2026/8/28 10:20:08
FEATURED · 精选文章 
1. 从“规划”到“最优解”线性规划到底在解决什么问题如果你刚开始接触数学建模或者对运筹优化有点兴趣那么“线性规划”这个名字你肯定绕不过去。我第一次听到这个词的时候脑子里浮现的是画格子、做表格感觉像是某种复杂的“计划”工作。但真正上手后才发现它其实是数学世界里一把锋利无比的“手术刀”专门用来解决一类非常普遍且重要的问题在有限的资源约束下如何做出最优的决策。举个最生活化的例子你是一个小工厂的老板生产两种产品A和B。生产A产品每件利润100元需要耗电2度、人工3小时生产B产品每件利润150元需要耗电4度、人工1小时。你这个月总共只有1000度电和600个人工小时可用。那么你到底应该生产多少件A、多少件B才能让这个月的总利润达到最高这就是一个典型的线性规划问题。你的“决策变量”就是A和B的产量你的“目标”是总利润最大化而电力和人工的可用量就是对你的“约束”。线性规划就是帮你从无数种可能的产量组合中精准地找出那个能“把钱赚到最多”的最优方案。听起来是不是很有用它的应用场景远不止于此。从物流公司的车辆路径规划如何用最少的车跑完所有配送点到金融领域的投资组合优化如何分配资金在风险可控下收益最大再到互联网公司的广告投放如何在预算内触达最多目标用户线性规划的身影无处不在。它之所以叫“线性”是因为无论是目标函数比如总利润100A 150B还是约束条件比如2A 4B ≤ 1000都是用决策变量的一次方线性表达式来描述的没有平方、开方或者相乘项。这种形式上的简洁恰恰是它强大且易于求解的根源。所以学习线性规划你掌握的不仅仅是一个数学工具更是一种系统化的、量化的决策思维方式。它能让你在面对复杂的选择时不再凭感觉“拍脑袋”而是让数据和模型告诉你答案。接下来我们就从最根本的原理开始一步步拆解它并最终用代码以MATLAB为例把它实现出来让你不仅能懂更能直接用起来。2. 线性规划模型的“标准型”一切求解的起点在动手写代码之前我们必须先统一“语言”。就像你要用螺丝刀拧螺丝得先知道螺丝是十字还是一字。线性规划求解器比如MATLAB里的linprog函数只认识一种特定格式的模型这就是线性规划的标准型。把任何实际问题转化成这个标准型是求解的第一步也是最关键的一步。2.1 标准型的“三要素”一个标准的线性规划模型必须且仅包含以下三个部分并且以特定的数学形式书写决策变量 (Decision Variables): 通常用向量x [x₁, x₂, ..., xₙ]ᵀ 表示代表我们要求解的那些未知数比如产品A和B的产量。在标准型中我们默认要求所有决策变量xᵢ ≥ 0即非负约束。这是很多实际问题的自然要求产量、运输量不能为负也是简化求解的重要前提。目标函数 (Objective Function): 我们想要最大化或最小化的那个量。在标准型中统一约定为“最小化”Minimize。如果你的原始问题是最大化利润比如 max z 100x₁ 150x₂那么你需要将它转化为最小化其相反数min z -100x₁ - 150x₂。这样求解器找到的使z‘最小的解对应的就是使原始z最大的解。约束条件 (Constraints): 对决策变量的限制。在标准型中约束条件统一写成线性等式或“小于等于”不等式。具体形式是线性等式约束: A_eq ·xb_eq线性不等式约束: A ·x≤b其中A_eq 和 A 是系数矩阵b_eq和b是常数向量。任何“大于等于”(≥)的约束都可以通过在不等式两边同时乘以-1转化为“小于等于”(≤)。例如约束 x₁ x₂ ≥ 10 等价于 -x₁ - x₂ ≤ -10。注意这里有一个初学者极易混淆的点。标准型要求的是A · x ≤ b。如果你有一个约束是 2x₁ 3x₂ ≥ 8直接代入会出错。你必须先把它变成 -2x₁ - 3x₂ ≤ -8然后再去构造系数矩阵A和向量b。2.2 一个完整的转化示例让我们把前面提到的工厂生产问题一步步转化成标准型。原始问题决策变量设生产A产品 x₁ 件B产品 x₂ 件。目标最大化总利润 Max z 100x₁ 150x₂约束电力约束2x₁ 4x₂ ≤ 1000人工约束3x₁ 1x₂ ≤ 600非负约束x₁ ≥ 0, x₂ ≥ 0转化为标准型决策变量保持不变x [x₁, x₂]ᵀ且 x₁, x₂ ≥ 0。目标函数将“最大化”转为“最小化”。新的目标函数为 Min z -100x₁ - 150x₂。我们最终要求解的是这个最小化问题。约束条件电力约束已经是 ≤ 形式2x₁ 4x₂ ≤ 1000。人工约束也已经是 ≤ 形式3x₁ 1x₂ ≤ 600。非负约束 x₁ ≥ 0, x₂ ≥ 0 是标准型自带的在MATLAB中通过指定变量下界lb来处理通常不放在A和b里。现在我们可以提取出标准型所需的全部系数目标函数系数向量f [-100, -150] 注意符号不等式约束系数矩阵A [2, 4; 3, 1] 第一行是电力系数第二行是人工系数不等式约束常数向量b [1000; 600]本例中没有等式约束所以 A_eq 和 b_eq 为空。变量下界lb [0, 0] 表示 x₁ 和 x₂ 都大于等于0这个{f, A, b, A_eq, b_eq, lb}的组合就是喂给MATLABlinprog求解器的标准“食材”。理解并熟练完成这一步转化你的线性规划学习就成功了一半。很多同学代码报错问题往往就出在模型没有严格转化成标准型。3. MATLABlinprog求解器参数详解与调用秘籍当我们把实际问题成功“翻译”成标准型后就可以召唤MATLAB中的强大工具——linprog函数来为我们寻找最优解了。这个函数是MATLAB优化工具箱的一部分其核心算法是成熟的单纯形法或内点法我们不需要自己从头实现只需要学会如何正确地“告诉”它我们的问题。3.1linprog函数的基本语法linprog最常用的一种调用格式如下[x, fval, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub)我们来逐一拆解每个输入参数和输出参数的含义输入参数f: 目标函数系数向量。对应标准型中的f且必须是求最小值的形式。如果你的原始问题是求最大记得先取负号。A,b: 线性不等式约束A·x ≤ b的系数矩阵和常数向量。这是最核心的约束部分。Aeq,beq: 线性等式约束Aeq·x beq的系数矩阵和常数向量。如果没有等式约束就用空矩阵[]传入。lb,ub: 决策变量的下界Lower Bound和上界Upper Bound向量。通常lb设为0向量非负约束ub可以不指定表示无上界或用[]表示正无穷。输出参数x: 求解得到的最优解向量。如果问题有解x就是你苦苦寻找的那组决策变量取值。fval: 在最优解x处的目标函数值。特别注意这个值是根据你输入的f计算出来的。如果你之前对目标函数取了负号以求最大那么这里的fval是取负后的最小值你需要再取一次负号才能得到原始的最大利润。即原始最大利润 -fval。exitflag: 求解器退出标志。这是一个非常重要的诊断信息它告诉你求解过程是否正常结束。1: 函数收敛到最优解x。这是最理想的结果。0: 迭代次数超过最大限制。可能问题比较复杂可以尝试增加迭代次数选项。-2: 没有找到可行解。这意味着你的约束条件可能互相矛盾比如要求的产量下限超过了资源上限构成了一个“空集”。-3: 问题无界。这意味着在你的约束条件下目标函数值可以无限地好对于最小化问题是无限小对于最大化问题是无限大。通常是因为漏掉了关键的约束条件。output: 一个结构体包含关于优化过程的详细信息如迭代次数、使用的算法等用于高级调试。3.2 实战编码解决工厂生产问题现在让我们用代码来解决第2章中转化好的工厂问题。% 工厂生产计划线性规划问题 % 目标最大化利润 Max z 100*x1 150*x2 % 约束 % 2*x1 4*x2 1000 电力 % 3*x1 1*x2 600 人工 % x1 0, x2 0 % 1. 定义标准型参数转化为最小化问题 f [-100; -150]; % 目标函数系数取负号转为求最小 A [2, 4; % 不等式约束系数矩阵 3, 1]; b [1000; 600]; % 不等式约束常数向量 Aeq []; % 无等式约束 beq []; lb [0; 0]; % 变量下界非负约束 ub []; % 变量无上界 % 2. 调用linprog求解 [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub); % 3. 结果解读与输出 if exitflag 1 fprintf(求解成功\n); fprintf(最优生产计划\n); fprintf( 产品A生产数量 x1 %.2f 件\n, x_opt(1)); fprintf( 产品B生产数量 x2 %.2f 件\n, x_opt(2)); % 注意fval_opt是取负后的最小值需要再取负得到原始最大利润 original_profit -fval_opt; fprintf( 最大总利润 %.2f 元\n, original_profit); fprintf( 求解迭代次数 %d\n, output.iterations); else fprintf(求解未成功。退出标志 exitflag %d\n, exitflag); fprintf(可能的原因\n); switch exitflag case 0 fprintf( - 迭代次数超过限制。可尝试使用 optimoptions 增加 MaxIterations。\n); case -2 fprintf( - 问题无可行解。请检查约束条件是否矛盾。\n); case -3 fprintf( - 问题无界。请检查是否遗漏了必要的约束条件。\n); otherwise fprintf( - 请查阅MATLAB文档了解 exitflag %d 的含义。\n, exitflag); end end运行这段代码你应该会得到类似下面的输出求解成功 最优生产计划 产品A生产数量 x1 160.00 件 产品B生产数量 x2 120.00 件 最大总利润 34000.00 元 求解迭代次数 3这个结果告诉我们在给定的电力和人工限制下生产160件A产品和120件B产品可以获得最大利润34000元。你可以手动验证一下消耗电力 21604120800≤1000消耗人工 31601120600≤600正好把人工用满利润为10016015012034000。任何其他满足约束的组合利润都不会超过这个数。3.3 关键技巧与常见“坑点”符号是万恶之源80%的初学错误都出在符号上。牢记linprog只解最小化问题不等式约束只认 A*x ≤ b。每次建模后花一分钟检查f的符号和A、b是否对应≤关系。善用exitflag诊断问题不要只看结果x。如果exitflag不是1先别怀疑人生根据它的提示去检查模型。无可行解-2往往意味着约束太紧、互相冲突问题无界-3则意味着约束太松模型有漏洞。处理等式约束和变量边界如果有等式约束一定要放在Aeq和beq里不要强行拆成两个不等式≤和≥那样会增加问题规模和求解器负担。变量边界lb和ub是处理简单范围约束最高效的方式。稀疏矩阵提升性能当你的约束矩阵A或Aeq非常大且大部分元素是0时这在大型问题中很常见使用sparse函数将其转换为稀疏矩阵再传入linprog可以极大减少内存占用并加快求解速度。使用optimoptions进行精细控制你可以通过options optimoptions(linprog, Display, iter, MaxIterations, 200);来创建选项然后在linprog调用末尾加上options参数。这样可以查看迭代过程、调整最大迭代次数、选择算法‘dual-simplex’ 或 ‘interior-point’等适合处理复杂或求解异常的问题。4. 解的几何直观在可行域“多边形”里寻找最高点代码给出了答案但一个好的建模者不仅要知其然更要知其所以然。线性规划的解有一个非常优美的几何解释能让你直观地理解求解器到底在干什么。对于只有两个变量的问题我们甚至可以在平面上把它画出来。让我们回到工厂的例子。决策变量是x₁和x₂我们可以建立一个二维坐标系。绘制约束条件每个线性不等式都对应平面上的一条直线和一个半平面。约束 2x₁ 4x₂ ≤ 1000先画直线 2x₁ 4x₂ 1000。这条线连接点 (500,0) 和 (0,250)。不等式 ≤ 意味着我们取这条直线左下方的半平面包含原点因为(0,0)代入满足不等式。约束 3x₁ x₂ ≤ 600画直线 3x₁ x₂ 600连接点 (200,0) 和 (0,600)。取其左下方的半平面。非负约束 x₁ ≥ 0, x₂ ≥ 0这直接限定了我们在第一象限。确定可行域所有上述半平面和象限的公共交集就是一个凸多边形区域。这个区域内的每一个点 (x₁, x₂)都代表一个满足所有约束条件的、可行的生产方案。这个区域被称为可行域。在我们的例子中可行域是一个四边形四个顶点分别是 (0,0), (200,0), (160,120), (0,250)。理解目标函数我们的目标是最大化利润 z 100x₁ 150x₂。在几何上对于z的一个固定值比如z0100x₁ 150x₂ 0 是一条通过原点的直线称为等利润线。利润越高这条线就越往右上方平移。寻找最优点线性规划的一个关键定理也是单纯形法的理论基础指出如果线性规划问题有最优解那么至少有一个最优解位于可行域的某个顶点极点上。我们的任务就是在所有顶点中找到使等利润线移动到最右上方的那个顶点。你可以想象一下把等利润线像一把尺子一样沿着其法向量方向即利润增长最快的方向由系数向量[100,150]决定向外平移。这把尺子最后在离开可行域之前会碰到哪个顶点那个顶点就是最优解在我们的例子中平移等利润线它会最后触碰到顶点 (160, 120)。这就是为什么最优解是 x₁160, x₂120。对于高维问题变量多于3个我们无法可视化但几何思想依然成立可行域是一个高维的“凸多面体”最优解在其顶点上寻找。单纯形法就是沿着多面体的棱从一个顶点智能地“爬”到相邻的更优顶点直到找到最好的那个。而内点法则像是从可行域内部直接穿向最优顶点。这种几何视角极其重要。当你的模型求解失败比如无可行解在几何上就表现为几个约束条件划出的半平面根本没有公共区域可行域是“空”的。当问题无界时则表现为可行域在一个方向上无限延伸等利润线可以永远平移下去利润无限大。理解这些你就能从本质上诊断模型错误而不是盲目地调整代码。5. 从理论到实战一个更复杂的案例与扩展思考掌握了基本原理和基本操作后我们来看一个稍微复杂一点的案例它涉及等式约束、变量上界并且我们将使用optimoptions来观察求解过程。问题描述营养配餐问题。你需要为一份食谱选择两种食物谷物和肉类。每单位谷物花费2元提供5克蛋白质和20克碳水化合物每单位肉类花费6元提供15克蛋白质和5克碳水化合物。这份食谱需要至少满足总蛋白质≥50克总碳水化合物≥40克。同时由于口味限制肉类的单位数不能超过谷物单位数的2倍且谷物最多购买8单位。如何以最低成本满足营养需求建模决策变量设购买谷物 x₁ 单位肉类 x₂ 单位。目标最小化总成本 Min Cost 2x₁ 6x₂。约束蛋白质需求5x₁ 15x₂ ≥ 50 - 转化为标准型-5x₁ - 15x₂ ≤ -50碳水化合物需求20x₁ 5x₂ ≥ 40 - 转化为标准型-20x₁ - 5x₂ ≤ -40口味限制x₂ ≤ 2x₁ - 转化为-2x₁ x₂ ≤ 0谷物上限x₁ ≤ 8非负x₁ ≥ 0, x₂ ≥ 0注意这里的目标本身就是最小化所以f向量不用取负。但有两个约束是从 ≥ 转化过来的。MATLAB代码实现% 营养配餐线性规划问题 % 目标最小化成本 Min Cost 2*x1 6*x2 % 约束 % 蛋白质 5*x1 15*x2 50 - -5*x1 -15*x2 -50 % 碳水 20*x1 5*x2 40 - -20*x1 -5*x2 -40 % 口味 x2 2*x1 - -2*x1 x2 0 % 谷物上限 x1 8 % 非负 x10, x20 f [2; 6]; % 最小化成本系数直接使用 % 不等式约束 A*x b A [-5, -15; % 蛋白质约束转化 -20, -5; % 碳水约束转化 -2, 1; % 口味约束转化 1, 0]; % 谷物上限 x1 8 b [-50; -40; 0; 8]; Aeq []; beq []; lb [0; 0]; % 非负约束 ub []; % x2无明确上界 % 使用optimoptions设置显示迭代过程 options optimoptions(linprog, Display, iter, Algorithm, dual-simplex); fprintf(开始求解营养配餐问题...\n); [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options); if exitflag 1 fprintf(\n求解成功\n); fprintf(最优配餐方案\n); fprintf( 购买谷物 %.2f 单位\n, x_opt(1)); fprintf( 购买肉类 %.2f 单位\n, x_opt(2)); fprintf( 最低成本 %.2f 元\n, fval_opt); % 验证约束 protein 5*x_opt(1) 15*x_opt(2); carb 20*x_opt(1) 5*x_opt(2); fprintf(\n营养验证\n); fprintf( 总蛋白质 %.1f 克 (需求 50克)\n, protein); fprintf( 总碳水化合物 %.1f 克 (需求 40克)\n, carb); fprintf( 肉类/谷物比例 %.2f (要求 2)\n, x_opt(2)/x_opt(1)); else fprintf(求解失败。exitflag %d\n, exitflag); end运行这段代码linprog的迭代输出会显示求解器如何一步步移动顶点最终你会得到最优解大约购买2.86单位谷物和2.38单位肉类最低成本约为26.67元。并且验证发现蛋白质约束是“紧”的刚好等于50克而碳水化合物约束是“松”的远超40克这说明在这个最优解下蛋白质是限制成本的瓶颈资源。扩展思考与进阶方向灵敏度分析影子价格我们不仅想知道最优解还想知道如果资源比如电力、蛋白质需求稍微变化一点最优利润或成本会如何变化。这个变化率就是“影子价格”在MATLAB中可以通过linprog的输出参数[x, fval, exitflag, output, lambda]中的lambda结构体获得lambda.ineqlin对应不等式约束的影子价格。它告诉你每增加一单位资源带来的边际效益是管理决策中极其重要的信息。整数规划如果我们的决策变量必须是整数比如生产汽车、分配人员那么这就是整数规划。线性规划的最优解可能是小数四舍五入往往得不到最优甚至不可行的整数解。此时需要用到intlinprog函数。整数规划的求解难度远大于线性规划。大规模问题与建模语言对于变量和约束成千上万的复杂问题直接在MATLAB脚本里构造A,b矩阵非常繁琐且容易出错。这时可以考虑使用专业的建模语言如YALMIP、CVX for MATLAB它们允许你用更接近数学公式的方式描述问题然后自动转换成求解器所需格式。与其他工具的对比除了MATLABPython的SciPy库scipy.optimize.linprog和PuLP、CVXPY等包也提供了强大的线性规划求解能力。对于开源或跨平台项目Python生态是很好的选择。商业求解器如Gurobi、CPLEX性能更强常用于工业级超大规模问题。线性规划是运筹优化的基石。通过这一节的学习希望你不仅学会了如何在MATLAB中调用linprog函数更重要的是建立了“建模-转化-求解-解释”的完整思维框架。下次当你面临一个资源分配、成本最小或收益最大的问题时不妨先想想这能不能抽象成一个线性规划模型很多时候把问题清晰地定义出来就已经解决了问题的一大半。剩下的就交给linprog和你的分析吧。
MATLAB线性规划建模与求解：从标准型转化到linprog实战
1. 从“规划”到“最优解”线性规划到底在解决什么问题如果你刚开始接触数学建模或者对运筹优化有点兴趣那么“线性规划”这个名字你肯定绕不过去。我第一次听到这个词的时候脑子里浮现的是画格子、做表格感觉像是某种复杂的“计划”工作。但真正上手后才发现它其实是数学世界里一把锋利无比的“手术刀”专门用来解决一类非常普遍且重要的问题在有限的资源约束下如何做出最优的决策。举个最生活化的例子你是一个小工厂的老板生产两种产品A和B。生产A产品每件利润100元需要耗电2度、人工3小时生产B产品每件利润150元需要耗电4度、人工1小时。你这个月总共只有1000度电和600个人工小时可用。那么你到底应该生产多少件A、多少件B才能让这个月的总利润达到最高这就是一个典型的线性规划问题。你的“决策变量”就是A和B的产量你的“目标”是总利润最大化而电力和人工的可用量就是对你的“约束”。线性规划就是帮你从无数种可能的产量组合中精准地找出那个能“把钱赚到最多”的最优方案。听起来是不是很有用它的应用场景远不止于此。从物流公司的车辆路径规划如何用最少的车跑完所有配送点到金融领域的投资组合优化如何分配资金在风险可控下收益最大再到互联网公司的广告投放如何在预算内触达最多目标用户线性规划的身影无处不在。它之所以叫“线性”是因为无论是目标函数比如总利润100A 150B还是约束条件比如2A 4B ≤ 1000都是用决策变量的一次方线性表达式来描述的没有平方、开方或者相乘项。这种形式上的简洁恰恰是它强大且易于求解的根源。所以学习线性规划你掌握的不仅仅是一个数学工具更是一种系统化的、量化的决策思维方式。它能让你在面对复杂的选择时不再凭感觉“拍脑袋”而是让数据和模型告诉你答案。接下来我们就从最根本的原理开始一步步拆解它并最终用代码以MATLAB为例把它实现出来让你不仅能懂更能直接用起来。2. 线性规划模型的“标准型”一切求解的起点在动手写代码之前我们必须先统一“语言”。就像你要用螺丝刀拧螺丝得先知道螺丝是十字还是一字。线性规划求解器比如MATLAB里的linprog函数只认识一种特定格式的模型这就是线性规划的标准型。把任何实际问题转化成这个标准型是求解的第一步也是最关键的一步。2.1 标准型的“三要素”一个标准的线性规划模型必须且仅包含以下三个部分并且以特定的数学形式书写决策变量 (Decision Variables): 通常用向量x [x₁, x₂, ..., xₙ]ᵀ 表示代表我们要求解的那些未知数比如产品A和B的产量。在标准型中我们默认要求所有决策变量xᵢ ≥ 0即非负约束。这是很多实际问题的自然要求产量、运输量不能为负也是简化求解的重要前提。目标函数 (Objective Function): 我们想要最大化或最小化的那个量。在标准型中统一约定为“最小化”Minimize。如果你的原始问题是最大化利润比如 max z 100x₁ 150x₂那么你需要将它转化为最小化其相反数min z -100x₁ - 150x₂。这样求解器找到的使z‘最小的解对应的就是使原始z最大的解。约束条件 (Constraints): 对决策变量的限制。在标准型中约束条件统一写成线性等式或“小于等于”不等式。具体形式是线性等式约束: A_eq ·xb_eq线性不等式约束: A ·x≤b其中A_eq 和 A 是系数矩阵b_eq和b是常数向量。任何“大于等于”(≥)的约束都可以通过在不等式两边同时乘以-1转化为“小于等于”(≤)。例如约束 x₁ x₂ ≥ 10 等价于 -x₁ - x₂ ≤ -10。注意这里有一个初学者极易混淆的点。标准型要求的是A · x ≤ b。如果你有一个约束是 2x₁ 3x₂ ≥ 8直接代入会出错。你必须先把它变成 -2x₁ - 3x₂ ≤ -8然后再去构造系数矩阵A和向量b。2.2 一个完整的转化示例让我们把前面提到的工厂生产问题一步步转化成标准型。原始问题决策变量设生产A产品 x₁ 件B产品 x₂ 件。目标最大化总利润 Max z 100x₁ 150x₂约束电力约束2x₁ 4x₂ ≤ 1000人工约束3x₁ 1x₂ ≤ 600非负约束x₁ ≥ 0, x₂ ≥ 0转化为标准型决策变量保持不变x [x₁, x₂]ᵀ且 x₁, x₂ ≥ 0。目标函数将“最大化”转为“最小化”。新的目标函数为 Min z -100x₁ - 150x₂。我们最终要求解的是这个最小化问题。约束条件电力约束已经是 ≤ 形式2x₁ 4x₂ ≤ 1000。人工约束也已经是 ≤ 形式3x₁ 1x₂ ≤ 600。非负约束 x₁ ≥ 0, x₂ ≥ 0 是标准型自带的在MATLAB中通过指定变量下界lb来处理通常不放在A和b里。现在我们可以提取出标准型所需的全部系数目标函数系数向量f [-100, -150] 注意符号不等式约束系数矩阵A [2, 4; 3, 1] 第一行是电力系数第二行是人工系数不等式约束常数向量b [1000; 600]本例中没有等式约束所以 A_eq 和 b_eq 为空。变量下界lb [0, 0] 表示 x₁ 和 x₂ 都大于等于0这个{f, A, b, A_eq, b_eq, lb}的组合就是喂给MATLABlinprog求解器的标准“食材”。理解并熟练完成这一步转化你的线性规划学习就成功了一半。很多同学代码报错问题往往就出在模型没有严格转化成标准型。3. MATLABlinprog求解器参数详解与调用秘籍当我们把实际问题成功“翻译”成标准型后就可以召唤MATLAB中的强大工具——linprog函数来为我们寻找最优解了。这个函数是MATLAB优化工具箱的一部分其核心算法是成熟的单纯形法或内点法我们不需要自己从头实现只需要学会如何正确地“告诉”它我们的问题。3.1linprog函数的基本语法linprog最常用的一种调用格式如下[x, fval, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub)我们来逐一拆解每个输入参数和输出参数的含义输入参数f: 目标函数系数向量。对应标准型中的f且必须是求最小值的形式。如果你的原始问题是求最大记得先取负号。A,b: 线性不等式约束A·x ≤ b的系数矩阵和常数向量。这是最核心的约束部分。Aeq,beq: 线性等式约束Aeq·x beq的系数矩阵和常数向量。如果没有等式约束就用空矩阵[]传入。lb,ub: 决策变量的下界Lower Bound和上界Upper Bound向量。通常lb设为0向量非负约束ub可以不指定表示无上界或用[]表示正无穷。输出参数x: 求解得到的最优解向量。如果问题有解x就是你苦苦寻找的那组决策变量取值。fval: 在最优解x处的目标函数值。特别注意这个值是根据你输入的f计算出来的。如果你之前对目标函数取了负号以求最大那么这里的fval是取负后的最小值你需要再取一次负号才能得到原始的最大利润。即原始最大利润 -fval。exitflag: 求解器退出标志。这是一个非常重要的诊断信息它告诉你求解过程是否正常结束。1: 函数收敛到最优解x。这是最理想的结果。0: 迭代次数超过最大限制。可能问题比较复杂可以尝试增加迭代次数选项。-2: 没有找到可行解。这意味着你的约束条件可能互相矛盾比如要求的产量下限超过了资源上限构成了一个“空集”。-3: 问题无界。这意味着在你的约束条件下目标函数值可以无限地好对于最小化问题是无限小对于最大化问题是无限大。通常是因为漏掉了关键的约束条件。output: 一个结构体包含关于优化过程的详细信息如迭代次数、使用的算法等用于高级调试。3.2 实战编码解决工厂生产问题现在让我们用代码来解决第2章中转化好的工厂问题。% 工厂生产计划线性规划问题 % 目标最大化利润 Max z 100*x1 150*x2 % 约束 % 2*x1 4*x2 1000 电力 % 3*x1 1*x2 600 人工 % x1 0, x2 0 % 1. 定义标准型参数转化为最小化问题 f [-100; -150]; % 目标函数系数取负号转为求最小 A [2, 4; % 不等式约束系数矩阵 3, 1]; b [1000; 600]; % 不等式约束常数向量 Aeq []; % 无等式约束 beq []; lb [0; 0]; % 变量下界非负约束 ub []; % 变量无上界 % 2. 调用linprog求解 [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub); % 3. 结果解读与输出 if exitflag 1 fprintf(求解成功\n); fprintf(最优生产计划\n); fprintf( 产品A生产数量 x1 %.2f 件\n, x_opt(1)); fprintf( 产品B生产数量 x2 %.2f 件\n, x_opt(2)); % 注意fval_opt是取负后的最小值需要再取负得到原始最大利润 original_profit -fval_opt; fprintf( 最大总利润 %.2f 元\n, original_profit); fprintf( 求解迭代次数 %d\n, output.iterations); else fprintf(求解未成功。退出标志 exitflag %d\n, exitflag); fprintf(可能的原因\n); switch exitflag case 0 fprintf( - 迭代次数超过限制。可尝试使用 optimoptions 增加 MaxIterations。\n); case -2 fprintf( - 问题无可行解。请检查约束条件是否矛盾。\n); case -3 fprintf( - 问题无界。请检查是否遗漏了必要的约束条件。\n); otherwise fprintf( - 请查阅MATLAB文档了解 exitflag %d 的含义。\n, exitflag); end end运行这段代码你应该会得到类似下面的输出求解成功 最优生产计划 产品A生产数量 x1 160.00 件 产品B生产数量 x2 120.00 件 最大总利润 34000.00 元 求解迭代次数 3这个结果告诉我们在给定的电力和人工限制下生产160件A产品和120件B产品可以获得最大利润34000元。你可以手动验证一下消耗电力 21604120800≤1000消耗人工 31601120600≤600正好把人工用满利润为10016015012034000。任何其他满足约束的组合利润都不会超过这个数。3.3 关键技巧与常见“坑点”符号是万恶之源80%的初学错误都出在符号上。牢记linprog只解最小化问题不等式约束只认 A*x ≤ b。每次建模后花一分钟检查f的符号和A、b是否对应≤关系。善用exitflag诊断问题不要只看结果x。如果exitflag不是1先别怀疑人生根据它的提示去检查模型。无可行解-2往往意味着约束太紧、互相冲突问题无界-3则意味着约束太松模型有漏洞。处理等式约束和变量边界如果有等式约束一定要放在Aeq和beq里不要强行拆成两个不等式≤和≥那样会增加问题规模和求解器负担。变量边界lb和ub是处理简单范围约束最高效的方式。稀疏矩阵提升性能当你的约束矩阵A或Aeq非常大且大部分元素是0时这在大型问题中很常见使用sparse函数将其转换为稀疏矩阵再传入linprog可以极大减少内存占用并加快求解速度。使用optimoptions进行精细控制你可以通过options optimoptions(linprog, Display, iter, MaxIterations, 200);来创建选项然后在linprog调用末尾加上options参数。这样可以查看迭代过程、调整最大迭代次数、选择算法‘dual-simplex’ 或 ‘interior-point’等适合处理复杂或求解异常的问题。4. 解的几何直观在可行域“多边形”里寻找最高点代码给出了答案但一个好的建模者不仅要知其然更要知其所以然。线性规划的解有一个非常优美的几何解释能让你直观地理解求解器到底在干什么。对于只有两个变量的问题我们甚至可以在平面上把它画出来。让我们回到工厂的例子。决策变量是x₁和x₂我们可以建立一个二维坐标系。绘制约束条件每个线性不等式都对应平面上的一条直线和一个半平面。约束 2x₁ 4x₂ ≤ 1000先画直线 2x₁ 4x₂ 1000。这条线连接点 (500,0) 和 (0,250)。不等式 ≤ 意味着我们取这条直线左下方的半平面包含原点因为(0,0)代入满足不等式。约束 3x₁ x₂ ≤ 600画直线 3x₁ x₂ 600连接点 (200,0) 和 (0,600)。取其左下方的半平面。非负约束 x₁ ≥ 0, x₂ ≥ 0这直接限定了我们在第一象限。确定可行域所有上述半平面和象限的公共交集就是一个凸多边形区域。这个区域内的每一个点 (x₁, x₂)都代表一个满足所有约束条件的、可行的生产方案。这个区域被称为可行域。在我们的例子中可行域是一个四边形四个顶点分别是 (0,0), (200,0), (160,120), (0,250)。理解目标函数我们的目标是最大化利润 z 100x₁ 150x₂。在几何上对于z的一个固定值比如z0100x₁ 150x₂ 0 是一条通过原点的直线称为等利润线。利润越高这条线就越往右上方平移。寻找最优点线性规划的一个关键定理也是单纯形法的理论基础指出如果线性规划问题有最优解那么至少有一个最优解位于可行域的某个顶点极点上。我们的任务就是在所有顶点中找到使等利润线移动到最右上方的那个顶点。你可以想象一下把等利润线像一把尺子一样沿着其法向量方向即利润增长最快的方向由系数向量[100,150]决定向外平移。这把尺子最后在离开可行域之前会碰到哪个顶点那个顶点就是最优解在我们的例子中平移等利润线它会最后触碰到顶点 (160, 120)。这就是为什么最优解是 x₁160, x₂120。对于高维问题变量多于3个我们无法可视化但几何思想依然成立可行域是一个高维的“凸多面体”最优解在其顶点上寻找。单纯形法就是沿着多面体的棱从一个顶点智能地“爬”到相邻的更优顶点直到找到最好的那个。而内点法则像是从可行域内部直接穿向最优顶点。这种几何视角极其重要。当你的模型求解失败比如无可行解在几何上就表现为几个约束条件划出的半平面根本没有公共区域可行域是“空”的。当问题无界时则表现为可行域在一个方向上无限延伸等利润线可以永远平移下去利润无限大。理解这些你就能从本质上诊断模型错误而不是盲目地调整代码。5. 从理论到实战一个更复杂的案例与扩展思考掌握了基本原理和基本操作后我们来看一个稍微复杂一点的案例它涉及等式约束、变量上界并且我们将使用optimoptions来观察求解过程。问题描述营养配餐问题。你需要为一份食谱选择两种食物谷物和肉类。每单位谷物花费2元提供5克蛋白质和20克碳水化合物每单位肉类花费6元提供15克蛋白质和5克碳水化合物。这份食谱需要至少满足总蛋白质≥50克总碳水化合物≥40克。同时由于口味限制肉类的单位数不能超过谷物单位数的2倍且谷物最多购买8单位。如何以最低成本满足营养需求建模决策变量设购买谷物 x₁ 单位肉类 x₂ 单位。目标最小化总成本 Min Cost 2x₁ 6x₂。约束蛋白质需求5x₁ 15x₂ ≥ 50 - 转化为标准型-5x₁ - 15x₂ ≤ -50碳水化合物需求20x₁ 5x₂ ≥ 40 - 转化为标准型-20x₁ - 5x₂ ≤ -40口味限制x₂ ≤ 2x₁ - 转化为-2x₁ x₂ ≤ 0谷物上限x₁ ≤ 8非负x₁ ≥ 0, x₂ ≥ 0注意这里的目标本身就是最小化所以f向量不用取负。但有两个约束是从 ≥ 转化过来的。MATLAB代码实现% 营养配餐线性规划问题 % 目标最小化成本 Min Cost 2*x1 6*x2 % 约束 % 蛋白质 5*x1 15*x2 50 - -5*x1 -15*x2 -50 % 碳水 20*x1 5*x2 40 - -20*x1 -5*x2 -40 % 口味 x2 2*x1 - -2*x1 x2 0 % 谷物上限 x1 8 % 非负 x10, x20 f [2; 6]; % 最小化成本系数直接使用 % 不等式约束 A*x b A [-5, -15; % 蛋白质约束转化 -20, -5; % 碳水约束转化 -2, 1; % 口味约束转化 1, 0]; % 谷物上限 x1 8 b [-50; -40; 0; 8]; Aeq []; beq []; lb [0; 0]; % 非负约束 ub []; % x2无明确上界 % 使用optimoptions设置显示迭代过程 options optimoptions(linprog, Display, iter, Algorithm, dual-simplex); fprintf(开始求解营养配餐问题...\n); [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options); if exitflag 1 fprintf(\n求解成功\n); fprintf(最优配餐方案\n); fprintf( 购买谷物 %.2f 单位\n, x_opt(1)); fprintf( 购买肉类 %.2f 单位\n, x_opt(2)); fprintf( 最低成本 %.2f 元\n, fval_opt); % 验证约束 protein 5*x_opt(1) 15*x_opt(2); carb 20*x_opt(1) 5*x_opt(2); fprintf(\n营养验证\n); fprintf( 总蛋白质 %.1f 克 (需求 50克)\n, protein); fprintf( 总碳水化合物 %.1f 克 (需求 40克)\n, carb); fprintf( 肉类/谷物比例 %.2f (要求 2)\n, x_opt(2)/x_opt(1)); else fprintf(求解失败。exitflag %d\n, exitflag); end运行这段代码linprog的迭代输出会显示求解器如何一步步移动顶点最终你会得到最优解大约购买2.86单位谷物和2.38单位肉类最低成本约为26.67元。并且验证发现蛋白质约束是“紧”的刚好等于50克而碳水化合物约束是“松”的远超40克这说明在这个最优解下蛋白质是限制成本的瓶颈资源。扩展思考与进阶方向灵敏度分析影子价格我们不仅想知道最优解还想知道如果资源比如电力、蛋白质需求稍微变化一点最优利润或成本会如何变化。这个变化率就是“影子价格”在MATLAB中可以通过linprog的输出参数[x, fval, exitflag, output, lambda]中的lambda结构体获得lambda.ineqlin对应不等式约束的影子价格。它告诉你每增加一单位资源带来的边际效益是管理决策中极其重要的信息。整数规划如果我们的决策变量必须是整数比如生产汽车、分配人员那么这就是整数规划。线性规划的最优解可能是小数四舍五入往往得不到最优甚至不可行的整数解。此时需要用到intlinprog函数。整数规划的求解难度远大于线性规划。大规模问题与建模语言对于变量和约束成千上万的复杂问题直接在MATLAB脚本里构造A,b矩阵非常繁琐且容易出错。这时可以考虑使用专业的建模语言如YALMIP、CVX for MATLAB它们允许你用更接近数学公式的方式描述问题然后自动转换成求解器所需格式。与其他工具的对比除了MATLABPython的SciPy库scipy.optimize.linprog和PuLP、CVXPY等包也提供了强大的线性规划求解能力。对于开源或跨平台项目Python生态是很好的选择。商业求解器如Gurobi、CPLEX性能更强常用于工业级超大规模问题。线性规划是运筹优化的基石。通过这一节的学习希望你不仅学会了如何在MATLAB中调用linprog函数更重要的是建立了“建模-转化-求解-解释”的完整思维框架。下次当你面临一个资源分配、成本最小或收益最大的问题时不妨先想想这能不能抽象成一个线性规划模型很多时候把问题清晰地定义出来就已经解决了问题的一大半。剩下的就交给linprog和你的分析吧。 
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
