MATLAB实现梯度下降法求解一元和多元函数极值

梯度下降法是一种常用的优化算法，用于寻找函数的极小值或极大值。在MATLAB中，我们可以使用内置的优化函数来实现梯度下降法。
对于一元函数，我们可以使用MATLAB的fminbnd函数来找到函数的极小值。下面是一个简单的示例：

% 定义一元函数
fun = @(x) x^2 - 4*x + 2;
% 定义搜索区间
x0 = 1;
x1 = 5;
% 使用fminbnd函数找到极小值
x_min = fminbnd(fun, x0, x1);
% 输出结果
fprintf('The minimum value is at x = %f
', x_min);

对于多元函数，我们可以使用MATLAB的fminunc函数来找到函数的极小值。下面是一个简单的示例：

% 定义多元函数
fun = @(x) x(1)^2 + x(2)^2 - 4*x(1) + 2*x(2);
% 定义初始点
x0 = [1, 1];
% 使用fminunc函数找到极小值
options = optimoptions('fminunc', 'Algorithm', 'quasi-newton');
[x_min, fval] = fminunc(fun, x0, options);
% 输出结果
fprintf('The minimum value is at x = %f, %f
', x_min(1), x_min(2));

在上述示例中，我们使用了MATLAB的fminbnd和fminunc函数来找到一元和多元函数的极小值。这些函数都使用了梯度下降法来寻找函数的极值。对于一元函数，我们只需要指定搜索区间；对于多元函数，我们还需要指定初始点。在找到极小值后，我们可以使用fprintf函数来输出结果。
需要注意的是，梯度下降法并不保证找到全局最小值，而只能找到局部最小值。因此，在实际应用中，可能需要尝试不同的初始点或算法参数，以便找到更好的结果。另外，梯度下降法对于某些非凸函数可能无法找到全局最小值，这时可以考虑使用其他优化算法，如牛顿法、拟牛顿法等。