我正在努力理解以下代码是如何优化目标函数的。
我想，如果我使用向量作为fminsearch的输入，如下所示，结果"Kp"应该会给我目标函数最小化的点。
例如，Kp[1]应该给我一个点，在这个点上，对于给定的K[1]和Z[1]，目标函数是最小化的。所以它只是求解一元函数。
但如果我有如下的目标函数。Kp[4]也应该影响Kp[1]，因为函数内部有flipud(Vs(，反之亦然。
fminsearch仍然给了我结果，没有显示任何错误信息。
如果是这样的话，fminsearch到底能最小化什么？对于给定的K[1]和Z[1]，Kp[1]是否仍然最小化目标函数？
在没有flipud(Vs(的情况下，fminsearch是否将其视为多变量优化问题，而不是单变量优化问题？
如果是这样的话，fminsearch如何最小化目标函数，因为在这种情况下有不止一个方程要最小化？
clear
clc
R = 1.008;
sig = 0.75;
tempkgrid = linspace(-2,6,2)';
K = [tempkgrid ; tempkgrid];
Z = [2*ones(2,1);4*ones(2,1)];
aconst1 = -2*ones(4,1);
aconst2 = 6*ones(4,1);
const = R * (K + Z);
obj = @(Vs) -((1/(1-1/sig)) * ((Z + K - Vs./R) > 0) .* (Z + K - Vs./R).^(1-1/sig) + flipud(Vs));
Kp = fminsearchbnd(@(c) norm(obj(c)) ,aconst1, aconst1, const);
当输入是向量时，fminsearch解决了多变量最小化问题。换句话说，它最小化了一个多变量函数，例如
f(x1，x2，x3，…(
不是同时最小化多个单变量函数
f(x1，x2=x2_0，x3=x3_0，…(，
f(x1=x1_0，x2，x3=x3_0，…(，
f(x1=x1_0，x2=x2_0，x3，…(，…
为了了解它是如何在N维空间中找到局部极小值的，它有助于理解梯度下降法的思想。尽管fminsearch使用了不同的算法(Nelder-Mead方法(，但所有最小化方法背后的基本思想是相似的。
它的wiki页面提供了一个很好的梯度下降方法：
一个困在山上的人正试图下山(即试图找到全局最小值(。
雾很大，所以看不见下山的路；他们必须使用本地信息来找到最小值。
他们可以使用梯度下降法：
查看当前位置的山丘陡峭程度，然后朝着最陡的下降方向前进(即下坡(。使用这种方法，他们最终会找到下山的路，或者可能陷入某种"困境"；"洞"；(即局部最小值或鞍点(，就像一个山湖。
fminsearch使用Nelder-Mead单纯形算法，您可以在matlab的参考页面或其wiki页面上查看它。