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。求解器适用问题调用入口常见限制linprog线性规划目标与约束全部线性linprog(f,A,b,Aeq,beq,lb,ub)不能有任何非线性项quadprog二次目标线性约束quadprog(H,f,A,b,Aeq,beq,lb,ub)H 非半正定时结果不可信fmincon非线性目标或约束fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)只保证局部最优intlinprog混合整数线性规划intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)必须用 intcon 指明整数变量fgoalattain多目标规划fgoalattain(fun,x0,goal,weight,...)需要提前给定目标向量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fmincon3.1 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 124x1 3x2 24x1, 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 20exitflag 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参数默认值作用调整建议Algorithminterior-point选择求解算法等式约束多时改 sqpMaxIterations1000最大迭代次数报 Too many iterations 时调到 3000OptimalityTolerance1e-6一阶最优性条件的容忍度收敛异常时调大而不是调小ConstraintTolerance1e-6约束违反量的上限要求严格可行时调小StepTolerance1e-10步长变化下限通常不动用来诊断卡顿Displayfinal命令行输出级别调试用 iter答辩截图用 final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算法初始点fval迭代次数exitflagsqp(0,0)2.000071interior-point(0,0)2.0000101sqp(3,3)2.000091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exitflag含义下一步操作1满足一阶最优性条件可以进入多初值和敏感性分析0迭代次数或函数评价超限调 MaxIterations或检查收敛容忍度是否过小-2找不到可行解检查约束方向、lb/ub 是否矛盾-3目标函数或约束在初始点返回 NaN检查变量定义域改初值遇到负数 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 20b_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 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。求解器适用问题调用入口常见限制linprog线性规划目标与约束全部线性linprog(f,A,b,Aeq,beq,lb,ub)不能有任何非线性项quadprog二次目标线性约束quadprog(H,f,A,b,Aeq,beq,lb,ub)H 非半正定时结果不可信fmincon非线性目标或约束fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)只保证局部最优intlinprog混合整数线性规划intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)必须用 intcon 指明整数变量fgoalattain多目标规划fgoalattain(fun,x0,goal,weight,...)需要提前给定目标向量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fmincon3.1 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 124x1 3x2 24x1, 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 20exitflag 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参数默认值作用调整建议Algorithminterior-point选择求解算法等式约束多时改 sqpMaxIterations1000最大迭代次数报 Too many iterations 时调到 3000OptimalityTolerance1e-6一阶最优性条件的容忍度收敛异常时调大而不是调小ConstraintTolerance1e-6约束违反量的上限要求严格可行时调小StepTolerance1e-10步长变化下限通常不动用来诊断卡顿Displayfinal命令行输出级别调试用 iter答辩截图用 final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算法初始点fval迭代次数exitflagsqp(0,0)2.000071interior-point(0,0)2.0000101sqp(3,3)2.000091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exitflag含义下一步操作1满足一阶最优性条件可以进入多初值和敏感性分析0迭代次数或函数评价超限调 MaxIterations或检查收敛容忍度是否过小-2找不到可行解检查约束方向、lb/ub 是否矛盾-3目标函数或约束在初始点返回 NaN检查变量定义域改初值遇到负数 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 20b_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