motivation：
记录一些fmincon使用方法和应对一些问题的解决方法
1.简介：
在MATLAB中，使用函数
x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)
即可调用fmincon函数进行约束非线性规划，其中fun为目标函数：
例如：
fun = @(x)100*(x(2)-x(1)^2)^2 + (1-x(1))^2;
x0为初始值：
x0 = [0.5,0]
A和b为线性不等式约束条件的参数，Aeq和beq为线性不等式约束条件的参数（没有使用过，形式如下）：
A = [1,2];
b = 1; % A*x <= b
Aeq = [2,1];
beq = 1; % Aeq*x <= b
lb为x0中每一维的下限，ub位每一维的上限，形式如下：
%表示x0第一维的区间是[0,1]，第二维的区间是[0,2]
lb = [0,0];
ub = [1,2];
nonlcon（Nonlinear constraints）为非线性不等式约束，使用方法如下：
例如：
x = fmincon(@myfun,x0,A,b,Aeq,beq,lb,ub,@mycon)
创建约束函数的.m文件
function [c,ceq] = mycon(x)
c = [(),…,()] % Compute nonlinear inequalities at x.
ceq = [(),..,()] % Compute nonlinear equalities at x.
option为设置fmincon的参数，定义option的形式为：
option = optimoptions(@fmincon,’参数名1′, 参数值1, ‘参数名2’, 参数值2)
例如：
option = optimoptions(@fmincon,’Algorithm’,’sqp’)
2.option参数的设置
除去option外，传入fmincon的其他参数形式简单，调用起来非常简单，此处不再赘述。以下介绍option中的几个参数。
‘Algorithm’:
该参数的含义是，为fmincon规划选择算法。可选算法有：
‘interior – point’ (默认算法)
‘trust – region – reflective’
‘sqp’
‘sqp-legacy'(iotimoptions only)
‘active – set’
其中，后三种方法为medium-scale算法，不能应对大规模的规划问题。‘trust – region – reflective’ 算法能够应对大规模的规划问题，但是使用‘trust-region-reflective’算法需要满足一些条件。但是官方文档表示，大规模和中规模算法各有优势，不是单纯的数据量大小：
Don’t let the name “large scale” mislead you; you can use a large-scale algorithm on a small problem. Furthermore, you do not need to specify any sparse matrices to use a large-scale algorithm. Choose a medium-scale algorithm to access extra functionality, such as additional constraint types, or possibly for better performance.
实验发现（使用‘interior – point’算法），当变量在500个左右，当约束公式的长度减小的时（从70000+项削减到10000+项），规划时间大大缩短（从170分钟缩短到11分钟），但是在进行长公式规划的时候，系统占用的cpu和内存并不高，所以可以考虑“将约束条件分组，多线程进行规划，再组合”
官方文档推荐：
先使用‘interior-point’算法；（能够快速精确的解决大规模的问题）
在小规模到中规模的问题上运行一个优化，先尝试‘sqp’，再尝试‘active-set’；
合适的时候使用‘trust-region-reflective’，问题必须满足：目标函数包含了梯度，边界和线性约束只能存在一个；
When the Solver Fails
1.开启Iterative Display
options = optimoptions(‘solvername’, ‘Display’,’iter’)
在执行规划之后打印出参数
Iteration Func-count f(x) Step-size First-order optimality
1 4 -0.841471 1 0.54
exitflag返回为1的条件是：
First-order optimality measure was less thanoptions.OptimalityTolerance, and maximum constraint violation was less thanoptions.ConstraintTolerance.
First-order optimality measure小于thanoptions.OptimalityTolerance，并且maximum constraint violation小于thanoptions.ConstraintTolerance
在实验中发现，返回的exitflag是0时（表示超过最大迭代数），大部分的非线性约束的不等式的值小于0，部分等于0，其实已经满足的条件，但是程序仍然进行迭代运算，直到超过最大迭代数，而且后期每次迭代的约束方程的值和目标函数已经不发生变化。此时认为已经满足了约束。
另一种情况是，exitflag为0，但是某些非线性约束的不等式方程的值大于0，此时没有满足约束。
所以exitflag = 0包含了两种情况。
可以通过观察First-order optimality measure，将OptimalityTolerance调大，可以将第一种情况分离开来。
‘Solver Takes Too Long’
未完待续
