有关matlab的小问题

求倒数哪里用那么麻烦，一句就够

y = 1 / x;

至于值为什么不一样，很简单，如果直接算

obj=sydhs(3,[00955 01001 00991]);

得到的是[00955 01001 00991]的倒数

如果计算

obj=sydhs(NIND,SH);

得到的是SH的倒数，但是虽然你在matlab里看到

SH=[00955 01001 00991]

但是你看到的这只是四舍五入以后的有小数点有4位有效数字的数

真正存在SH变量里的是double类型，有14位有效数字的数

这一点细微差别造成运算结果不一样是很正常的

[x,fval,exitflag]=fmincon(@youhua1,x0,A,b,@mycon) %%%% 此行有问题

%%%%% fmincon的格式是固定的

%%%%% X=FMINCON(FUN,X0,A,B,Aeq,Beq,LB,UB,NONLCON,OPTIONS)

%%%%% 可以省略后面的，但不能省略中间部分

[x,fval,exitflag]=fmincon('myobj',x0,A,b,[],[],[],[],'mycon') %%%% 修改成这样的

程序可运行，但结果不知道对不对。最好把原题的需求给我看一下啊。

利用matlab 求解非线性规划问题，其运行代码编写，可以这样来考虑：

1、创建目标函数，myobj(x)

f=-(2x1+3x1^2+3x2+x2^2+x3)

2、创建约束条件函数，mycon(x)

根据给出的条件，来写不等式条件和等式条件

3、使用fmincon（）函数，求解x1，x2，x3。即

[x,fval,exitflag]=fmincon(@myobj,x0,[],[],[],[],lb,ub,@mycon)

这里，x0—初值，lb,ub—xi的上下限

4、得到x1，x2，x3，进行验证是否满足约束条件

也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。

对于初学者，尤其是还没有编程经验的非常有用的一个文件

遗传算法实例

% 下面举例说明遗传算法 %

% 求下列函数的最大值 %

% f(x)=10sin(5x)+7cos(4x) x∈[0,10] %

% 将 x 的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈001 。 %

% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10b/1023, 其中 b 是 [0,1023] 中的一个二值数。 %

% %

%--------------------------------------------------------------------------------------------------------------%

%--------------------------------------------------------------------------------------------------------------%

% 编程

%-----------------------------------------------

% 21初始化(编码)

% initpopm函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，

% 长度大小取决于变量的二进制编码的长度(在本例中取10位)。

%遗传算法子程序

%Name: initpopm

%初始化

function pop=initpop(popsize,chromlength)

pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵，

% roud对矩阵的每个单元进行圆整。这样产生的初始种群。

% 22 计算目标函数值

% 221 将二进制数转化为十进制数(1)

%遗传算法子程序

%Name: decodebinarym

%产生 [2^n 2^(n-1) 1] 的行向量，然后求和，将二进制转化为十进制

function pop2=decodebinary(pop)

[px,py]=size(pop); %求pop行和列数

for i=1:py

pop1(:,i)=2^(py-i)pop(:,i);

end

pop2=sum(pop1,2); %求pop1的每行之和

% 222 将二进制编码转化为十进制数(2)

% decodechromm函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置

% (对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，

% 参数1ength表示所截取的长度（本例为10）。

%遗传算法子程序

%Name: decodechromm

%将二进制编码转换成十进制

function pop2=decodechrom(pop,spoint,length)

pop1=pop(:,spoint:spoint+length-1);

pop2=decodebinary(pop1);

% 223 计算目标函数值

% calobjvaluem函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。

%遗传算法子程序

%Name: calobjvaluem

%实现目标函数的计算

function [objvalue]=calobjvalue(pop)

temp1=decodechrom(pop,1,10); %将pop每行转化成十进制数

x=temp110/1023; %将二值域 中的数转化为变量域 的数

objvalue=10sin(5x)+7cos(4x); %计算目标函数值

% 23 计算个体的适应值

%遗传算法子程序

%Name:calfitvaluem

%计算个体的适应值

function fitvalue=calfitvalue(objvalue)

global Cmin;

Cmin=0;

[px,py]=size(objvalue);

for i=1:px

if objvalue(i)+Cmin>0

temp=Cmin+objvalue(i);

else

temp=00;

end

fitvalue(i)=temp;

end

fitvalue=fitvalue';

% 24 选择复制

% 选择或复制 *** 作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。

% 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤：

% 1） 在第 t 代，由（1）式计算 fsum 和 pi

% 2） 产生 {0,1} 的随机数 rand( )，求 s=rand( )fsum

% 3） 求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中

% 4） 进行 N 次2）、3） *** 作，得到 N 个个体，成为第 t=t+1 代种群

%遗传算法子程序

%Name: selectionm

%选择复制

function [newpop]=selection(pop,fitvalue)

totalfit=sum(fitvalue); %求适应值之和

fitvalue=fitvalue/totalfit; %单个个体被选择的概率

fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，则 cumsum(fitvalue)=[1 3 6 10]

[px,py]=size(pop);

ms=sort(rand(px,1)); %从小到大排列

fitin=1;

newin=1;

while newin<=px

if(ms(newin))<fitvalue(fitin)

newpop(newin)=pop(fitin);

newin=newin+1;

else

fitin=fitin+1;

end

end

% 25 交叉

% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc 交叉，即两个个体从各自字符串的某一位置

% （一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：

% x1=0100110

% x2=1010001

% 从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：

% y1＝0100001

% y2＝1010110

% 这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。

% 事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。

%遗传算法子程序

%Name: crossoverm

%交叉

function [newpop]=crossover(pop,pc)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:2:px-1

if(rand<pc)

cpoint=round(randpy);

newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];

newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];

else

newpop(i,:)=pop(i);

newpop(i+1,:)=pop(i+1);

end

end

% 26 变异

% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由“1”变为“0”，

% 或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。

%遗传算法子程序

%Name: mutationm

%变异

function [newpop]=mutation(pop,pm)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:px

if(rand<pm)

mpoint=round(randpy);

if mpoint<=0

mpoint=1;

end

newpop(i)=pop(i);

if any(newpop(i,mpoint))==0

newpop(i,mpoint)=1;

else

newpop(i,mpoint)=0;

end

else

newpop(i)=pop(i);

end

end

% 27 求出群体中最大得适应值及其个体

%遗传算法子程序

%Name: bestm

%求出群体中适应值最大的值

function [bestindividual,bestfit]=best(pop,fitvalue)

[px,py]=size(pop);

bestindividual=pop(1,:);

bestfit=fitvalue(1);

for i=2:px

if fitvalue(i)>bestfit

bestindividual=pop(i,:);

bestfit=fitvalue(i);

end

end

% 28 主程序

%遗传算法主程序

%Name:genmain05m

clear

clf

popsize=20; %群体大小

chromlength=10; %字符串长度（个体长度）

pc=06; %交叉概率

pm=0001; %变异概率

pop=initpop(popsize,chromlength); %随机产生初始群体

for i=1:20 %20为迭代次数

[objvalue]=calobjvalue(pop); %计算目标函数

fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度

[newpop]=selection(pop,fitvalue); %复制

[newpop]=crossover(pop,pc); %交叉

[newpop]=mutation(pop,pc); %变异

[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值

y(i)=max(bestfit);

n(i)=i;

pop5=bestindividual;

x(i)=decodechrom(pop5,1,chromlength)10/1023;

pop=newpop;

end

fplot('10sin(5x)+7cos(4x)',[0 10])

hold on

plot(x,y,'r')

hold off

[z index]=max(y); %计算最大值及其位置

x5=x(index)%计算最大值对应的x值

y=z

问题求f(x)=x 10sin(5x) 7cos(4x)的最大值，其中0<=x<=9

分析选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为095,变异概率为008

程序清单

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x 10sin(5x) 7cos(4x);

%把上述函数存储为fitnessm文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',

[008],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算借过为：x =

78562 248553(当x为78562时，f（x）取最大值248553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例2

问题在－5<=Xi<=5,i=1,2区间内，求解

f(x1,x2)=-20exp(-02sqrt(05(x1^2 x2^2)))-exp(05(cos(2pix1) cos(2pix2))) 2271282的最小值。

分析种群大小10，最大代数1000，变异率01,交叉率03

程序清单

％源函数的matlab代码

function [eval]=f(sol)

numv=size(sol,2);

x=sol(1:numv);

eval=-20exp(-02sqrt(sum(x^2)/numv)))-exp(sum(cos(2pix))/numv) 2271282;

%适应度函数的matlab代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1;

x=sol(1:numv);

eval=f(x);

eval=-eval;

%遗传算法的matlab代码

bounds=ones(2,1)[-5 5];

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为m文件并放在工作目录下，运行结果为

p =

00000 -00000 00055

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：

fplot('x 10sin(5x) 7cos(4x)',[0,9])

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

问题求f(x)=x+10sin(5x)+7cos(4x)的最大值，其中0<=x<=9

分析选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为095,变异概率为008

程序清单

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x+10sin(5x)+7cos(4x);

%把上述函数存储为fitnessm文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',

[008],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算借过为：x =

78562 248553(当x为78562时，f（x）取最大值248553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例2

问题在－5<=Xi<=5,i=1,2区间内，求解

f(x1,x2)=-20exp(-02sqrt(05(x1^2+x2^2)))-exp(05(cos(2pix1)+cos(2pix2)))+2271282的最小值。

分析种群大小10，最大代数1000，变异率01,交叉率03

程序清单

％源函数的matlab代码

function [eval]=f(sol)

numv=size(sol,2);

x=sol(1:numv);

eval=-20exp(-02sqrt(sum(x^2)/numv)))-exp(sum(cos(2pix))/numv)+2271282;

%适应度函数的matlab代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1;

x=sol(1:numv);

eval=f(x);

eval=-eval;

%遗传算法的matlab代码

bounds=ones(2,1)[-5 5];

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为m文件并放在工作目录下，运行结果为

p =

00000 -00000 00055

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：

fplot('x+10sin(5x)+7cos(4x)',[0,9])

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

参考资料：

不记得了，抱歉

videoObj = VideoReader('renavi');%读视频文件,存入变量videoObj中

nframes = get(videoObj, 'NumberOfFrames');%获取视频文件的帧数

for k = 1 : nframes %for循环，读取每一帧

currentFrame = read(videoObj, k);%读取第i帧

subplot(1,2,1);%创建图像显示窗口并获取第一个窗口

imshow(currentFrame); %显示一帧

c1 = rgb2gray(currentFrame);%灰度化

grayFrame=medfilt2(c1,[3 3]);%中值滤波

if(k==1)%如是第一帧，则：

grayFrame_1 = grayFrame;%把第一帧灰图存入变量grayFrame_1中，如不是第一帧，则执行下句

end

difgrayFrame= grayFrame - grayFrame_1;%邻帧差，计算后面的帧与第一帧的差

subplot(1,2,2);%画第二个子图

imshow(difgrayFrame);%显示差图

grayFrame_1 = grayFrame;%更新第一灰图的内容

pause(00001);%暂停00001秒

end

MatLab数据类型主要分为 逻辑类型 、 数值类型 、 字符类型 、 结构类型 、 单元数组 、 函数句柄 、 映射容器 和 表格类型 。

注详细说明请善用MatLab中的 help xxx

MatLab创建逻辑矩阵格式：

其中，A为矩阵。对于A中任意非零元素都将转换为逻辑 1，零元素则转换为逻辑 0。

注复数值和NaN不能转换为逻辑值。

注

MatLab 中的字符/字符串是存储在行向量中的文本，该行向量中的每一个元素代表一个字符。每个字符的值对应其所对应的 ASCII 码值，故字符串是 ASCII 值的数值数组，访问方式同 MatLab 中的数组。

MatLab 中的 结构类型 与 C 语言类似，一个结构可以通过字段存储多个不同类型的数据。

单元数组是一种广义矩阵，每个单元可以包括一个任意数组或另一个单元数组，故每一个单元可以具有不同的尺寸和内存占用空间。

创建函数句柄需要使用到 *** 作符 @ ，使用函数句柄可以实现对函数的间接调用。

创建函数句柄的一般语法格式：

其中， @ 是句柄创建 *** 作符，Function_Handle 变量保存了该函数句柄，Function_Filename 是函数对应的 M 文件或 MatLab 内部函数名。

函数句柄创建后就可以通过函数句柄来调用函数：

MatLab 库函数提供了许多处理函数句柄的 *** 作函数，将函数句柄的功能与其他数据类型联系起来，扩展了函数句柄的应用。

映射容器（Map对象）可以将一个量映射到另一个量，构成一个 键值 对。映射容器是一种快速键查找的数据结构。

映射容器是Map类的对象，而Map类的所有对象都具有 3 种属性。

Map对象查看属性直接利用 运算符： mapObjCount 、 mapObjKeyType 、 mapObjValueType

表格类型（table）是一种可以包含不同类型数据的表数组。table数组存储列向数据或表格数据，表将每一段列向数据存储在一个变量中，表变量可以具有不同的数据类型和大小，但要求所有变量具有相同的行数。

以上就是关于有关matlab的小问题全部的内容，包括:有关matlab的小问题、matlab优化程序出错，刚学，实在不懂啊、利用matlab 求解非线性规划问题等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！