matlab无约束最优化的使用，最优化方法主要是为了解决从多个方案中选择最合适的，而在本经验中主要介绍的是无约束的最优化的使用，如下：
在MATLAB中用神经网络算法求解无约束最优化问题 程序一：GA训练BP权值的主函数 function net=GABPNET(XX，YY)%使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络%数据归一化预处理 nntwarn off XX=[1：19；2：20；3：21；4：22]'；YY=[1：4]；XX=premnmx(XX)；YY=premnmx(YY)；YY%创建网络 net=newff(minmax(XX)，[19，25，1]，{'tansig'，'tansig'，'purelin'}，'trainlm')；下面使用遗传算法对网络进行优化 P=XX；T=YY；R=size(P，1)；S2=size(T，1)；S1=25；隐含层节点数 S=R*S1+S1*S2+S1+S2；遗传算法编码长度 aa=ones(S，1)*[-1，1]；popu=50；种群规模 save data2 XX YY%是将 xx，yy 二个变数的数值存入 data2 这个MAT-file，initPpp=initializega(popu，aa，'gabpEval')；初始化种群 gen=100；遗传代数%下面调用gaot工具箱，其中目标函数定义为gabpEval[x，endPop，bPop，trace]=ga(aa，'gabpEval'，[]，initPpp，[1e-6 1 1]，'maxGenTerm'，gen，.'normGeomSelect'，[0.09]，['arithXover']，[2]，'nonUnifMutation'，[2 gen 3])；绘收敛曲线图 figure(1)plot(trace(：，1)，1./trace(：，3)，'r-')；hold on plot(trace(：，1)，1./trace(：，2)，'b-')；xlabel('Generation')；ylabel('Sum-Squared Error')；figure(2)plot(trace(：，1)，trace(：，3)，'r-')；hold on plot。
如何用matlab求解非线性约束优化问题，对于非线性约束的优化问题，matla有个很好的函数fmico可以很容易解决。之前一个经验已经详细介绍了fmico的用法，下面通过一个例子来。
