§1 线性规划模型
一、线性规划课题：
实例1：生产计划问题
假设某厂计划生产甲、乙两种产品，现库存主要材料有A类3600公斤，B类2000公斤，C类3000公斤。每件甲产品需用材料A类9公斤，B类4公斤，C类3公斤。每件乙产品，需用材料A类4公斤，B类5公斤，C类10公斤。甲单位产品的利润70元，乙单位产品的利润120元。问如何安排生产，才能使该厂所获的利润最大。
建立数学模型：
设x1、x2分别为生产甲、乙产品的件数。f为该厂所获总润。
max f=70x1+120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
归结出规划问题：目标函数和约束条件都是变量x的线性函数。
形如： (1) min f T X
s.t A X≤b
Aeq X =beq
lb≤X≤ub
其中X为n维未知向量，f T=[f1,f2,…f n]为目标函数系数向量，小于等于约束系数矩阵A为m×n矩阵，b为其右端m维列向量，Aeq为等式约束系数矩阵，beq为等式约束右端常数列向量。lb,ub为自变量取值上界与下界约束的n维常数向量。
二．线性规划问题求最优解函数：
调用格式： x=linprog(f,A,b)
x=linprog(f,A,b,Aeq,beq)
x=linprog(f,A,b,Aeq,beq,lb,ub)
x=linprog(f,A,b,Aeq,beq,lb,ub,x0)
x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options)
[x,fval]=linprog(…)
[x, fval, exitflag]=linprog(…)
[x, fval, exitflag, outpu t]=linprog(…)
[x, fval, exitflag, output, lambda]=linprog(…)
说明：x=linprog(f,A,b)返回值x为最优解向量。
x=linprog(f,A,b,Aeq,beq) 作有等式约束的问题。若没有不等式约束，则令A=[ ]、b=[ ] 。
x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) 中lb ,ub为变量x的下界和上界，x0为初值点，options 为指定优化参数进行最小化。
Options的参数描述：
Display 显示水平。选择’off’不显示输出；选择’iter’显示每一步迭代过程的输出；选择’final’显示最终结果。
MaxFunEvals 函数评价的最大允许次数
Maxiter 最大允许迭代次数
TolX x处的终止容限
[x,fval]=linprog(…) 左端fval 返回解x处的目标函数值。
[x,fval,exitflag,output,lambda]=linprog(f,A,b, Aeq,beq,lb,ub,x0) 的输出部分：
exitflag描述函数计算的退出条件：若为正值，表示目标函数收敛于解x处；若为负值，表示目标函数不收敛；若为零值，表示已经达到函数评价或迭代的最大次数。
output 返回优化信息：output.i t erations表示迭代次数；output.algorithm表示所采用的算法；outprt.fun cCount表示函数评价次数。
lambda返回x处的拉格朗日乘子。它有以下属性：
lambda.lower-lambda的下界；
lambda.upper-lambda的上界；
lambda.ineqlin-lambda的线性不等式；
lambda.eqlin-lambda的线性等式。
三．举例
例1：求解线性规划问题：
max f=2x1+5x2
s.t x1≤4
x2≤3
x1+x2≤8
x1,x2≥0
先将目标函数转化成最小值问题：min(-f)=- 2x1-5x2
程序：
f=[-2 -5];
A=[1 0;0 1;1 1];
b=[4;3;8];
[x,fval]=linprog(f,A,b)
f=fval*(-1)
结果：x = 2
3
fval = -19.0000
maxf = 19
例2：minf=5x1-x2+2x3+3x4-8x5
s.t –2x1+x2-x3+x4-3x5≤6
2x1+x2-x3+4x4+x5≤7
0≤x j≤15 j=1,2,3,4,5
程序：
f=[5 -1 2 3 -8];
A=[-2 1 -1 1 -3;2 1 -1 4 1];
b=[6;7];
lb=[0 0 0 0 0];
ub=[15 15 15 15 15];
[x,fval]=linprog(f,A,b,[],[],lb,ub)
结果：x =
0.0000
0.0000
8.0000
0.0000
15.0000
minf =
-104
例3：求解线性规划问题：
min f=5x1+x2+2x3+3x4+x5
s.t –2x1+x2-x3+x4-3x5≤1
2x1+3x2-x3+2x4+x5≤-2
0≤x j≤1 j=1,2,3,4,5
程序：
f=[5 1 2 3 1];
A=[-2 1 -1 1 -3;2 3 -1 2 1];
b=[1;-2];
lb=[0 0 0 0 0];
ub=[1 1 1 1 1];
[x,fval,exitflag,output,lambda]=linprog(f,A,b,[],[],lb,ub) 运行结果： Exiting: One or more of the residuals, duality gap, or total relative error has grown 100000 times greater than its minimum value so far:
the primal appears to be infeasible (and the dual unbounded).
(The dual residual < TolFun=1.00e-008.)
x = 0.0000
0.0000
1.1987
0.0000
0.0000
fval =
2.3975
exitflag =
-1
output =
i t erations: 7
cgi t erations: 0
algorithm: 'lipsol'
lambda =
ineqlin: [2x1 double]
eqlin: [0x1 double]
upper: [5x1 double]
lower: [5x1 double]
显示的信息表明该问题无可行解。所给出的是对约束破坏最小的解。
例4：求解实例1的生产计划问题
建立数学模型：
设x1、x2分别为生产甲、乙产品的件数。f为该厂所获总润。
max f=70x1+120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
将其转换为标准形式：
min f=-70x1-120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
程序：f=[-70 -120];
A=[9 4 ;4 5;3 10 ];
b=[3600;2000;3000];
lb=[0 0];
ub=[];
[x,fval,exitflag]=linprog(f,A,b,[],[],lb,ub)
maxf=-fval
结果：x =
200.0000
240.0000
fval =
-4.2800e+004
exitflag =
1
maxf =
4.2800e+004
例5：求解实例2
建立数学模型：
max f=0.15x1+0.1x2+0.08 x3+0.12 x4
s.t x1-x2- x3- x4≤0
x2+ x3- x4≥0
x1+x2+x3+ x4=1
x j≥0 j=1,2,3,4
将其转换为标准形式：
min z=-0.15x1-0.1x2-0.08 x3-0.12 x4
s.t x1-x2- x3- x4≤0
-x2- x3+ x4≤0
x1+x2+x3+ x4=1
x j≥0 j=1,2,3,4
程序： f = [-0.15;-0.1;-0.08;-0.12];
A = [1 -1 -1 -1
0 -1 -1 1];
b = [0; 0];
Aeq=[1 1 1 1];
beq=[1];
lb = zeros(4,1);
[x,fval,exitflag] = linprog(f,A,b,Aeq,beq,lb)
f=-fval
结果：x =
0.5000
0.2500
0.0000
0.2500
fval =
-0.1300
exitflag =
1
f =
0.1300
即4个项目的投资百分数分别为50%，25%，0, 25%时可使该公司获得最大的收益，其最大收益可到达13%。过程正常收敛。
MA TLAB的语言特点
一种语言之所以能如此迅速地普及，显示出如此旺盛的生命力，是由于它有着不同于其他语言的特点，正如同FORTRAN和C等高级语言使人们摆脱了需要直接对计算机硬件资源进行操作一样，被称作为第四代计算机语言的MA TLAB，利用其丰富的函数资源，使编程人员从繁琐的程序代码中解放出来。MA TLAB最突出的特点就是简洁。MA TLAB用更直观的，符合人们思维习惯的代码，代替了C和FORTRAN语言的冗长代码。MA TLAB 给用户带来的是最直观，最简洁的程序开发环境。以下简单介绍一下MA TLAB的主要特点。
1）。语言简洁紧凑，使用方便灵活，库函数极其丰富。MA TLAB程序书写形式自由，利用起丰富的库函数避开繁杂的子程序编程任务，压缩了一切不必要的编程工作。由于库函数都由本领域的专家编写，用户不必担心函数的可靠性。可以说，用MA TLAB进行科技开发是站在专家的肩膀上。
具有FORTRAN和C等高级语言知识的读者可能已经注意到，如果用FORTRAN或C语言去编写程序，尤其当涉及矩阵运算和画图时，编程会很麻烦。例如，如果用户想求解一个线性代数方程，就得编写一个程序块读入数据，然后再使用一种求解线性方程的算法（例如追赶法）编写一个程序块来求解方程，最后再输出计算结果。在求解过程中，最麻烦的要
算第二部分。解线性方程的麻烦在于要对矩阵的元素作循环，选择稳定的算法以及代码的调试动不容易。即使有部分源代码，用户也会感到麻烦，且不能保证运算的稳定性。解线性方程的程序用FORTRAN和C这样的高级语言编写，至少需要四百多行，调试这种几百行的计算程序可以说很困难。以下用MA TLAB编写以上两个小程序的具体过程。
MA TLAB求解下列方程，并求解矩阵A的特征值。
Ax=b,其中：
A= 32 13 45 67
23 79 85 12
43 23 54 65
98 34 71 35
b= 1
2
3
4
解为：x=A\b;设A的特征值组成的向量e，e=eig（A）。
可见，MA TLAB的程序极其简短。更为难能可贵的是，MA TLAB甚至具有一定的智能水平，比如上面的解方程，MA TLAB会根据矩阵的特性选择方程的求解方法，所以用户根本不用怀疑MA TLAB的准确性。
2）运算符丰富。由于MA TLAB是用C语言编写的，MA TLAB提供了和C语言几乎一样多的运算符，灵活使用MA TLAB的运算符将使程序变得极为简短。
3）MA TLAB既具有结构化的控制语句（如for循环，while循环，break语句和if语句），又有面向对象编程的特性。
4）程序限制不严格，程序设计自由度大。例如，在MA TLAB里，用户无需对矩阵预定义就可使用。
5）程序的可移植性很好，基本上不做修改就可以在各种型号的计算机和操作系统上运行。
6）MA TLAB的图形功能强大。在FORTRAN和C语言里，绘图都很不容易，但在MA TLAB里，数据的可视化非常简单。MA TLAB还具有较强的编辑图形界面的能力。
7）MA TLAB的缺点是，它和其他高级程序相比，程序的执行速度较慢。由于MA TLAB 的程序不用编译等预处理，也不生成可执行文件，程序为解释执行，所以速度较慢。
8）功能强大的工具箱是MA TLAB的另一特色。MA TLAB包含两个部分：核心部分和各种可选的工具箱。核心部分中有数百个核心内部函数。其工具箱又分为两类：功能性工具
箱和学科性工具箱。功能性工具箱主要用来扩充其符号计算功能，图示建模仿真功能，文字处理功能以及与硬件实时交互功能。功能性工具箱用于多种学科。而学科性工具箱是专业性比较强的，如control,toolbox,signl proceessing toolbox,commumnication toolbox等。这些工具箱都是由该领域内学术水平很高的专家编写的，所以用户无需编写自己学科范围内的基础程序，而直接进行高，精，尖的研究。
9）源程序的开放性。开放性也许是MA TLAB最受人们欢迎的特点。除内部函数以外，所有MA TLAB的核心文件和工具箱文件都是可读可改的源文件，用户可通过对源文件的修改以及加入自己的文件构成新的工具箱。
MATLAB入门教程
1．MATLAB的基本知识
1-1、基本运算与函数
在MA TLAB下进行基本数学运算，只需将运算式直接打入提示号（>>）之後，并按入Enter 键即可。例如：
>> (5*2+1.3-0.8)*10/25
ans =4.2000
MA TLAB会将运算结果直接存入一变数ans，代表MA TLAB运算後的答案（Answer）并显示其数值於萤幕上。
小提示：">>"是MA TLAB的提示符号（Prompt），但在PC中文视窗系统下，由於编码方式不同，此提示符号常会消失不见，但这并不会影响到MA TLAB的运算结果。
我们也可将上述运算式的结果设定给另一个变数x：
x = (5*2+1.3-0.8)*10^2/25
x = 42
此时MA TLAB会直接显示x的值。由上例可知，MA TLAB认识所有一般常用到的加（+）、减（-）、乘（*）、除（/）的数学运算符号，以及幂次运算（^）。
小提示：MA TLAB将所有变数均存成double的形式，所以不需经过变数宣告（V ariable declaration）。MA TLAB同时也会自动进行记忆体的使用和回收，而不必像C语言,必须由使用者一一指定.这些功能使的MA TLAB易学易用，使用者可专心致力於撰写程式，而不必被软体枝节问题所干扰。
若不想让MA TLAB每次都显示运算结果，只需在运算式最後加上分号（；）即可，如下例：
y = sin(10)*exp(-0.3*4^2);
若要显示变数y的值，直接键入y即可：
>>y
y =-0.0045
在上例中，sin是正弦函数，exp是指数函数，这些都是MA TLAB常用到的数学函数。下表即为MA TLAB常用的基本数学函数及三角函数：
小整理：MA TLAB常用的基本数学函数
abs(x)：纯量的绝对值或向量的长度
angle(z)：复数z的相角(Phase angle)
sqrt(x)：开平方
real(z)：复数z的实部
imag(z)：复数z的虚部
conj(z)：复数z的共轭复数
round(x)：四舍五入至最近整数
fix(x)：无论正负，舍去小数至最近整数
floor(x)：地板函数，即舍去正小数至最近整数
ceil(x)：天花板函数，即加入正小数至最近整数
rat(x)：将实数x化为分数表示
rats(x)：将实数x化为多项分数展开
sign(x)：符号函数(Signum function)。
当x<0时，sign(x)=-1；
当x=0时，sign(x)=0;
当x>0时，sign(x)=1。
> 小整理：MA TLAB常用的三角函数
sin(x)：正弦函数
cos(x)：馀弦函数
tan(x)：正切函数
asin(x)：反正弦函数
acos(x)：反馀弦函数
atan(x)：反正切函数
atan2(x,y)：四象限的反正切函数
sinh(x)：超越正弦函数
cosh(x)：超越馀弦函数
tanh(x)：超越正切函数
asinh(x)：反超越正弦函数
acosh(x)：反超越馀弦函数
atanh(x)：反超越正切函数
变数也可用来存放向量或矩阵，并进行各种运算，如下例的列向量（Row vector）运算：
x = [1 3 5 2];
y = 2*x+1
y = 3 7 11 5
小提示：变数命名的规则
1.第一个字母必须是英文字母
2.字母间不可留空格
3.最多只能有19个字母，MA TLAB会忽略多馀字母
我们可以随意更改、增加或删除向量的元素：
y(3) = 2 % 更改第三个元素
y =3 7 2 5
y(6) = 10 % 加入第六个元素
y = 3 7 2 5 0 10
y(4) = [] % 删除第四个元素，
y = 3 7 2 0 10
在上例中，MA TLAB会忽略所有在百分比符号（%）之後的文字，因此百分比之後的文字均可视为程式的注解（Comments）。MA TLAB亦可取出向量的一个元素或一部份来做运算：x(2)*3+y(4) % 取出x的第二个元素和y的第四个元素来做运算
ans = 9
y(2:4)-1 % 取出y的第二至第四个元素来做运算
ans = 6 1 -1
在上例中，2:4代表一个由2、3、4组成的向量
若对MA TLAB函数用法有疑问，可随时使用help来寻求线上支援（on-line help）：help linspace
小整理：MA TLAB的查询命令
help：用来查询已知命令的用法。例如已知inv是用来计算反矩阵，键入help inv即可得知有关inv命令的用法。（键入help help则显示help的用法，请试看看！）lookfor：用来寻找未知的命令。例如要寻找计算反矩阵的命令，可键入lookfor inverse，MA TLAB即会列出所有和关键字inverse相关的指令。找到所需的命令後，即可用help进一步找出其用法。（lookfor事实上是对所有在搜寻路径下的M档案进行关键字对第一注解行的比对，详见後叙。）
将列向量转置（Transpose）後，即可得到行向量（Column vector）：
z = x'
z = 4.0000
5.2000
6.4000
7.6000
8.8000
10.0000
不论是行向量或列向量，我们均可用相同的函数找出其元素个数、最大值、最小值等：
length(z) % z的元素个数
ans = 6
max(z) % z的最大值
ans = 10
min(z) % z的最小值
ans = 4
小整理：适用於向量的常用函数有：
min(x): 向量x的元素的最小值
max(x): 向量x的元素的最大值
mean(x): 向量x的元素的平均值
median(x): 向量x的元素的中位数
std(x): 向量x的元素的标准差
diff(x): 向量x的相邻元素的差
sort(x): 对向量x的元素进行排序（Sorting）
length(x): 向量x的元素个数
norm(x): 向量x的欧氏（Euclidean）长度
sum(x): 向量x的元素总和
prod(x): 向量x的元素总乘积
cumsum(x): 向量x的累计元素总和
cumprod(x): 向量x的累计元素总乘积
dot(x, y): 向量x和y的内积
cross(x, y): 向量x和y的外积（大部份的向量函数也可适用於矩阵，详见下述。）
若要输入矩阵，则必须在每一列结尾加上分号（；），如下例：
A = [1 2 3 4; 5 6 7 8; 9 10 11 12];
A =
1 2 3 4
5 6 7 8
9 10 11 12
同样地，我们可以对矩阵进行各种处理：
A(2,3) = 5 % 改变位於第二列，第三行的元素值
A =
1 2 3 4
5 6 5 8
9 10 11 12
B = A(2,1:3) % 取出部份矩阵B
B = 5 6 5
A = [A B'] % 将B转置後以行向量并入A
A =
1 2 3 4 5
5 6 5 8 6
9 10 11 12 5
A(:, 2) = [] % 删除第二行（：代表所有列）
A =
1 3 4 5
5 5 8 6
9 11 12 5
A = [A; 4 3 2 1] % 加入第四列
A =
1 3 4 5
5 5 8 6
9 11 12 5
4 3 2 1
A([1 4], :) = [] % 删除第一和第四列（：代表所有行）
A =
5 5 8 6
9 11 12 5
这几种矩阵处理的方式可以相互叠代运用，产生各种意想不到的效果，就看各位的巧思和创意。
小提示：在MA TLAB的内部资料结构中,每一个矩阵都是一个以行为主（Column-oriented ）的阵列（Array）因此对於矩阵元素的存取，我们可用一维或二维的索引（Index）来定址。举例来说，在上述矩阵A中，位於第二列、第三行的元素可写为A(2,3) （二维索引）或A(6)（一维索引，即将所有直行进行堆叠後的第六个元素）。
此外，若要重新安排矩阵的形状，可用reshape命令：
B = reshape(A, 4, 2) % 4是新矩阵的列数，2是新矩阵的行数
B =
5 8
9 12
5 6
11 5
小提示：A(:)就是将矩阵A每一列堆叠起来，成为一个行向量，而这也是MA TLAB变数的内部储存方式。以前例而言，reshape(A, 8, 1)和A(:)同样都会产生一个8x1的矩阵。
MA TLAB可在同时执行数个命令，只要以逗号或分号将命令隔开：
x = sin(pi/3); y = x^2; z = y*10,
z =
7.5000
若一个数学运算是太长，可用三个句点将其延伸到下一行：
z = 10*sin(pi/3)* ...
sin(pi/3);
若要检视现存於工作空间（Workspace）的变数，可键入who：
who
Y our variables are:
testfile x
这些是由使用者定义的变数。若要知道这些变数的详细资料，可键入：
whos
Name Size Bytes Class
A 2x4 64 double array
B 4x2 64 double array
ans 1x1 8 double array
x 1x1 8 double array
y 1x1 8 double array
z 1x1 8 double array
Grand total is 20 elements using 160 bytes
使用clear可以删除工作空间的变数：
clear A
A
??? Undefined function or variable 'A'.
另外MA TLAB有些永久常数（Permanent constants），虽然在工作空间中看不到，但使用者可直接取用，例如：
pi
ans = 3.1416
下表即为MA TLAB常用到的永久常数。
小整理：MA TLAB的永久常数i或j：基本虚数单位
eps：系统的浮点（Floating-point）精确度
inf：无限大，例如1/0 nan或NaN：非数值（Not a number），例如0/0
pi：圆周率p（= 3.1415926...）
realmax：系统所能表示的最大数值
realmin：系统所能表示的最小数值
nargin: 函数的输入引数个数
nargin: 函数的输出引数个数
1-2、重复命令
最简单的重复命令是for 圈（for-loop），其基本形式为：
for 变数= 矩阵；
运算式；
end
其中变数的值会被依次设定为矩阵的每一行，来执行介於for和end之间的运算式。因此,若无意外情况，运算式执行的次数会等於矩阵的行数。
举例来说，下列命令会产生一个长度为6的调和数列（Harmonic sequence）：
x = zeros(1,6); % x是一个16的零矩阵
for i = 1:6,
x(i) = 1/i;
end
在上例中，矩阵x最初是一个16的零矩阵，在for 圈中，变数i的值依次是1到6，因此矩阵x的第i个元素的值依次被设为1/i。我们可用分数来显示此数列：
format rat % 使用分数来表示数值
disp(x)
1 1/
2 1/
3 1/
4 1/
5 1/6
for圈可以是多层的，下例产生一个16的Hilbert矩阵h，其中为於第i列、第j行的元素为h = zeros(6);
for i = 1:6,
for j = 1:6,
h(i,j) = 1/(i+j-1);
end
end
disp(h)
1 1/
2 1/
3 1/
4 1/
5 1/6
1/2 1/3 1/4 1/5 1/6 1/7
1/3 1/4 1/5 1/6 1/7 1/8
1/4 1/5 1/6 1/7 1/8 1/9
1/5 1/6 1/7 1/8 1/9 1/10
1/6 1/7 1/8 1/9 1/10 1/11
小提示：预先配置矩阵在上面的例子，我们使用zeros来预先配置（Allocate）了一个适当大小的矩阵。若不预先配置矩阵，程式仍可执行，但此时MA TLAB需要动态地增加（或减小）矩阵的大小，因而降低程式的执行效率。所以在使用一个矩阵时，若能在事前知道其大小，则最好先使用zeros或ones等命令来预先配置所需的记忆体（即矩阵）大小。
在下例中，for 圈列出先前产生的Hilbert矩阵的每一行的平方和：
for i = h,
disp(norm(i)^2); % 印出每一行的平方和
end
1299/871
282/551
650/2343
524/2933
559/4431
831/8801
在上例中，每一次i的值就是矩阵h的一行，所以写出来的命令特别简洁。
令一个常用到的重复命令是while 圈，其基本形式为：
while 条件式；
运算式；
end
也就是说，只要条件示成立，运算式就会一再被执行。例如先前产生调和数列的例子，我们可用while 圈改写如下：
x = zeros(1,6); % x是一个16的零矩阵
i = 1;
while i <= 6,
x(i) = 1/i;
end
format short
1-3、逻辑命令
最简单的逻辑命令是if, ..., end，其基本形式为：
if 条件式；
运算式；
end
if rand(1,1) > 0.5,
disp('Given random number is greater than 0.5.');
end
Given random number is greater than 0.5.
1-4、集合多个命令於一个M档案
若要一次执行大量的MA TLAB命令，可将这些命令存放於一个副档名为m的档案，并在MA TLAB提示号下键入此档案的主档名即可。此种包含MA TLAB命令的档案都以m为副档名，因此通称M档案（M-files）。例如一个名为test.m的M档案，包含一连串的MA TLAB 命令，那麽只要直接键入test，即可执行其所包含的命令：
pwd % 显示现在的目录
ans =
D:\MA TLAB5\bin
cd c:\data\mlbook % 进入test.m所在的目录
type test.m % 显示test.m的内容
% This is my first test M-file.
% Roger Jang, March 3, 1997
fprintf('Start of test.m!\n');
fprintf('i = %d ---> i^3 = %d\n', i, i^3);
end
fprintf('End of test.m!\n');
test % 执行test.m
Start of test.m!
i = 1 ---> i^3 = 1
i = 2 ---> i^3 = 8
i = 3 ---> i^3 = 27
End of test.m!
小提示：第一注解行（H1 help line）test.m的前两行是注解，可以使程式易於了解与管理。特别要说明的是，第一注解行通常用来简短说明此M档案的功能，以便lookfor能以关键字比对的方式来找出此M档案。举例来说，test.m的第一注解行包含test这个字，因此如果键入lookfor test，MA TLAB即可列出所有在第一注解行包含test的M档案，因而test.m也会被列名在内。
严格来说，M档案可再细分为命令集（Scripts）及函数（Functions）。前述的test.m即为命令集，其效用和将命令逐一输入完全一样，因此若在命令集可以直接使用工作空间的变数，而且在命令集中设定的变数，也都在工作空间中看得到。函数则需要用到输入引数（Input arguments）和输出引数（Output arguments）来传递资讯，这就像是C语言的函数,或是FORTRAN语言的副程序（Subroutines）。举例来说，若要计算一个正整数的阶乘（Factorial），我们可以写一个如下的MA TLAB函数并将之存档於fact.m：
function output = fact(n)
% FACT Calculate factorial of a given positive integer.
output = 1;
for i = 1:n,
output = output*i;
end
其中fact是函数名，n是输入引数，output是输出引数，而i则是此函数用到的暂时变数。要使用此函数，直接键入函数名及适当输入引数值即可：
y = fact(5)
y = 120
（当然，在执行fact之前，你必须先进入fact.m所在的目录。）在执行fact(5)时，
MA TLAB会跳入一个下层的暂时工作空间（Temperary workspace），将变数n的值设定为5，然後进行各项函数的内部运算，所有内部运算所产生的变数（包含输入引数n、暂时变数i，以及输出引数output）都存在此暂时工作空间中。运算完毕後，MA TLAB会将最後输出引数output的值设定给上层的变数y，并将清除此暂时工作空间及其所含的所有变数。换句话说，在呼叫函数时，你只能经由输入引数来控制函数的输入，经由输出引数来得到函数的输出，但所有的暂时变数都会随着函数的结束而消失，你并无法得到它们的值。
小提示：有关阶乘函数前面（及後面）用到的阶乘函数只是纯粹用来说明MA TLAB的函数观念。若实际要计算一个正整数n的阶乘（即n!）时，可直接写成prod(1:n)，或是直接呼叫gamma函数：gamma(n-1)。
MA TLAB的函数也可以是递 式的（Recursive），也就是说，一个函数可以呼叫它本身。
举例来说，n! = n*(n-1)!，因此前面的阶乘函数可以改成递式的写法：
function output = fact(n)
% FACT Calculate factorial of a given positive integer recursively.
if n == 1, % Terminating condition
output = 1;
return;
end
output = n*fact(n-1);
在写一个递函数时，一定要包含结束条件（Terminating condition），否则此函数将会一再呼叫自己，永远不会停止，直到电脑的记忆体被耗尽为止。以上例而言，n==1即满足结束条件，此时我们直接将output设为1，而不再呼叫此函数本身。
1-5、搜寻路径
在前一节中，test.m所在的目录是d:\mlbook。如果不先进入这个目录，MA TLAB就找不到你要执行的M档案。如果希望MA TLAB不论在何处都能执行test.m，那麽就必须将d:\mlbook 加入MA TLAB的搜寻路径（Search path）上。要检视MA TLAB的搜寻路径，键入path即可：
path
MA TLABPA TH
d:\matlab5\toolbox\matlab\general
d:\matlab5\toolbox\matlab\ops
d:\matlab5\toolbox\matlab\lang
d:\matlab5\toolbox\matlab\elmat
d:\matlab5\toolbox\matlab\elfun
d:\matlab5\toolbox\matlab\specfun
d:\matlab5\toolbox\matlab\matfun
d:\matlab5\toolbox\matlab\datafun
d:\matlab5\toolbox\matlab\polyfun
d:\matlab5\toolbox\matlab\funfun
d:\matlab5\toolbox\matlab\sparfun
d:\matlab5\toolbox\matlab\graph2d
d:\matlab5\toolbox\matlab\graph3d
d:\matlab5\toolbox\matlab\specgraph
d:\matlab5\toolbox\matlab\graphics
d:\matlab5\toolbox\matlab\uitools
d:\matlab5\toolbox\matlab\strfun
d:\matlab5\toolbox\matlab\iofun
d:\matlab5\toolbox\matlab\timefun
d:\matlab5\toolbox\matlab\datatypes
d:\matlab5\toolbox\matlab\dde
d:\matlab5\toolbox\matlab\demos
d:\matlab5\toolbox\tour
d:\matlab5\toolbox\simulink\simulink
d:\matlab5\toolbox\simulink\blocks
d:\matlab5\toolbox\simulink\simdemos
d:\matlab5\toolbox\simulink\dee
d:\matlab5\toolbox\local
此搜寻路径会依已安装的工具箱（Toolboxes）不同而有所不同。要查询某一命令是在搜寻
用MATLAB 优化工具箱解线性规划 命令：x=linprog （c ，A ，b ） 2、模型： beq AeqX b AX ..min =≤=t s cX z 命令：x=linprog （c ，A ，b ，Aeq,beq ） 注意：若没有不等式：b AX ≤存在，则令A=[ ]，b=[ ]. 若没有等式约束, 则令Aeq=[ ], beq=[ ]. 3、模型： VUB X VLB beq AeqX b AX ..min ≤≤=≤=t s cX z 命令：[1] x=linprog （c ，A ，b ，Aeq,beq, VLB ，VUB ） [2] x=linprog （c ，A ，b ，Aeq,beq, VLB ，VUB, X0） 注意：[1] 若没有等式约束, 则令Aeq=[ ], beq=[ ]. [2]其中X0表示初始点 4、命令：[x,fval]=linprog(…) 返回最优解ｘ及ｘ处的目标函数值fval. 例1 max 6543216.064.072.032.028.04.0x x x x x x z +++++= 85003.003.003.001.001.001.0..654321≤+++++x x x x x x t s 70005.002.041≤+x x 10005.002.052≤+x x 90008.003.063≤+x x 6,2,10 =≥j x j 解 编写M 文件小xxgh1.m 如下： c=[-0.4 -0.28 -0.32 -0.72 -0.64 -0.6]; A=[0.01 0.01 0.01 0.03 0.03 0.03;0.02 0 0 0.05 0 0;0 0.02 0 0 0.05 0;0 0 0.03 0 0 0.08]; b=[850;700;100;900]; Aeq=[]; beq=[]; vlb=[0;0;0;0;0;0]; vub=[]; [x,fval]=linprog(c,A,b,Aeq,beq,vlb,vub) min z=cX b AX t s ≤..1、模型：
线性规划 线性规划是处理线性目标函数和线性约束的一种较为成熟的方法，目前已经广泛应用于军事、经济、工业、农业、教育、商业和社会科学等许多方面。 8.2.1 基本数学原理 线性规划问题的标准形式是： ????? ??????≥=+++=+++=++++++=0,,,min 21221122222121112 121112211n m n mn m m n n n n n n x x x b x a x a x a b x a x a x a b x a x a x a x c x c x c z 或 ???? ?????=≥===∑∑==n j x m i b x a x c z j n j i j ij n j j j ,,2,1,0,,2,1,min 1 1 写成矩阵形式为： ?? ???≥==O X b AX CX z min 线性规划的标准形式要求使目标函数最小化，约束条件取等式，变量b 非负。不符合这几个条件的线性模型可以转化成标准形式。 MATLAB 采用投影法求解线性规划问题，该方法是单纯形法的变种。 8.2.2 有关函数介绍 在MATLAB 工具箱中，可用linprog 函数求解线性规划问题。 linprog 函数的调用格式如下： ●x=linprog(f,A,b)：求解问题minf'*x ，约束条件为A*x<=b 。 ●x=linprog(f,A,b,Aeq,beq)：求解上面的问题，但增加等式约束，即Aeq*x=beq 。若没有不等式约束，则令A=[ ],b=[ ]。 ●x=linprog(f,A,b,Aeq,beq,lb,ub)：定义设计x 的下界lb 和上界ub ，使得x 始终在该范围内。若没有等式约束，令Aeq=[ ],beq=[ ]。 ●x=linprog(f,A,b,Aeq,beq,lb,ub,x0)：设置初值为x0。该选项只适用于中型问题，默认时大型算法将忽略初值。 ●x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options)：用options 指定的优化参数进行最小化。 ●[x,fval]=linprog(…)：返回解x 处的目标函数值fval 。 ●[x,lambda,exitflag]=linprog(…)：返回exitflag 值，描述函数计算的退出条件。 ●[x,lambda,exitflag,output]=linprog(…)：返回包含优化信息的输出参数output 。 ●[x,fval,exitflag,output,lambda]=linprog(…)：将解x 处的拉格朗日乘子返回到lambda 参数中。
一、实验目的： 了解Matlab 的优化工具箱，能利用Matlab 求解线性规划问题。 二、实验内容： 线性规划的数学模型有各种不同的形式，其一般形式可以写为： 目标函数： n n x f x f x f z +++= 2211m in 约束条件： s n sn s s n n b x a x a x a b x a x a x a ≤+++≤+++ 221 11 1212111 s n tn t t n n d x c x c x c d x c x c x c =+++=+++ 221 11 1212111 0,,,21≥n x x x 这里 n n x f x f x f z +++= 2211称为目标函数，j f 称为价值系数，T n f f f f ),,,(21 =称为价值向量，j x 为求解的变量，由系数ij a 组成的矩阵 ??????????=mn m n a a a a A 1111 称为不等式约束矩阵，由系数ij c 组成的矩阵 ??????????=sn s n c c c c C 1111 称为等式约束矩阵，列向量 T n b b b b ),,,(21 =和T n d d d d ),,,(21 =为右端向量，条件0≥j x 称为非负约束。一个向量T n x x x x ),,,(21 =，满足约束条件，称为可行解或可行点，所有可行点的集合称为 可行区域，达到目标函数值最大的可行解称为该线性规划的最优解，相应的目标函数值称为最优目标函数值，简称最优值。 我们这里介绍利用Matlab 来求解线性规划问题的求解。 在Matlab 中有一个专门的函数linprog()来解决这类问题，我们知道，极值有最大和最小两种，但求z 的极大就是求z -的极小，因此在Matlab 中以求极小为标准形式，函数linprog()的具体格式如下： X=linprog(f,A,b) [X,fval,exitflag,ouyput,lamnda]=linprog(f,A,b,Aeq,Beq,LB,UB,X0,options) 这里X 是问题的解向量，f 是由目标函数的系数构成的向量，A 是一个矩阵，b 是一个向量，A ，b 和变量x={x1,x2,…,xn}一起，表示了线性规划中不等式约束条件，A ，b 是系数矩阵和右端向量。Aeq 和Beq 表示了线性规划中等式约束条件中的系数矩阵和右端向量。LB 和UB 是约束变量的下界和上界向量，X0是给定的变量的初始值，options 为控制规划过程的参数系列。返回值中fval 是优化结束后得到的目标函数值。exitflag=0表示优化结果已经超过了函数的估计值或者已声明的最大迭代次数；exitflag>0表示优化过程中变量收敛于解X ，exitflag<0表示不收敛。output 有3个分量，iterations 表示优化过程的迭代次数，cgiterations 表示PCG 迭代次数，algorithm 表示优化所采用的运算规则。lambda 有4个分量，
第11次课 （1） 某机床厂生产甲、乙两种机床，每台销售后的利润分别为 4000 元与 3000 元 。 生产甲机床需用A 、B 机器加工，加工时间分别为每台 2 小时和 1 小时； 生产乙机床 需用A 、B 、C 三种机器加工，加工时间为每台各一小时。 若每天可用于加工的机器 时数分别为A 机器 10 小时、 B 机器 8 小时和 C 机器 7 小时，问该厂应生产甲、乙机床 各 几台，才能使总利润最大？ （2）有两种农作物（大米和小麦），可用轮船和飞机两种方式运输，每天每艘轮船和每架飞机运输效果 如下:在一天内如何安排才能合理完成运输2000吨小麦和1500吨大米的任务？ （3）设422+-=x y z ，式中变量y x ,满足条件?????≥-≤≤≤≤12201 0x y y x ，求z 的最小值和最大值． （4）某家俱公司生产甲、乙两种型号的 组合柜，每种柜的制造白坯时间、油漆时间及有关数据如下： 问该公司如何安排甲、乙二种柜的日产量可获最大利润，并且最大利润是多少？ （5） 某运输公司接受了向抗洪抢险地区每天至少送180t 支援物资的任务.该公司有8辆载重为6t 的A 型 卡车与4辆载重为10t 的B 型卡车，有10名驾驶员；每辆卡车每天往返的次数为A 型卡车4次，B 型 卡车3次；每辆卡车每天往返的成本费A 型车为320元，B 型车为504元.请你们为该公司安排一下应该如何调配车辆，才能使公司所花的成本费最低？若只调配A 型或B 型卡车，所花的成本费分别是多少？
（6）一家玩具公司制造三种桌上高尔夫玩具，每一种要求不同的制造技术。高级的一种需要17小时加工装配劳动力，8小时检验，每台利润300元。中级的需要10小时劳动力，4小时检验，利润200元。低级的需要2小时劳动力，2小时检验，利润100元。可供利用的加工劳动力为1000小时，检验500小时。其次，有市场预测表明，对高级的需求量不超过50台，中级的不超过80台，低级的不超过150台。 问制造商如何决策才能得出使总利润为最大的最优生产计划。 （7）（任务分配问题）某车间有甲、乙两台机床，可用于加工三种工件。 假定这两台车床的可用台时数分别为800和900，三种工件的数量分别为400、600和500，且已知用三种不同车床加工单位数量不同工件所需的台时数和加工费用如下表。问怎样分配车床的加工任务，才能既满足加工工件的要求，又使加工费用最低 （8）
⒈ 优化问题及其数学模型 假设有一个问题，它有几个因素来决定，当这些因素处于某个状态时，可以使问题得到我们最想要的结果。优化问题就是寻求这个状态的过程。例如： 某工厂生产A ，B 两种产品，所用原料均为甲、乙、丙三种；生产一件产品所需原料和 问题：在该厂只有库存原料甲380单位，原料乙300单位，原料丙220单位的情况下如何安排A ，B 两种产品的生产数量可以获得最大的利润？ 设生产A 中产品1x 件，生产B 中产品2x 件，z 为所获得的利润，于是有关系式： 我们称它为目标函数。生产的条件我们可以表示为： 我们把上面的不等式称为约束条件。 产品A 的产量1x 和B 的产量2x 是优化问题的变量。在满足约束条件的前提下使目标函数得到最优的值成为最优解。根据以上定义，也可以说优化运算是通过某种计算寻求最优解的过程。 以上这个用等式或不等式来表达我们要解决的问题的过程就是优化问题的建模过程。我们平时遇到的问题常常不是上面的这几个数学表达式就能表达得清清楚楚的，但是建立像上面类似的数学模型却是优化求解的第一步。优化问题常常表现为在多约束条件下求某一函数的极值问题，例如上面的这个例子。 Matlab 有一个优化工具箱，可以帮助我们方便的解决好这类问题。 ⒉ 优化工具箱 Matlab 的优化工具箱有一些对普通非线性函数求解最小化或最大化（求极值）的函数组成，另外还包括一些解决诸如线性规划等标准矩阵问题的函数。所有的优化函数都是用Matlab 语言编写的m 文件，我们可以通过在命令窗口里输入type function_name 来查看这些函数。 优化工具箱的优化功能包括： ⑴ 求无约束非线性最小化； ⑵ 求有约束非线性最小化； ⑶ 二次和线性规划问题； ⑷ 非线性最小二乘法和曲线拟合问题； ⑸ 非线性等式的求解； ⑹ 约束线性最小二乘法； ⑺ 稀疏和结构化大尺度问题。 工具箱中求非线性函数极小值的命令函数如下表所示：
多目标线性规划的若干解法及MATLAB 实现 一．多目标线性规划模型 多目标线性规划有着两个和两个以上的目标函数,且目标函数和约束条件全是线性函 数,其数学模型表示为： 11111221221122221122max n n n n r r r rn n z c x c x c x z c x c x c x z c x c x c x =+++??=+++?? ??=+++? （1） 约束条件为： 1111221121122222112212,,,0 n n n n m m mn n m n a x a x a x b a x a x a x b a x a x a x b x x x +++≤??+++≤?? ??+++≤?≥?? （2） 若（1）式中只有一个1122i i i in n z c x c x c x =+++ ，则该问题为典型的单目标线性规划。我们记:()ij m n A a ?=,()ij r n C c ?=,12(,,,)T m b b b b = ,12(,,,)T n x x x x = ， 12(,,,)T r Z Z Z Z = . 则上述多目标线性规划可用矩阵形式表示为: max Z Cx = 约束条件：0 Ax b x ≤?? ≥? （3） 二．MATLAB 优化工具箱常用函数[3] 在MA TLAB 软件中，有几个专门求解最优化问题的函数，如求线性规划问题的linprog 、求有约束非线性函数的fmincon 、求最大最小化问题的fminimax 、求多目标达到问题的fgoalattain 等,它们的调用形式分别为： ①.[x,fval]=linprog(f,A,b,Aeq,beq,lb,ub) f 为目标函数系数,A,b 为不等式约束的系数, Aeq,beq 为等式约束系数, lb,ub 为x 的下 限和上限, fval 求解的x 所对应的值。 算法原理：单纯形法的改进方法投影法 ②.[x,fval ]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub ） fun 为目标函数的M 函数, x0为初值,A,b 为不等式约束的系数, Aeq,beq 为等式约束
8.2 线性规划 线性规划是处理线性目标函数和线性约束的一种较为成熟的方法，目前已经广泛应用于军事、经济、工业、农业、教育、商业和社会科学等许多方面。 8.2.1 基本数学原理 线性规划问题的标准形式是： ????? ??????≥=+++=+++=++++++=0,,,min 21221122222121112 121112211n m n mn m m n n n n n n x x x b x a x a x a b x a x a x a b x a x a x a x c x c x c z ΛΛΛΛΛΛΛΛΛΛΛΛΛΛΛΛΛ 或 ???? ?????=≥===∑∑==n j x m i b x a x c z j n j i j ij n j j j ,,2,1,0,,2,1,min 1 1ΛΛ 写成矩阵形式为： ?? ???≥==O X b AX CX z min 线性规划的标准形式要求使目标函数最小化，约束条件取等式，变量b 非负。不符合这几个条件的线性模型可以转化成标准形式。 MATLAB 采用投影法求解线性规划问题，该方法是单纯形法的变种。 8.2.2 有关函数介绍 在MATLAB 工具箱中，可用linprog 函数求解线性规划问题。 linprog 函数的调用格式如下： ●x=linprog(f,A,b)：求解问题minf'*x ，约束条件为A*x<=b 。 ●x=linprog(f,A,b,Aeq,beq)：求解上面的问题，但增加等式约束，即Aeq*x=beq 。若没有不等式约束，则令A=[ ],b=[ ]。 ●x=linprog(f,A,b,Aeq,beq,lb,ub)：定义设计x 的下界lb 和上界ub ，使得x 始终在该范围内。若没有等式约束，令Aeq=[ ],beq=[ ]。 ●x=linprog(f,A,b,Aeq,beq,lb,ub,x0)：设置初值为x0。该选项只适用于中型问题，默认时大型算法将忽略初值。 ●x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options)：用options 指定的优化参数进行最小化。 ●[x,fval]=linprog(…)：返回解x 处的目标函数值fval 。 ●[x,lambda,exitflag]=linpro g(…)：返回exitflag 值，描述函数计算的退出条件。 ●[x,lambda,exitflag,output]=linprog(…)：返回包含优化信息的输出参数output 。 ●[x,fval,exitflag,output,lambda]=linprog(…)：将解x 处的拉格朗日乘子返回到
§15. 利用Matlab求解线性规划问题 线性规划是一种优化方法，Matlab优化工具箱中有现成函数linprog对如下式描述的LP问题求解： % min f'x % s.t .(约束条件)：Ax<=b % (等式约束条件)：Aeqx=beq % lb<=x<=ub linprog函数的调用格式如下： x=linprog(f,A,b) x=linprog(f,A,b,Aeq,beq) x=linprog(f,A,b,Aeq,beq,lb,ub) x=linprog(f,A,b,Aeq,beq,lb,ub,x0) x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) [x,fval]=linprog(…) [x, fval, exitflag]=linprog(…) [x, fval, exitflag, output]=linprog(…) [x, fval, exitflag, output, lambda]=linprog(…) 其中： x=linprog(f,A,b)返回值x为最优解向量。 x=linprog(f,A,b,Aeq,beq) 作有等式约束的问题。若没有不等式约束，则令 111
A=[ ]、b=[ ] 。 x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) 中lb ,ub为变量x的下界和上界，x0为初值点，options为指定优化参数进行最小化。 Options的参数描述： Display显示水平。选择’off’ 不显示输出；选择’I ter’显示每一步迭代过程的输出；选择’final’ 显示最终结果。 MaxFunEvals 函数评价的最大允许次数 Maxiter 最大允许迭代次数 TolX x处的终止容限 [x,fval]=linprog(…) 左端fval 返回解x处的目标函数值。 [x,fval,exitflag,output,lambda]=linprog(f,A,b, Aeq,beq,lb,ub,x0) 的输出部分： exitflag描述函数计算的退出条件：若为正值，表示目标函数收敛于解x 处；若为负值，表示目标函数不收敛；若为零值，表示已经达到函数评价或迭代的最大次数。 output 返回优化信息：output.iterations表示迭代次数；output.algorithm表示所采用的算法；outprt.funcCount表示函数评价次数。 lambda返回x处的拉格朗日乘子。它有以下属性： lambda.lower-lambda的下界； lambda.upper-lambda的上界； lambda.ineqlin-lambda的线性不等式； lambda.eqlin-lambda的线性等式。 112
实验四 用MATLAB 求解线性规划问题 一、实验目的： 了解Matlab 的优化工具箱，能利用Matlab 求解线性规划问题。 二、实验内容： 线性规划的数学模型有各种不同的形式，其一般形式可以写为： 目标函数： n n x f x f x f z +++= 2211mi n 约束条件： s n sn s s n n b x a x a x a b x a x a x a ≤+++≤+++ 221 11 1212111 s n tn t t n n d x c x c x c d x c x c x c =+++=+++ 221 11 1212111 0,,,21≥n x x x 这里 n n x f x f x f z +++= 2211称为目标函数，j f 称为价值系数，T n f f f f ),,,(21 =称为价值向量，j x 为求解的变量，由系数ij a 组成的矩阵 ??????????=mn m n a a a a A 1111 称为不等式约束矩阵，由系数ij c 组成的矩阵 ??????????=sn s n c c c c C 1111 称为等式约束矩阵，列向量 T n b b b b ),,,(21 =和T n d d d d ),,,(21 =为右端向量，条件0≥j x 称为非负约束。一个向量T n x x x x ),,,(21 =，满足约束条件，称为可行解或可行点，所有可行点的集合称为 可行区域，达到目标函数值最大的可行解称为该线性规划的最优解，相应的目标函数值称为最优目标函数值，简称最优值。 我们这里介绍利用Matlab 来求解线性规划问题的求解。 在Matlab 中有一个专门的函数linprog()来解决这类问题，我们知道，极值有最大和最小两种，但求z 的极大就是求z -的极小，因此在Matlab 中以求极小为标准形式，函数linprog()的具体格式如下： X=linprog(f,A,b) [X,fval,exitflag,ouyput,lamnda]=linprog(f,A,b,Aeq,Beq,LB,UB,X0,options) 这里X 是问题的解向量，f 是由目标函数的系数构成的向量，A 是一个矩阵，b 是一个向量，A ，b 和变量x={x1,x2,…,xn}一起，表示了线性规划中不等式约束条件，A ，b 是系数矩阵和右端向量。Aeq 和Beq 表示了线性规划中等式约束条件中的系数矩阵和右端向量。LB 和UB 是约束变量的下界和上界向量，X0是给定的变量的初始值，options 为控制规划过程的参数系列。返回值中fval 是优化结束后得到的目标函数值。exitflag=0表示优化结果已经超过了函数的估计值或者已声明的最大迭代次数；exitflag>0表示优化过程中变量收敛于解X ，exitflag<0表示不收敛。output 有3个分量，iterations 表示优化过程的迭代次数，cgiterations 表示PCG 迭代次数，algorithm 表示优化所采用的运算规则。lambda 有4个分量，ineqlin 是线
1 实验四 用MATLAB 求解线性规划问题 一、实验目的： 了解Matlab 的优化工具箱，能利用Matlab 求解线性规划问题。 二、实验内容： 线性规划的数学模型有各种不同的形式，其一般形式可以写为： 目标函数： n n x f x f x f z +++= 2211m i n 约束条件： s n sn s s n n b x a x a x a b x a x a x a ≤+++≤+++ 22111 1212111 s n tn t t n n d x c x c x c d x c x c x c =+++=+++ 22111 1212111 ,,,21≥n x x x 这里n n x f x f x f z +++= 2211称为目标函数， j f 称为价值系数， T n f f f f ) ,,,(21 =称为价值向 量， j x 为求解的变量，由系数 ij a 组成的矩阵 ???? ? ?????=mn m n a a a a A 1 111 称为不等式约束矩阵，由系数ij c 组成的矩阵 ???? ? ?????=sn s n c c c c C 1 111 称为等式约束矩阵，列向量T n b b b b ) ,,,(21 =和 T n d d d d ) ,,,(21 =为右端向量，条件 ≥j x 称为 非负约束。一个向量 T n x x x x ) ,,,(21 =，满足约束条件，称为可行解或可行点，所有可行点的集合称为 可行区域，达到目标函数值最大的可行解称为该线性规划的最优解，相应的目标函数值称为最优目标函数 值，简称最优值。 我们这里介绍利用Matlab 来求解线性规划问题的求解。 在Matlab 中有一个专门的函数linprog()来解决这类问题，我们知道，极值有最大和最小两种，但求z 的极大就是求z -的极小，因此在Matlab 中以求极小为标准形式，函数linprog()的具体格式如下： X=linprog(f,A,b) [X,fval,exitflag,ouyput,lamnda]=linprog(f,A,b,Aeq,Beq,LB,UB,X0,options) 这里X 是问题的解向量，f 是由目标函数的系数构成的向量，A 是一个矩阵，b 是一个向量，A ，b 和变量x={x1,x2,…,xn}一起，表示了线性规划中不等式约束条件，A ，b 是系数矩阵和右端向量。Aeq 和Beq 表示了线性规划中等式约束条件中的系数矩阵和右端向量。LB 和UB 是约束变量的下界和上界向量，X0是给定的变量的初始值，options 为控制规划过程的参数系列。返回值中fval 是优化结束后得到的目标函数值。exitflag=0表示优化结果已经超过了函数的估计值或者已声明的最大迭代次数；exitflag>0表示优化过
一、用MATLAB 求解线性规划问题 （1） 编写的M 文件为： f=[-1;-1] A=[1 -2;1 2] b=[4,8] [x,feval]=linprog(f,A,b,[],[],zeros(2,1)) 所求解为：x 1=6,x 2=1;min f=-7 （2） 编写的M 文件为： f=[-4;-3] A=[3 4;3 3;4 2] b=[12;10;8] [x,feval]=linprog(f,A,b,[],[],zeros(1,2)) 所求得的解为：x 1=0.8,x 2=2.4;max f=10.4 （3） （4） 编写的M 文件为： f=[-1;-3;3] Aeq=[1 1 2;-1 2 1] beq=[4;4] [x,feval]=linprog(f,[],[],Aeq,beq,zeros(3,1)) 所求得的结果为：x 1=4/3,x 2=8/3,x 3=0;max f=28/3。 12 121212min 24s.t.28 ,0f x x x x x x x x ì=--????-?镲í?+???? 3??12 1212121243max 3412 ..3310 428 ,0 f x x x x s t x x x x x x ì =+????+????+?í???+????3??123 12312313min 3s.t.211 423 21 0(1,2,3) j f x x x x x x x x x x x x j =--ì????-+?????-++?í??-+=?? ??? ???123 123123max 3s.t.24 24 0(1,2,3) j f x x x x x x x x x x j =+-ì????++=??í-++=???? ????
一元线性回归： x 含碳量 y合金强度建立y与x函数关系并检验可信度，检查数据有无异常点 clc close all x1=[0.1:0.01:0.18,0.20,0.21,0.23]'; x=[ones(size(x1)),x1]; y=[42 41.5 45 45.5 45 47.5 49 55 50 55 55.5 60.5]'; % 作数据的散点图 figure(1) plot(x1,y,'*') %回归分析 [b,bint,r,rint,stats]=regress(y,x) %alpha 缺省表示取值为0.05 %做残差图 figure(2) rcoplot(r,rint); %预测与回归图 figure(3) z=b(1)+b(2)*x1; plot(x1,y,'*',x1,z,'k-') legend('原始数据','回归曲线') 运行结果如下： b = 27.0269 140.6194 bint = 22.3226 31.7313 111.7842 169.4546 r = 0.9111 -0.9951
1.0987 0.1925 -1.7136 -0.6198 -0.5260 4.0678 -2.3384 -0.1508 -1.0570 1.1306 rint = -2.5705 4.3928 -4.6033 2.6131 -2.6026 4.8001 -3.6754 4.0605 -5.4276 2.0003 -4.5502 3.3105 -4.4717 3.4196 1.5241 6.6114 -5.8418 1.1649 -3.9067 3.6051 -4.6124 2.4984 -2.0746 4.3358 stats = 0.9219 118.0670 0.0000 3.1095 α= 27.0269 β= 140.6194 即y=α+βx
一、用MATLAB 求解线性规划问题 （1） 编写的M 文件为： f=[-1;-1] A=[1 -2;1 2] b=[4,8] [x,feval]=linprog(f,A,b,[],[],zeros(2,1)) 所求解为：x 1=6,x 2=1;min f=-7 （2） 编写的M 文件为： f=[-4;-3] A=[3 4;3 3;4 2] b=[12;10;8] [x,feval]=linprog(f,A,b,[],[],zeros(1,2)) 所求得的解为：x 1=,x 2=;max f= （3） （4） 编写的M 文件为： f=[-1;-3;3] Aeq=[1 1 2;-1 2 1] beq=[4;4] [x,feval]=linprog(f,[],[],Aeq,beq,zeros(3,1)) 所求得的结果为：x 1=4/3,x 2=8/3,x 3=0;max f=28/3。 12121212min 24s.t.28,0f x x x x x x x x ì=--????-?镲í?+????3??121212121243max 3412..3310428,0f x x x x s t x x x x x x ì=+????+????+?í???+????3?? 12312312313min 3s.t.211423210(1,2,3)j f x x x x x x x x x x x x j =--ì????-+?????-++?í??-+=????????123123123max 3s.t.24240(1,2,3) j f x x x x x x x x x x j =+-ì????++=??í-++=????????min s.t.123f x y z x y x z ì?=++???+?í???+=???
Matlab 实验报告 实验目的：用Matlab 解法求解线性规划问题 实验一： 题目:求解线性规划问题： 12 max 3z x x =+ 12121 2x -x -2.x -2x 23x +2x 14 .s t ≥?? ≤??≤? 方法一：Matlab 解法 算法设计： 1、先求Z 的最小值，再取相反数即为所求的最大值。 2、将第一个约束条件改为 12-x +x 2 ≤。以便与另外两个约束条件保持 不等号方向的一致。 3、根据所给的约束条件，利用x=linprog(c,a,b)求解 求值程序： c=[-3,-1]; a=[-1,1;1,-2;3,2]; b=[2;2;14]; [x,fval]=linprog(c,a,b) 运行结果： x =
4.0000 1.0000 fval = -13.0000 结果处理及分析：当x1=4 , x2=1 时，（-Z ）取最小值-13，Z 取最大值13. 方法二：图像法 程序代码： x=-4:1:4; y1=x-2; y2=2*x+2; y3=1/3*(14-2*x); y4=1/3*(13-x); plot(x,y1,x,y2,x,y3,x,y4,’:’) 经过对直线的适度调整后，得到图像为： -4 -3-2-1 01234 -6 -4-20246 810x y
结果处理及分析： 根据约束条件，星型图案所在的闭合三角形为可行域，易知，蓝色虚线代表的目标函数过A （1，4）时，Z 取最大值13。 实验二： 题目：某工厂利用甲，乙两种原料生产A1,A2,A3三种产品，每月可供应的 原料数量（单位：t ），每万件产品所需各种原料的数量及每万件产品的价格如表所示。试制定每月的最优生产计划，使得总收益最大。 算法设计： 1、设生产A1,A2,A3三种产品的量为x1 x2 x3 ，收益为Z ，写出Z 的表达式及约束条件为： 123 z =12x +5x +4x 12312343180 ..2632000(1,2,3)i x x x s t x x x x i ++≤??++≤??≥=? 2、求（-Z ）的最小值，再取相反数即为Z 的最大值。 3、利用x=linprog(c,a,b,aeq,beq,vlb,vub)求解 程序： c=[-12,-5,-4]; a=[4,3,1;2,6,3];
%单纯形法matlab程序-ssimplex % 求解标准型线性规划:max c*x; . A*x=b; x>=0 % 本函数中的A是单纯初始表，包括:最后一行是初始的检验数，最后一列是资源向量b % N是初始的基变量的下标 % 输出变量sol是最优解, 其中松弛变量（或剩余变量）可能不为0 % 输出变量val是最优目标值，kk是迭代次数 % 例：max 2*x1+3*x2 % . x1+2*x2<=8 % 4*x1<=16 % 4*x2<=12 % x1,x2>=0 % 加入松驰变量，化为标准型，得到 % A=[1 2 1 0 0 8; % 4 0 0 1 0 16; % 0 4 0 0 1 12; % 2 3 0 0 0 0]; % N=[3 4 5]; % [sol,val,kk]=ssimplex(A,N) % 然后执行 [sol,val,kk]=ssimplex(A,N)就可以了。 function [sol,val,kk]=ssimplex(A,N) [mA,nA]=size(A); kk=0; % 迭代次数 flag=1;
while flag kk=kk+1; if A(mA,:)<=0 % 已找到最优解 flag=0; sol=zeros(1,nA-1); for i=1:mA-1 sol(N(i))=A(i,nA); end val=-A(mA,nA); else for i=1:nA-1 if A(mA,i)>0&A(1:mA-1,i)<=0 % 问题有无界解 disp('have infinite solution!'); flag=0; break; end end if flag % 还不是最优表，进行转轴运算 temp=0; for i=1:nA-1 if A(mA,i)>temp temp=A(mA,i); inb=i; % 进基变量的下标 end
关于非线性规划问题 背景： 线性规划问题，即目标函数和约束条件都是线性函数的规划问题，但在实际工作中，还常常会遇到另一类更一般的规划问题，即目标函数和约束条件中至少有一个是非线性函数问题，即非线性规划问题。 求解方法：Matlab 软件 问题： 某厂向用户提供发动机，合同规定，第一、二、三季度末分别交货50台、70台、90台。每季度的生产费用为()^2f x ax bx =+（元）， 其中x 是该季度生产的台数，若交货有剩余可用于下季度交货，但需支付存储费，每季度每台c 元。已知工厂每季度最大生产能力为100台，第一季度开始时无存货，设a =50,b =0.2,c =4,问工厂如何安排每月生产计划，才能既满足合同又使总费用最低（包括生产费用和库存费用）。 问题分析与假设： 目标函数是总费用，记为()F x 。 约束条件是生产合同和生产能力的限制。 设第一季度生产1x 台，第二季度生产2x 台，则第三季度生产(21012)x x --台。则： 1201221 x x ≤+≤ 501100x ≤≤ 02100x ≤≤ 由a =50,b =0.2,c =4,
第一季度生产费用15010.21^2T x x =+， 剩余品存储到下一季度的费用14(150)k x =-， 同理可得：25020.22^2T x x =+ 24(12120)k x x =+- 350(2101 2)0.2(2101T x x x x =--+-- 建模 总费用 ()12312103000.2(1^22^2)0.2(21012)^24(212120)F x T T T k k x x x x x x =++++=+++--++-先建立M-文件: a=50;b=0.2;c=4; H=diag(2*b*ones(1,3));C=[a+2*c,a+c,a]; A1=[-1,0,0;-1,-1,0];b1=[-50,-120]'; A2=[1 1 1];b2=210; v1=[0 0 0]';v2=[100 100 100]'; [x,faval,exitflag,output,lambada]=quadprog(H,C,A1,b1,A2,b2,v1,v2, []) X2=x'*H*x/2+C*x-140*c 再建立主程序: a=50;b=0.2;c=4; H=diag(2*b*ones(1,3));C=[a+2*c,a+c,a]; A1=[-1,0,0;-1,-1,0];b1=[-50,-100]'; A2=[1 1 1];b2=210; v1=[0 0 0]';v2=[100 100 100]'; [x,faval,exitflag,output,lambada]=quadprog(H,C,A1,b1,A2,b2,v1,v2,[]) X2=x'*H*x/2+C*x-140*c 运算结果：
用MATLAB优化工具箱解线性规划 命令：x=linprog（c，A，b） 命令：x=linprog（c，A，b，Aeq,beq） 注意：若没有不等式：存在，则令A=[ ]，b=[ ]. 若没有等式约束, 则令Aeq=[ ], beq=[ ]. 命令：[1] x=linprog（c，A，b，Aeq,beq, VLB，VUB） [2] x=linprog（c，A，b，Aeq,beq, VLB，VUB, X0） 注意：[1] 若没有等式约束, 则令Aeq=[ ], beq=[ ]. [2]其中X0表示初始点 4、命令：[x,fval]=linprog(…) 返回最优解x及x处的目标函数值fval. 例1 解编写M文件小xxgh1.m如下： c=[-0.4 -0.28 -0.32 -0.72 -0.64 -0.6]; A=[0.01 0.01 0.01 0.03 0.03 0.03;0.02 0 0 0.05 0 0;0 0.02 0 0 0.05 0;0 0 0.03 0 0 0.08]; b=[850;700;100;900]; Aeq=[]; beq=[]; vlb=[0;0;0;0;0;0]; vub=[]; [x,fval]=linprog(c,A,b,Aeq,beq,vlb,vub) 例2 解: 编写M文件xxgh2.m如下： c=[6 3 4]; A=[0 1 0]; b=[50]; Aeq=[1 1 1]; beq=[120]; vlb=[30,0,20]; vub=[]; [x,fval]=linprog(c,A,b,Aeq,beq,vlb,vub 例3 （任务分配问题）某车间有甲、乙两台机床，可用于加工三种工件。 假定这两台车床的可用台时数分别为800和900，三种工件的数量分别为400、 600和500，且已知用三种不同车床加工单位数量不同工件所需的台时数和加工 费用如下表。问怎样分配车床的加工任务，才能既满足加工工件的要求，又使 加工费用最低 解设在甲车床上加工工件1、2、3的数量分别为x1、x2、x3，在乙车床上 加工工件1、2、3的数量分别为x4、x5、x6。可建立以下线性规划模型： 编写M文件xxgh3.m如下: f = [13 9 10 11 12 8]; A = [0.4 1.1 1 0 0 0 0 0 0 0.5 1.2 1.3]; b = [800; 900]; Aeq=[1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1]; beq=[400 600 500]; vlb = zeros(6,1); vub=[];
用MATLAB 求解线性规划问题 这里X 是问题的解向量，f 是由目标函数的系数构成的向量，A 是一个矩阵，b 是一个向量，A ，b 和变量x={x 1,x 2,…,x n }一起，表示了线性规划中不等式约束条件，A ，b 是系数矩阵和右端向量。Aeq 和Beq 表示了线性规划中等式约束条件中的系数矩阵和右端向量。LB 和UB 是约束变量的下界和上界向量，X0是给定的变量的初始值，options 为控制规划过程的参数系列。返回值中fval 是优化结束后得到的目标函数值。exitflag=0表示优化结果已经超过了函数的估计值或者已声明的最大迭代次数；exitflag>0表示优化过程中变量收敛于解X ，exitflag<0表示不收敛。output 有3个分量，iterations 表示优化过程的迭代次数，cgiterations 表示PCG 迭代次数，algorithm 表示优化所采用的运算规则。lambda 有4个分量，ineqlin 是线性不等式约束条件，eqlin 是线性等式约束条件，upper 是变量的上界约束条件，lower 是变量的下界约束条件。它们的返回值分别表示相应的约束条件在约束条件在优化过程中是否有效。 例1：某工厂生产A ，B 两种产品，所用原料均为甲、乙、丙三种：生产一件产品所需原料和所获利 设生产A 产品1x 件，生产B 产品2x 件，z 为所获利润，我们将问题归结为如下的线性规划问题： 12min {(700010000)}x x -+ s.t. 1212128638048300 46220x x x x x x +≤??+≤??+≤? 接着写出Matlab 程序如下： clear f=-[7000,10000]; A=[8,6;4,8;4,6]; b=[380,300,220]; [X,fval]=linprog(f,A,b) 运行结果为： >> Optimization terminated successfully. X =40.0000 10.0000 fval = -3.8000e+005 例2：求解下面的线性规划问题： 123min {546}x x x --- s.t. 12320x x x -+≤ 12332442 x x x ++≤ 123230x x +≤ 10x ≤，20x ≤，30x ≤ 解决上述问题的Matlab 程序为： clear f=-[5,4,6]; A=[1,-2,1;3,2,4;3,2,0]; b=[20,42,30]; LB=[0;0;0]; [X,fval,exitflag,output,lambda]=linprog(f,A,b,[],[],LB) 程序运行的结果为： Optimization terminated successfully. X = 0.0000