MATLAB fminsearch求最小值报错及两种方法差异咨询

问题1：第一种方法的错误原因 #

你在第一种方法里踩了fminsearch的核心规则坑——fminsearch要求目标函数必须返回一个标量值，但你的inner_fun返回的是一个4×1的向量：

myFun = (vector - b_mat*x).^2;

这里vector - b_mat*x是4个元素的残差向量，逐元素平方后还是4个元素的向量。fminsearch无法对向量进行最小化计算，因为它不知道要以哪个维度为优化目标，这就是报错的直接原因。

修正方法很简单，把向量的平方和求和，转换成标量的残差平方和即可：

myFun = sum((vector - b_mat*x).^2);

这样inner_fun就返回一个标量，完全符合fminsearch的输入要求。

问题2：两种实现方法的核心差异 #

这两种方法本质上都是求解非线性最小二乘问题（最小化残差向量的平方和），但在工具选择、实现逻辑和适用场景上有显著区别：

1. 求解器定位不同

• 第一种方法用的fminsearch是通用无约束局部优化器，基于Nelder-Mead单纯形算法，不需要目标函数的梯度信息，适合处理非光滑、无法求导的标量目标函数。但它不是为最小二乘问题专门设计的，对于这类问题的效率和精度都不如专用工具。
• 第二种方法用的lsqnonlin是专门的非线性最小二乘求解器，针对“最小化残差向量平方和”这类问题做了深度优化。你指定的levenberg-marquardt算法尤其适合中小规模的非线性最小二乘问题，收敛速度更快，结果更稳定。

2. 目标函数定义逻辑不同

• 用fminsearch时，你需要手动把残差向量转换成标量的平方和（也就是我们刚才修正的点），因为它只能处理标量目标。
• 用lsqnonlin时，你只需要返回残差向量本身，求解器会自动帮你计算平方和并完成优化，不需要手动求和，这是它的设计优势。

3. 优化控制能力不同

• fminsearch的可调参数较少，主要是迭代次数、容差这类基础设置，适合快速简单的优化场景。
• lsqnonlin提供了丰富的优化选项（比如你设置的Algorithm和Display），还支持约束条件（虽然你这里没用到），能更精细地控制优化过程，适合复杂的最小二乘问题。

内容的提问来源于stack exchange，提问作者Kyv