Trabalho Otimização

%%Trabalho Otimização

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Aluno: Gustavo Diniz da Côrte %
% Matrícula: 2009018081 %
% %
% Para o ponto de parada foi escolhida a maior %
% precisão numérica possível de se atingir por %
% meio do algoritmo de minimiação por penali- %
% dades externas.Dessa forma o algoritmo en- %
% cerra sua execução quando Xk+1 = Xk. %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clc; %Linpa a tela clear; %Limpa a memória fout = 1; %Prepara as variáveis para executar corretamente a primeira iteração uk1 =1; %define Uk+1
Xk1 = [100 100]; %Define Xk+1 alfa = 10; %Define alfa a ser utilizado uk = uk1; %define Uk
Xk = Xk1-10; %Define Xk cont = 0; %contador que define o número de iterações %execução da otimização while ( abs(Xk1-Xk)> 0 ) %Confere se atingiu o ponto de parada %Atualiza os valores de Uk e Xk Xk = Xk1; uk = uk1; %Atualiza contador de iterações cont=cont+1; %Calcula Xk+1 que minimiza a função objetivo pelo método de Nelder-Mead Xk1 = fminsearch(@(X)funcobj(X,uk),Xk); %Calcula Uk+1 uk1 = alfa*uk; end %representação da função objetivo F(x) com a penalidade function [y] = funcobj (X, u) y = ((X(1) - 2)^4 + (X(1) - 2*X(2))^2 + u*(max(0,( (X(1))^2 - X(2) ) ))^2); end Dados iniciais α = 10
X0 = [ 100.000000 100.000000 ]T u0 = 1

iteração 1
X1 = [ 1.168719 0.740735 ]T u1 = 10

iteração 2
X2 = [ 0.990596 0.842410 ]T u2 = 100

iteração 3
X3 = [ 0.950745 0.887429 ]T u3 = 1000

iteração 4
X4 = [ 0.946118 0.893453 ]T u4 = 10000

iteração 5
X5 = [ 0.945959 0.894637 ]T u5 = 100000

iteração 6
X6 = [ 0.945942 0.894780 ]T u6 = 1000000

iteração 7
X7 = [ 0.945940