基于最优化理论求解规划问题的Matlab实现：建模、求解器与课程设计全流程

简介：这是一份基于最优化理论求解规划问题的Matlab实现课程设计，适合高校学生在最优化方法、运筹学或数学建模课程中作为大作业或结课项目参考。项目以Matlab编写，覆盖牛顿法、最速下降法等常见规划问题求解算法，包含可直接运行的m源文件，并配套详细的设计文档与PPT答辩材料，能够帮助读者快速理解算法原理与代码实现流程。压缩包共19个文件，其中4个m文件为实现核心，PPT与PDF用于展示方案与说明思路，另有图片和流程图辅助讲解，整体约911KB，结构清晰，下载后无需额外修改即可运行。目前已有156人学习，资源经导师指导并获得97分评价，从算法编码到文档撰写均具较高完成度，特别适合需要短时间内产出完整课程设计或希望参考高分范式的学习者。

1. 基于最优化理论求解规划问题的Matlab实现：从能算到能讲

如果你的课设题目落到了生产计划、物流调度、投资组合这类带约束的决策问题上，那么“基于最优化理论求解规划问题的 Matlab 实现”就是绕不开的组合拳：先建模，再用优化工具箱求解，最后拿文档和PPT去答辩。很多人的分差不在数学推导，而在“怎么把题目翻译成标准形式、怎么选求解器、怎么让输出结果能自圆其说”这条链路上。下面按这条链路展开：判断问题类型、写出可复现代码、组织报告与 PPT、答辩前做几个真正能涨分的验证。新手可以照着把本科课设做完，熟手也能在参数调整和结果可信度上拿到点新东西。

2. 最优化方法建模拆解：三步锁定问题类型与求解器

2.1 线性/非线性判断：先看变量之间除了相加相乘还有什么

拿到一道规划问题，第一步不是写代码，而是判断它属于哪一类。最优化理论与算法（比如陈宝林那本教材）里对规划问题的分类，本质上就靠几条规则：目标函数和约束条件里有没有变量乘积、指数、对数、绝对值、分段函数。只要出现其中一个，整个模型就要按非线性规划处理，不能把某个非线性项单独线性化后继续套线性求解器。

有一个很常见的误用：把二次项在初值点做泰勒展开，用近似线性模型替代原问题，再用 linprog 求解。这在敏感性分析里可以作为一种简化，但作为课程设计主方法会留下两个硬伤：一是结果对初值极度敏感，二是文档里很难解释清楚误差来源。我一般会建议学生先画图。二维问题用 fcontour 画目标函数等高线，再用 patch 画可行域，一眼就能看出是凸是凹、约束有没有把最优解夹在边界上。

判断完线性还是非线性后，还要回答一个更内核的问题：模型是凸的吗？凸规划意味着局部最优就是全局最优，这是最优化理论里少数几个能直接写进文档的结论。如果目标函数是凸的（比如二次项系数矩阵半正定）、可行域是凸集，就可以放心地说“fmincon 返回的解是全局最优”。反之，文档里只能写“局部最优解”，否则答辩时老师追问一句就站不住。

2.2 Matlab优化工具箱的求解器对照：linprog、quadprog、fmincon、intlinprog

问题类型确认后，对应的 Matlab 求解器基本就固定了。matlab优化工具箱里最常用的是下面这几个，选错求解器通常不会报错，但会得到低质量结果或者干脆跑不动。

实际选型顺序我是这样走的：变量连续、目标与约束全线性，直接 linprog；目标有二次项但约束线性，quadprog；只要目标或约束出现非线性项，fmincon；有整数变量，先看能不能用 intlinprog，变量一多再考虑遗传算法 ga。值得强调的是，fgoalattain 在很多课程设计中是被忽略的选项，如果你的题目是“收益尽量大、风险尽量小”这种天然多目标的问题，加权法之外它其实是工具箱里最正式的解。

2.3 标准形式转换：A、b、Aeq、beq、lb、ub 一处不许填错

Matlab 优化求解器的输入格式只有一个标准形，所有模型都要先翻译成它：

min f(x) s.t. A * x <= b Aeq * x = beq lb <= x <= ub c(x) <= 0, ceq(x) = 0 % 只有 fmincon 支持

这里的参数语义很容易踩坑，尤其是课程设计里约束一多，A 和 b 的行对应关系经常错位。我一般会先建一张符号表，列清楚 x1、x2 的顺序，然后把每一个约束单独写一行，再抄进矩阵。有一个高频坑：题目给的是“x1 + x2 ≥ 4”，Matlab 默认只认 ≤，所以必须全式乘 -1 变成“-x1 - x2 ≤ -4”。不乘 -1 的话，求解器会给出一个明显违背题意的解，而且不报错。

还有一个容易被忽略的细节：没有的约束位用 [] 占位，但位置不能换。比如线性约束为 A、b，没有等式约束，调用要写成 linprog(f,A,b,[],[],lb,ub)，两个空位对应 Aeq 和 beq。如果把 lb 写进第三个参数，Matlab 会把它当成 Aeq 解析，返回的报错信息很绕，新手容易在这里卡很久。lb 和 ub 用 [] 表示无界是合法的，但不要同时出现 lb > ub，这类错误在求解器内部会被当成“找不到可行解”处理，看报错信息完全摸不到头脑。

3. Matlab规划问题的可复现代码：从linprog到fmincon

3.1 线性规划最小模板：用linprog解生产计划的max/min转换

先给一个能直接跑通的 linprog 模板，题目是典型的生产计划：最大化 z = 3x1 + 5x2，约束为 2x1 + 3x2 ≤ 12、4x1 + 3x2 ≤ 24、x1、x2 ≥ 0。

% 生产计划线性规划：max z = 3x1 + 5x2 % 约束：2x1 + 3x2 <= 12；4x1 + 3x2 <= 24；x1, x2 >= 0 f = [-3; -5]; % 最大化转最小化：目标系数取负 A = [2 3; 4 3]; % 两个不等式约束的系数矩阵 b = [12; 24]; % 不等号右端项 lb = [0; 0]; % 变量下界，上界无要求就不写 [x, fval, exitflag] = linprog(f, A, b, [], [], lb, []); fval_origin = -fval; % 还原最大化目标值 disp(x); disp(fval_origin);

这段代码里 f 必须是列向量，A 的每一行对应一条不等式，b 的每一个元素与之一一对应。运行后 x ≈ [0; 4]，fval_origin = 20，exitflag = 1。这里的 exitflag 是判断求解是否成功的核心：1 表示收敛到了最优解。特别提醒：fval 是负的 20，因为 linprog 只能求最小化，所以代码里必须有“-fval 还原”这一步，这是答辩时老师最爱问的细节之一——为什么一个最大化问题返回了负数。

3.2 非线性规划最小完整样例：fmincon的目标函数、非线性约束与算法参数

线性规划之外，大多数课程设计会遇到非线性目标或约束。下面这个例子故意选了有解析解的题目，便于验证代码正确性：min f = x1² + x2²，约束为 x1 = x2²（不等式形式写 x1 - x2² ≤ 0）、x1 + x2 = 2、x1 ≥ 0、x2 ≥ 0，最优解在 (1,1)，目标值为 2。

% 主脚本：非线性规划求解 fun = @(x) x(1)^2 + x(2)^2; % 目标函数，用匿名函数定义 x0 = [0; 0]; % 初始点，可以不可行 options = optimoptions('fmincon', ... 'Algorithm', 'sqp', ... 'Display', 'iter', ... 'OptimalityTolerance', 1e-6, ... 'ConstraintTolerance', 1e-6); [x, fval, exitflag, output] = fmincon(fun, x0, [], [], [], [], [0; 0], [], @confun, options); disp(x); disp(fval); disp(exitflag); function [c, ceq] = confun(x) c = x(1) - x(2)^2; % 不等式约束，必须写成 c(x) <= 0 ceq = x(1) + x(2) - 2; % 等式约束，必须写成 ceq(x) = 0 end

注意 fmincon 的 lb 位填了 [0;0] 表示变量下界，空出的 ub 和线性约束位用 [] 占位。非线性约束函数 confun 必须返回两个输出，且不等式约束必须整理成“c(x) ≤ 0”的形态，等式约束整理成“ceq(x) = 0”的形态，符号写反会得到完全错误的解。上面代码在 R2016b 之后的 Matlab 中可以放在一个脚本里运行，旧版本要把 confun 单独存成一个 .m 文件。

这段代码最值得讲的是 options 里的 Algorithm 参数。sqp 处理等式约束和不等式混合问题时稳定性好，适合课设这种中等规模问题；内点法 interior-point 是默认值，处理大规模问题更省内存；active-set 在小规模问题上速度快，但对初值敏感。如果只改 OptimalityTolerance 到 1e-8，迭代次数会明显增加，对课设来说 1e-6 已经足够，没必要追求过高的精度。

3.3 求解器参数表的正确调法：初始点不可行时的处理

fmincon 的参数不像 linprog 那么简单，调坏了轻则迭代慢，重则无法收敛。下面是几个我实际调参时最常碰的参数：

初始点不可行在 fmincon 里不是致命错误，sqp 和内点法都会尝试把迭代点拉回可行域。真正致命的是目标函数或约束函数在初始点返回 NaN，例如目标函数里出现 log(x) 而 x0 里有负数，此时求解器会直接退出并报错。遇到这种情况，先把初值改成可行域内部的点，或者给目标函数加一个边界保护。另一个高频问题是硬调 OptimalityTolerance 到 1e-10 后一直不收敛，这不是精度不够，而是模型本身在浮点精度下达不到这个要求，把参数调回 1e-6 往往就好了。

4. 源码跑通后的文档PPT结构：图表与对比表让评分看得见

4.1 报告骨架顺序：先出结果，再倒回去写模型

源码能跑出结果只是第一步，课程设计的评分大头在文档和 PPT 上。常见的高分报告骨架是这样排的：问题重述与模型假设、符号说明、目标函数与约束的数学表达、模型类型判断与求解方法、求解结果、对比实验、结论。

我一般建议学生先不管文档，而是把代码跑出三组结果：默认初值的结果、多初值的结果、某个约束右端项变动后的结果。有了这三组数据，再倒回去写文档。写模型部分时，把目标函数和约束用 LaTeX 或 Word 公式打出来，跟在后面的是“该问题属于凸规划，局部最优解即全局最优解”这类结论。评分老师用 5 分钟扫报告，看的不是代码量，而是模型是否清晰、求解是否可信。PPT 控制在 10 到 12 页：封面、问题描述、模型假设、模型建立、求解方法、结果展示、对比实验、结论，每页只留一个核心信息，代码不要整段贴上去，只贴关键函数名和参数表。

4.2 用OutputFcn画收敛曲线：fmincon迭代过程的证据

文档里最加分的是目标函数收敛曲线。fmincon 不像 ga 那样直接返回每次迭代的目标值，要用 OutputFcn 自己记录。下面是一个能直接用的嵌套函数写法：

function runOptimization() history.fval = []; % 主函数工作区变量，嵌套函数可共享 options = optimoptions('fmincon', ... 'Algorithm', 'sqp', ... 'OutputFcn', @recordFval, ... 'Display', 'final'); [x, fval] = fmincon(@(x) x(1)^2 + x(2)^2, [0; 0], ... [], [], [], [], [0; 0], [], @confun, options); figure; plot(1:length(history.fval), history.fval, 'o-'); xlabel('迭代次数'); ylabel('目标函数值'); grid on; function stop = recordFval(x, optimValues, state) stop = false; if ~strcmp(state, 'init') % init 阶段没有真实目标值 history.fval(end + 1) = optimValues.fval; end end end

注意 OutputFcn 的 state 有三个取值：init、iter、done。如果不在代码里排除 init，曲线开头会多一个不存在的点。这里用嵌套函数而不是普通子函数，是因为嵌套函数可以直接读写主函数工作区的 history 变量，普通子函数做不到。收敛曲线放进报告后，要在图下方加一句“算法在第 5 次迭代后目标值变化小于收敛容忍度”，这句话比贴一屏代码更能体现你对求解过程的理解。

4.3 对比实验表：算法、初值、exitflag怎么摆

对比实验表是文档里最直观的“工作量证明”。不要只贴一组结果，而是跑一组对照：

这个表说明的是：不同算法和不同初值下收敛到同一个目标值，印证了“凸规划保证全局最优”的判断。如果你的模型是非凸的，不同初值会得到不同的 fval，这时千万不要掩盖差异，而是把差异写进结论里：“问题存在多个局部最优解，当前方案给出的是其中较优者。”评分老师看到这句话，就知道你理解局部最优和全局最优的区别，这比任何格式技巧都管用。

5. 答辩前的三个验证技巧：exitflag、多初值与敏感性扫描

5.1 exitflag不等于1时先查什么

答辩前把代码里的 exitflag 全部打印出来，这一步能挡掉一半运行事故。exitflag 的语义在 Matlab 文档里写得很全，但关键是知道下一步做什么：

遇到负数 exitflag 不要慌，调 output.message 字段看具体原因。最常见的是 -2，九成是约束方向写反或 lb 大于 ub，回到 2.3 节的符号表检查一遍就能解决。

5.2 多起点搜索与梯度检查

对于非凸问题，单次 fmincon 的结果不具备说服力，这时候用多起点搜索是标准做法。不需要全局优化工具箱，循环就能做：

rng(2024); % 固定随机种子，保证结果可复现 best_f = inf; best_x = []; for i = 1:30 x0 = 6 * rand(2, 1); % 在 [0,6] 区间内随机生成初值 [x_i, f_i, flag_i] = fmincon(fun, x0, [], [], [], [], [0; 0], [], @confun, options); if flag_i > 0 && f_i < best_f best_f = f_i; best_x = x_i; end end

这段代码里 rng(2024) 不是可选项，它决定了老师重跑你的代码时能不能得到同样结果。另一个容易误用的选项是 CheckGradients，它只在你自己提供解析梯度时才需要打开。如果目标函数没有手写梯度，fmincon 默认用有限差分，此时打开 CheckGradients 反而会报错。课设阶段目标函数多为低维问题，没必要手写梯度，有限差分精度足够。

5.3 单因素敏感性分析的快速脚本

答辩时最容易被追问的问题是“某个约束改变后结果还成立吗”。提前跑一张敏感性分析图，现场直接翻出来。以第 3.1 节的线性规划为例，把第一个约束的右端项从 6 扫到 20：

b_value = linspace(6, 20, 10); f_record = zeros(size(b_value)); for k = 1:length(b_value) A = [2 3; 4 3]; b = [b_value(k); 24]; % 只改第一条约束 [~, f_record(k), flag] = linprog(f, A, b, [], [], lb, []); if flag <= 0 f_record(k) = NaN; % 不可行时记录为 NaN end end plot(b_value, f_record, '-o'); xlabel('约束右端项'); ylabel('最优目标值');

这段代码把不可行的情况用 NaN 标记，画图时自动断裂，一眼就能看出可行域边界在哪里。把这张图放进 PPT 的“敏感性分析”一页，答辩时如果老师问“约束右端项变化 10% 结果会变吗”，你直接翻出这张图说“当前约束下目标值每变化一个单位，最优值变化约 X 个单位”，比现场重跑一遍快得多。

本文还有配套的精品资源，点击获取