Erster Schritt: Wählen eines problembasierten oder solverbasierten Ansatzes
Optimization Toolbox™ bietet zwei Ansätze zur Lösung von Optimierungsproblemen oder -gleichungen: problembasiert und solverbasiert. Bevor Sie mit der Lösung eines Problems beginnen, müssen Sie zunächst den geeigneten Ansatz wählen.
In der folgenden Tabelle sind die wichtigsten Unterschiede zwischen den beiden Ansätzen zusammengefasst.
| Ansatz | Merkmale |
|---|---|
| Einrichtung der problembasierten Optimierung | Einfacher in der Erstellung und Fehlerbehebung |
| Bietet eine visuelle Benutzeroberfläche; siehe den Live Editor-Task „Optimize“ | |
| Stellt das Ziel und die Nebenbedingungen symbolisch dar | |
| Erfordert die Umwandlung von der Problemform in die Matrixform, was möglicherweise zu einer längeren Lösungszeit führt | |
| Berechnet automatisch die Gradienten der Zielfunktion und der nichtlinearen Nebenbedingungen und nutzt diese, berechnet jedoch keine Hesse-Matrizen; siehe Automatic Differentiation | |
| Die einzelnen Schritte finden Sie unter Problem-Based Optimization Workflow oder Problem-Based Workflow for Solving Equations | |
Einfaches lineares Beispiel: Mixed-Integer Linear Programming Basics: Problem-Based oder das Video Lösen eines gemischt-ganzzahligen linearen Optimierungsproblems mithilfe der Optimierungsmodellierung Einfaches nichtlineares Beispiel: Solve a Constrained Nonlinear Problem, Problem-Based Einfaches Beispiel zur Lösung von Gleichungen: Solve Nonlinear System of Equations, Problem-Based | |
| Solverbasierte Optimierungsproblem-Konfiguration | Aufwändiger in der Erstellung und Fehlerbehebung |
| Bietet eine visuelle Benutzeroberfläche; siehe den Live Editor-Task „Optimize“ | |
| Stellt das Ziel und die Nebenbedingungen als Funktionen oder Matrizen dar | |
| Es ist keine Umwandlung von der Problemform in die Matrixform erforderlich, was möglicherweise zu einer kürzeren Lösungszeit führt | |
| Ermöglicht die direkte Einbindung von Gradienten oder Hesse-Matrix, berechnet diese jedoch nicht automatisch | |
Ermöglicht die Verwendung einer Hesse-Matrix-Multiplikationsfunktion oder einer Jacobi-Multiplikationsfunktion, um bei umfangreichen Berechnungen Speicherplatz zu sparen Siehe Quadratic Minimization with Dense, Structured Hessian oder Jacobian Multiply Function with Linear Least Squares | |
| Die einzelnen Schritte finden Sie unter Solverbasierte Optimierungsproblem-Konfiguration | |
Einfaches lineares Beispiel: Mixed-Integer Linear Programming Basics: Solver-Based Einfaches nichtlineares Beispiel: Constrained Nonlinear Problem Using Optimize Live Editor Task or Solver Einfache Beispiele zur Lösung von Gleichungen: Examples |
