Optimisation avec des paramètres distincts dans Matlab

Fondamentalement, il s'agit d'un problème de cueillette de verrouillage, où les broches de la serrure ont 20 positions distinctes et il y a 12 goupilles. Aussi:

• Certaines des positions de la broche seront bloquées, en fonction des positions de toutes les autres broches. LI>
• Selon les spécificités de la serrure, il peut y avoir plusieurs clés qui correspondent li> ul>

  ... Intéressant! p>

  basé sur l'approche de Rasman et le commentaire de la phpdna, et em> l'hypothèse que vous utilisez int8 code> comme type de données, sous les contraintes données, il existe P >

  function [sol, fval, exitflag] = bintprog_nonlinear()
  
      %// insert your data here
      %// Any sparsity you may have here will only make this more 
      %// *memory* efficient, not *computationally*
      data = [... 
          ...  %// this will be an array with size 4-by-20-by-12
          ...  %// (or some permutation of that you find more intuitive)
          ];
  
      %// offsets into the 3D array to facilitate indexing a bit
      offsets = bsxfun(@plus, ...
          repmat(1:size(data,1), size(data,3),1), ...
          (0:size(data,3)-1)' * size(data,1)*size(data,2));   %//'
  
      %// your objective function
      function val = obj(X)
  
          %// limit "X" to integers in [1 20]
          X = min(max(round(X),1),size(data,3));
  
          %// "X" will be a collection of 12 integers between 0 and 20, which are 
          %// indices into the data matrix
  
          %// form "s" from "X"        
          s = sum(bsxfun(@plus, offsets, X*size(data,1) - size(data,1)));
  
  
          %// XxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxX        
          %// Compute the NEGATIVE VALUE of your function here
          %// XxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxXxX
  
  
      end
  
      %// your "non-linear" constraint function 
      function [C, Ceq] = nonlcon(X)
  
          %// limit "X" to integers in [1 20]
          X = min(max(round(X),1),size(data,3));
  
          %// form "s" from "X"        
          s = sum(bsxfun(@plus, offsets, X(:)*size(data,1) - size(data,1)));
  
          %// we have no equality constraints
          Ceq = [];
  
          %// Compute inequality constraints
          %// NOTE: solver is trying to solve C <= 0, so: 
          C = [...
              40 - s(1)
              s(2) - 100
              -20 - s(4)
          ];
  
      end
  
      %// useful GA options
      options = gaoptimset(...
          'UseParallel', 'always'...
          ...
      );
  
      %// The rest really depends on the specifics of the problem.
      %// Useful to look at will be at least 'TolCon', 'Vectorized', and of course, 
      %// 'PopulationType', 'Generations', etc.
  
      %// THE OPTIMZIATION 
      [sol, fval, exitflag] = ga(...
          @obj, size(data,3), ...  %// objective function, taking a vector of 20 values
          [],[], [],[], ...        %// no linear (in)equality constraints
          1,size(data,2), ...      %// lower and upper limits
          @nonlcon, options);      %// your "nonlinear" constraints
  
  
  end
  

Sauf si vous définissez une intelligence sur la manière dont les jeux de vecteurs sont organisés, il n'y aura pas de moyen intelligent de résoudre votre problème d'autre que la force brute pure.

dis que vous trouvez s s.t. F (s) est une contrainte maximale de s, vous devez toujours comprendre comment construire S avec douze vecteurs à 4 éléments (un système surdéterminé s'il y en avait un), où chaque vecteur a 20 valeurs possibles. La plus-value peut aider, bien que je ne sois pas sûre de savoir comment il est possible d'avoir un vecteur avec quatre éléments être 70-90% zéro et que la monnaie ne serait utile que s'il y avait encore une méthodologie dans la façon dont le vecteur est organisé

Je ne dis pas que vous ne pouvez pas résoudre le problème, je dis que vous devez repenser comment le problème est configuré.