给出基于matlab的约束优化随机试验法的代码

以下是一个基于 Matlab 的约束优化问题的随机试验法的代码示例，以最小化 Rosenbrock 函数为例：

function [best_x, best_score] = random_search(func, bounds, max_iter)
    best_x = [];
    best_score = inf;
    for i = 1:max_iter
        x = bounds(:, 1) + rand(size(bounds, 1), 1) .* (bounds(:, 2) - bounds(:, 1));
        score = func(x);
        if score < best_score
            best_x = x;
            best_score = score;
        end
    end
end

function score = rosenbrock(x)
    score = sum(100 * (x(2:end) - x(1:end-1).^2).^2 + (1 - x(1:end-1)).^2);
end

bounds = repmat([-5 5], 10, 1); % 10维度的搜索空间
[best_x, best_score] = random_search(@rosenbrock, bounds, 1000);
fprintf("Best solution: x = %s, score = %f\n", mat2str(best_x), best_score);

在这个例子中，我们定义了一个 `random_search` 函数，它接受一个函数句柄、搜索空间的边界和最大迭代次数作为输入，返回最佳解和其得分。在每次迭代中，我们随机生成一个解，并计算其得分。如果得分优于当前最佳解，则更新最佳解。最后，我们输出找到的最佳解以及其得分。

同样需要注意的是，这个例子并没有考虑约束条件，因此搜索空间可能会超出定义的边界，导致不可行的解。在实际应用中，需要使用合适的方法来处理约束条件。