fun=@myfun; nlcon=@mycon; E=[100 100 100 100 100 100 100 100 100 100 100 100 100 40 60 100 100 100 100 100 100 100 60 100 100 100 100 100 60 100 100 60 100 60 60 60 100 60 60 60 60 100 60 60 40 100 60 60 60 60 100 60 100 100 60 60 60 60 60 60 60 60 100 100 60 100 60 100 60 100 60 60 60 100 100 60 60 40 60 100 60 60 60 60 60 60 60 60 60 60 60 60 60 100 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60 60]; D=[36 52 82 99 100 101 102 103 107 108 109 111 112 113 114 115 116 117 118 119 120 121 122 123]; lb=zeros(2*123,1);ub=zeros(2*123,1); Lb=[10,0.04];Ub=[100,0.15]; for i=1:123 lb(2*i-1:2*i)=Lb;ub(2*i-1:2*i)=Ub; ub(2*i-1)=E(i); end lb(D*2-1)=0; ub(D*2-1)=0; x0=ub;x0(D*2-1)=0;x0(1)=20; [x,fval]=fmincon(fun,x0,[],[],[],[],lb,ub,nlcon)为什么报错myfun无法识别

当出现错误提示 `myfun` 无法识别时，通常是因为 MATLAB 找不到对应的函数或无法访问到该函数。请确保 `myfun` 函数被正确定义并且在当前 MATLAB 工作路径中。

以下是一些常见的原因和解决方法：

1. 函数文件未保存：确保 `myfun` 函数文件已经保存在 MATLAB 工作路径中，并且文件名与函数名一致。
2. 函数文件名大小写错误：在 MATLAB 中，函数文件名是严格区分大小写的。请检查 `myfun` 函数文件的大小写是否与调用时一致。
3. 函数文件不在 MATLAB 工作路径中：如果 `myfun` 函数文件位于其他文件夹中，你需要添加该文件夹到 MATLAB 的工作路径中，或者使用绝对路径或相对路径来调用函数。
4. 函数定义不正确：确保 `myfun` 函数的定义正确无误，包括函数名、输入参数和输出参数的个数和类型。

请检查以上可能导致错误的原因，并根据实际情况进行修正。如果问题仍然存在，请提供更多的错误信息和 `myfun` 函数的代码，以便我更好地帮助你解决问题。

相关问题

报错显示的是fun=@myfun; 不在任何函数内

问题出在指定目标函数`myfun`的地方。根据您提供的代码，我没有看到`myfun`函数的定义。请确保在使用`fmincon`函数时，目标函数`myfun`已经被正确定义。

您需要创建一个名为`myfun`的函数，该函数接受一个参数`X`作为输入，并返回一个标量作为输出。这个函数应该根据问题的要求来计算目标函数值。然后，将这个函数赋值给变量`fun`，如下所示：

fun = @myfun;

请确保在定义`myfun`函数时，所有的变量和计算逻辑都是正确的。如果您需要更多关于目标函数的帮助，请提供目标函数的详细描述和要求，我将尽力提供更多的指导。

matlab fmincon非线性求解 100组数据中要求只要9种类求解 代码是什么

以下是一种可能的实现方式：

假设你已经有了一个能够求解单组数据的非线性优化函数 `myfun`，并且已经定义了所有的约束条件和初始解向量。那么你可以按照以下步骤来处理100组数据：

1. 定义一个函数 `wrapper`，该函数将 `myfun` 和一组数据作为输入，并返回 `myfun` 的优化结果。例如：

   function [x, fval] = wrapper(data)
       % 调用 myfun 求解该组数据
       [x, fval] = myfun(data.A, data.b, data.lb, data.ub, data.x0);
   end

2. 创建一个包含100组数据的结构体数组，每个数据组都包含 `A`、`b`、`lb`、`ub` 和 `x0` 等字段。例如：

   data(1).A = ...; data(1).b = ...; data(1).lb = ...; data(1).ub = ...; data(1).x0 = ...;
   data(2).A = ...; data(2).b = ...; data(2).lb = ...; data(2).ub = ...; data(2).x0 = ...;
   ...
   data(100).A = ...; data(100).b = ...; data(100).lb = ...; data(100).ub = ...; data(100).x0 = ...;

3. 定义一个包含9个元素的向量 `options`，每个元素分别表示每种类求解的最大迭代次数。例如：

   options = [100, 200, 300, 400, 500, 600, 700, 800, 900];

4. 使用 `parfor` 循环来并行求解所有数据组，并将每个数据组归为其中一类求解。例如：

   N = numel(data);
   result = cell(N, 1);
   parfor i = 1:N
       % 根据数据组的特征选择一种类求解
       idx = mod(i, 9) + 1;
       % 设置对应的优化选项
       opt = optimoptions('fmincon', 'MaxIterations', options(idx));
       % 调用 fmincon 函数求解该组数据
       [x, fval] = fmincon(@(x) wrapper(data(i)), data(i).x0, data(i).A, data(i).b, [], [], data(i).lb, data(i).ub, [], opt);
       % 将求解结果保存到 result 数组中
       result{i} = {x, fval};
   end

5. 将所有求解结果整理成一个数组并输出。例如：

   final_result = cell2mat(result);

需要注意的是，上述代码仅为示例，具体实现方式可能需要根据你的具体需求进行调整。此外，由于非线性优化问题的复杂性，不同数据组之间的求解时间可能会有较大差距，因此你需要根据实际情况选择合适的最大迭代次数以确保求解能够在合理时间内完成。