=mapminmax(‘reverse‘,anewn,output_str);
但是不造为毛，出错 haha (line 21)
1 plot(x,newk,’r-o’,x,glkyl,’b–+’);
原文地址：https://www.cnblogs.com/twomeng/p/9476366.html