机械优化设计MATLAB程序文件
完整版优化设计Matlab编程作业
化设计hl4HU©0⑥ 3 hlu 凹内r d X1州fci-rU-fFF卢F ♦ 忡下¥为+1 —*— S-ll-« F41：Si —MATLABoftiHMirjirCfiffliiiiJ PHI■1**■ 温不平?」11,・—喜M - 〜FT 文词一时y 片 34ml 3F*L9TR0i. Jill!-LkftLgWf 1S1CSI掰f 1 ■ >A A A »W I % ：k Dnfl w I ■ J k^lXMprfaMk tjn nn Alflhw初选 x0=[1,1] 程序：Step 1: Write an Mfle objfunl.m.function f1=objfun1(x)f1=x(1)人2+2*x(2)入2-2*x(1)*x(2)-4*x(1);Step 2: Invoke one of the unconstrained optimization routinesx0=[1,1]；>> options = 0Ptimset('LargeScale','off);>> [x,fval,exitflag,output] = fminunc(@objfun1,x0,options)运行结果： x =4.0000 2.0000 fval = -8.0000exitflag =1 output = iterations: 3 funcCount: 12 stepsize: 1 firstorderopt: 2.3842e-007algorithm: 'medium-scale: Quasi-Newton line search message: [1x85 char]非线性有约束优化1. Min f(x)=3 x ： + x 2+2 x 1-3 x 2+5 Subject to:g 2(x)=5 X 1-3 X 2 -25 < 0 g (x)=13 X -41 X 2 < 0 3 12g 4(x)=14 < X 1 < 130无约束优化 min f(x)=X 2 + x 2-2 x 1 x 2-4 x 1g5 (x)=2 < X 2 < 57初选x0=[10,10]Step 1: Write an M-file objfun2.mfunction f2=objfun2(x)f2=3*x(1)人2+x(2)人2+2*x(1)-3*x(2)+5;Step 2: Write an M-file confunl.m for the constraints. function [c,ceq]=confun1(x) % Nonlinear inequality constraints c=[x(1)+x(2)+18;5*x(1)-3*x(2)-25;13*x(1)-41*x(2)人2;14-x(1);x(1)-130;2-x(2);x(2)-57];% Nonlinear inequality constraints ceq=[];Step 3: Invoke constrained optimization routinex0=[10,10]; % Make a starting guess at the solution>> options = optimset('LargeScale','off);>> [x, fval]=...fmincon(@objfun2,x0,[],[],[],[],[],[],@confun1,options)运行结果：x =3.6755 -7.0744 fval =124.14952.min f (x) =4x2 + 5x2s.t. g 1(x) = 2X] + 3x2- 6 < 0g (x) = x x +1 > 0初选x0=[1,1]Step 1: Write an M-file objfun3.m function f=objfun3(x) f=4*x(1)人2 + 5*x(2)人2Step 2: Write an M-file confun3.m for the constraints. function [c,ceq]=confun3(x) %Nonlinear inequality constraints c=[2*x(1)+3*x(2)-6;-x(1)*x(2)-1];% Nonlinear equality constraints ceq口；Step 3: Invoke constrained optimization routinex0=[1,1];% Make a starting guess at the solution>> options = optimset('LargeScale','off);>> [x, fval]=...fmincon(@objfun,x0,[],[],[],[],[],[],@confun,options)运行结果：Optimization terminated: no feasible solution found. Magnitude of search direction less than2*options.TolX but constraints are not satisfied.x =11fval =-13实例：螺栓连接的优化设计图示为一压气机气缸与缸盖连接的示意图。
机械优化设计论文(基于MATLAB工具箱的机械优化设计)
基于MATLAB工具箱的机械优化设计长江大学机械工程学院机械11005班刘刚摘要：机械优化设计是一种非常重要的现代设计方法，能从众多的设计方案中找出最佳方案，从而大大提高设计效率和质量。
本文系统介绍了机械优化设计的研究内容及常规数学模型建立的方法，同时本文通过应用实例列举出了MATLAB 在工程上的应用。
关键词：机械优化设计；应用实例；MATLAB工具箱；优化目标优化设计是20世纪60年代随计算机技术发展起来的一门新学科, 是构成和推进现代设计方法产生与发展的重要内容。
机械优化设计是综合性和实用性都很强的理论和技术, 为机械设计提供了一种可靠、高效的科学设计方法, 使设计者由被动地分析、校核进入主动设计, 能节约原材料, 降低成本, 缩短设计周期, 提高设计效率和水平, 提升企业竞争力、经济效益与社会效益。
国内外相关学者和科研人员对优化设计理论方法及其应用研究十分重视, 并开展了大量工作, 其基本理论和求解手段已逐渐成熟。
国内优化设计起步较晚, 但在众多学者和科研人员的不懈努力下, 机械优化设计发展迅猛, 在理论上和工程应用中都取得了很大进步和丰硕成果, 但与国外先进优化技术相比还存在一定差距, 在实际工程中发挥效益的优化设计方案或设计结果所占比例不大。
计算机等辅助设备性能的提高、科技与市场的双重驱动, 使得优化技术在机械设计和制造中的应用得到了长足发展, 遗传算法、神经网络、粒子群法等智能优化方法也在优化设计中得到了成功应用。
目前, 优化设计已成为航空航天、汽车制造等很多行业生产过程的一个必须且至关重要的环节。
一、机械优化设计研究内容概述机械优化设计是一种现代、科学的设计方法, 集思考、绘图、计算、实验于一体, 其结果不仅“可行”, 而且“最优”。
该“最优”是相对的, 随着科技的发展以及设计条件的改变, 最优标准也将发生变化。
优化设计反映了人们对客观世界认识的深化, 要求人们根据事物的客观规律, 在一定的物质基和技术条件下充分发挥人的主观能动性, 得出最优的设计方案。
机械优化设计
机械优化设计matlab优化设计程序学校：班级：学号：姓名：指导老师：一．进退法求最优点所在区间1．算例：函数：f=x(1)^3+x(2)^2-10*x(1)*x(2)+1;初始参数：x0=0,step=0.01,st=[0,0],sd=[1,1];2．编程代码：function [lb,ub]=jintuifa(x0,step0,st,sd)% lb为区间下限，up为区间上限% x0初始探测点，step0是初始探测步长，st初始搜索点，sd是初始搜索方向step=step0;f0=jintui(x0,st,sd);x1=x0+step0;f1=jintui(x1,st,sd);if f1<=f0while truestep=2*step;x2=x1+step;f2=jintui(x2,st,sd);if f1<=f2lb=x0;ub=x2;break;elsex0=x1;x1=x2;f0=f1;f1=f2;endendelsewhile truestep=2*step;x2=x0-step;f2=jintui(x2,st,sd);if f0<=f2lb=x2;ub=x1;break;elsex1=x0;x0=x2;f1=f0;f0=f2;endendendend%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=jintui(a,st,sd)f=objfun(st+a.*sd);end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=objfun(x)f=x(1)^3+x(2)^2-10*x(1)*x(2)+1;end3.运行结果二．黄金分割法求最求最优值1.eg：函数：f=x^2+2*x;初始参数：a=-3,b=5,e=0.0001;2.编程代码：function [ans,sp]=golden(a,b,e)%[a,b]初始区间，e为最小区间长度要求%ans为最优解，sp为所需迭代次数a(1)=a;b(1)=b;L=e;t(1)=a(1)+0.382*(b(1)-a(1));u(1)=a(1)+0.618*(b(1)-a(1));k=1;m(1)=feval('f1',t(1));n(1)=feval('f1',u(1));while(b(k)-a(k)>L)if(m(k)>n(k))a(k+1)=t(k);b(k+1)=b(k);t(k+1)=u(k);u(k+1)=a(k+1)+0.618*(b(k+1)-a(k+1));elsea(k+1)=a(k);b(k+1)=u(k);u(k+1)=t(k);t(k+1)=a(k+1)+0.382*(b(k+1)-a(k+1));endm(k+1)=feval('f1',t(k+1));n(k+1)=feval('f1',u(k+1));ans=feval('f1',t(k+1));k=k+1;endans=(a(k)+b(k))/2;sp=k-1;end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function y=f1(x)y=x^2+2*x;end3.运行结果三．无约束优化方法——坐标轮换法1.eg：函数：min f(x)=4*(x(1)-5)^2+(x(2)-6)^2;初始参数：初始点x为[8,9];2.编程代码：function [x,f]=lunhuan(x0)%输入初始点x0[8,9]%输出最优解点x,与最优解值fp=1;h=0.000001;x=x0;while(p>h)%做精度比较w=x(1);q=x(2);d1=[1,0];a1=golden('objfun',x,d1);%黄金分割法求最佳步长 x=x+a1*d1;d2=[0,1];a2=golden('objfun',x,d2);x=x+a2*d2;p=sqrt((x(1)-w)^2+(x(2)-q)^2);endf=objfun(x);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=objfun(x)%函数名f=4*(x(1)-5)^2+(x(2)-6)^2;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function [lb,ub]=jintuifa(st,sd)%进退法函数x0=0;step0=0.000001;step=step0;f0=jintui(x0,st,sd);x1=x0+step0;f1=jintui(x1,st,sd);if f1<=f0while truestep=2*step;x2=x1+step;f2=jintui(x2,st,sd);if f1<=f2lb=x0;ub=x2;break;elsex0=x1;x1=x2;f0=f1;f1=f2;endendelsewhile truestep=2*step;x2=x0-step;f2=jintui(x2,st,sd);if f0<=f2lb=x2;ub=x1;break;elsex1=x0;x0=x2;f1=f0;f0=f2;endendendend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=jintui(a,st,sd)f=objfun(st+a.*sd);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function ans=golden(f_name,st,sd)[a,b]=jintuifa(st,sd); %进退法求最佳步长区间a(1)=a;b(1)=b;L=0.1;t(1)=a(1)+0.382*(b(1)-a(1));u(1)=a(1)+0.618*(b(1)-a(1));k=1;p=st+t(1)*sd;q=st+u(1)*sd;m(1)=feval(f_name,p);n(1)=feval(f_name,q);while(b(k)-a(k)>L)if(m(k)>n(k))a(k+1)=t(k);b(k+1)=b(k);t(k+1)=u(k);u(k+1)=a(k+1)+0.618*(b(k+1)-a(k+1));elsea(k+1)=a(k);b(k+1)=u(k);u(k+1)=t(k);t(k+1)=a(k+1)+0.382*(b(k+1)-a(k+1));endw=st+t(k+1)*sd;z=st+u(k+1)*sd;m(k+1)=feval(f_name,w);n(k+1)=feval(f_name,z);ans=feval(f_name,w);k=k+1;endt(k)=0;u(k)=0;m(k)=0;n(k)=0;p=[a',b',t',u',m',n'];ans=(a(k)+b(k))/2;end3.运行结果四．无约束优化方法——鲍威尔法1.eg：函数：min f(x)=4*(x(1)-5)^2+(x(2)-6)^2;初始参数：初始点x为[8,9]，初始搜索方向[0,1],[1,0];2.编程代码：function [x,f]=powill(x0,d1,d2)%输入x0为初始点，d1,d2为两个线性无关向量for k=1:2w=x0(1);q=x0(2);a1=golden('objfun',x0,d1);x1=x0+a1*d1;a2=golden('objfun',x1,d2);x2=x1+a2*d2;d1=d2;d2=x2-x0;a3=golden('objfun',x2,d2);x3=x2+a3*d2;x0=x3;endx=x0;f=objfun(x);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=objfun(x)f=4*(x(1)-5)^2+(x(2)-6)^2;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function [lb,ub]=jintuifa(st,sd)x0=0;step0=0.0001;step=step0;f0=jintui(x0,st,sd);x1=x0+step0;f1=jintui(x1,st,sd);if f1<=f0while truestep=2*step;x2=x1+step;f2=jintui(x2,st,sd);if f1<=f2lb=x0;ub=x2;break;elsex0=x1;x1=x2;f0=f1;f1=f2;endendelsewhile truestep=2*step;x2=x0-step;f2=jintui(x2,st,sd);if f0<=f2lb=x2;ub=x1;break;elsex1=x0;x0=x2;f1=f0;f0=f2;endendend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=jintui(a,st,sd)f=objfun(st+a.*sd);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function ans=golden(f_name,st,sd)[a,b]=jintuifa(st,sd);a(1)=a;b(1)=b;L=0.1;t(1)=a(1)+0.382*(b(1)-a(1));u(1)=a(1)+0.618*(b(1)-a(1));k=1;p=st+t(1)*sd;q=st+u(1)*sd;m(1)=feval(f_name,p);n(1)=feval(f_name,q);while(b(k)-a(k)>L)if(m(k)>n(k))a(k+1)=t(k);b(k+1)=b(k);t(k+1)=u(k);u(k+1)=a(k+1)+0.618*(b(k+1)-a(k+1));elsea(k+1)=a(k);b(k+1)=u(k);u(k+1)=t(k);t(k+1)=a(k+1)+0.382*(b(k+1)-a(k+1));endw=st+t(k+1)*sd;z=st+u(k+1)*sd;m(k+1)=feval(f_name,w);n(k+1)=feval(f_name,z);ans=feval(f_name,w);k=k+1;endend3.运行结果五．有约束优化方法——复合形法1.eg：函数：min f(x)=x1^2+x2^2-x1*x2-10*x1-4*x2+60 St:g1(x)=-x1≤0g2(x)=-x2≤0g3(x)=x1-6≤0g4(x)=x2-8≤0g5(x)=x1+x2-11≤02.编程代码：function fuhexing(n,b,h,xb1,xb2)%元素数n,初始可行点b,精度h，xb1横坐标上下界，xb2为纵坐标上下界if (rem(n,2)==0)k=n+n/2;elsek=n+(n+1)/2;end%取k值A=kexingdian(k,xb1,xb2,b');%确定可行点A=mubiao(A,n,k,h);%求出目标函数并排序比较，得出最优解End %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function A=mubiao(A,n,k,h)for i=1:kA(3,i)=objfun(A(:,i));endB=A';%根据目标函数值排序A=sortrows(B,3)';p=0;for j=1:kx=(objfun(A(:,j))-objfun(A(:,1)))^2;p=p+x;endo=sqrt(p/(k-1));%收敛条件if(o<h)%判断所求点是否为最优点disp('最优点为')xz(1)=A(1,1);xz(2)=A(2,1);disp(xz);disp('其函数值为')f=A(3,1);disp(f);elsexr=Xcpanduan(A,k,n,h,1.3);endend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function A=kexingdian(k,xb1,xb2,b)A=zeros(3,k);A(1,1)=b(1);A(2,1)=b(2);for i=2:kA(1,i)=xb1(1)+rand(1)*(xb1(2)-xb1(1));A(2,i)=xb2(1)+rand(1)*(xb2(2)-xb2(1));%产生j个顶点endt=0;for j=1:kif(A(1,j)+A(2,j)<=11&&A(1,j)<=6&&A(2,j)<=8)%判断是否有不可行点t=t+1;T(:,t)=A(:,j);endendif(t<k)%计算出可行点的中心位置xcxc=zhongxindian(T,t);endt=0;for j=1:k%利用中心点将原不可行点逼近为可行点while(A(1,j)+A(2,j)>11||A(1,j)>6||A(2,j)>8)A(:,j)=xc+0.5*(A(:,j)-xc);endendendx=x0;f=objfun(x);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function f=objfun(x)f= x1^2+x2^2-x1*x2-10*x1-4*x2+60;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function xc=Xcpanduan(A,k,n,h,a)for i=1:k-1T(:,i)=A(:,i);endxc=zhongxindian(T,k-1);%计算除最坏点以外的可行点中心坐标if(xc(1)+xc(2)<=11&&xc(1)<=6&&xc(2)<=8)%判断xc是否可行xr=Xrpanduan(xc,A,a,n,k,h);A(:,k)=xr;else%不可行时，即重新确定初始可行点fuhexing(n,h,A(:,1),xr);endend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function xc=zhongxindian(T,t)xc=[0;0;0];for i=1:txc=xc+T(:,i);endxc=xc/t;%求解中心点end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function xr=Xrpanduan(xc,A,a,n,k,h)xr=xc+a*(xc-A(:,k));while(xr(1)+xr(2)>11||xr(1)>6||xr(2)>8)%判断xr 是否可行若不可行，则持续迭代a=0.5*a;xr=xc+a*(xc-A(:,k));endxr=ercipanduan(a,xr,A(:,k),A,n,k,xc,h,xr);%可行时进入下一判断end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function xr=ercipanduan(a,p,b,A,n,k,xc,h,t)if(objfun(p)>=objfun(b))%判断反射点和最坏点函数值的大小if(a<=1e-10)A(:,k)=A(:,k-1);xr=Xcpanduan(A,k,n,h,a);disp(xr);elsea=0.5*a;xr=Xrpanduan(xc,A,a,n,k,h);%返回中心点判断，持续迭代endelseA(:,k)=p;%以反射点取代最坏点进行循环mubiao(A,n,k,h);xr=t;endend3.运行结果五．有约束优化方法——混合惩罚法1.eg:函数：min f(x)=(x(4)-x(1))^2+(x(5)-x(2))^2+(x(6)-x(3))^2;St:g1=x(1)^2+x(2)^2+x(3)^2-5;g2=(x(4)-3)^2+x(5)^2-1;g3=x(6)-8;g4=4-x(6);2.编程代码function [x,f]=hunhechengfa(x0,r0,c,h1,h2)k=1;z=0;A(:,1)=x0;r(1)=r0;while (z==0)k=k+1;x=lunhuan(x0,r(k-1));A(:,k)=x;r(k)=c*r(k-1);z=shoulian(A,r,h1,h2,k);if(z==1)break;endx0=x;enddisp('最优解点x=');disp(x);disp('最优值=');f=fhanshu(x);disp(f);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function z=shoulian(A,r,h1,h2,k)%判断收敛条件U=abs(objfun(A(:,k),r(k))-objfun(A(:,k-1),r(k-1))/obj fun(A(:,k-1),r(k-1)));V=0;for i=2:kV=V+(A(1,k)-A(1,k-1))^2;endV=sqrt(V);if(U<=h1&&V<=h2)z=1;elsez=0;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function p=objfun(x,r)%φ函数g1=x(1)^2+x(2)^2+x(3)^2-5;g2=(x(4)-3)^2+x(5)^2-1;g3=x(6)-8;g4=4-x(6);j=sqrt(r);u=r*(1/g1+1/g2+1/g3+1/g4);v=(g1^2+g2^2+g3^2+g4^2)/j;p=fhanshu(x)-u+v;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function f=fhanshu(x)%目标函数f=(x(4)-x(1))^2+(x(5)-x(2))^2+(x(6)-x(3))^2;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function x=lunhuan(x0,r)%轮换法p=1;h=0.01;d=zeros(6,6);a=zeros(6,1);x=x0;for i=1:6for j=1:6if(i==j)d(i,j)=1;endendendwhile(p>h)t=x;v=0;for k=1:6a(k)=golden(x,d(:,k),r);c=d(:,k);x=x-a(k)*c';v=v+(x(k)-t(k))^2;endp=sqrt(v);endend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function ans=golden(st,sd,r)%黄金分割法求最佳步长 [g,h]=jintuifa(st,sd,r);a(1)=g;b(1)=h;L=0.01;t(1)=a(1)+0.382*(b(1)-a(1));u(1)=a(1)+0.618*(b(1)-a(1));k=1;p=st+t(1)*sd';q=st+u(1)*sd';m(1)=objfun(p,r);n(1)=objfun(q,r);while(b(k)-a(k)>L)if(m(k)>n(k))a(k+1)=t(k);b(k+1)=b(k);t(k+1)=u(k);u(k+1)=a(k+1)+0.618*(b(k+1)-a(k+1));elsea(k+1)=a(k);b(k+1)=u(k);u(k+1)=t(k);t(k+1)=a(k+1)+0.382*(b(k+1)-a(k+1));endw=st+t(k+1)*sd';z=st+u(k+1)*sd';m(k+1)=objfun(w,r);n(k+1)=objfun(z,r);k=k+1;endans=(a(k)+b(k))/2;end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function f=jintui(a,st,sd,r)%代入步长f=objfun(st+a.*sd',r);end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function [lb,ub]=jintuifa(st,sd,r)%进退法求最佳步长区间x0=0;step0=0.001;step=step0;f0=jintui(x0,st,sd,r);x1=x0+step0;f1=jintui(x1,st,sd,r);if f1<=f0while truestep=2*step;x2=x1+step;f2=jintui(x2,st,sd,r);if f1<=f2lb=x0;ub=x2;break;elsex0=x1;x1=x2;f0=f1;f1=f2;endendelsewhile truestep=2*step;x2=x0-step;f2=jintui(x2,st,sd,r);if f0<=f2lb=x2;ub=x1;break;elsex1=x0;x0=x2; f1=f0; f0=f2;endendend3.运行结果。
利用matlab求解机械设计优化问题-螺栓【整理版】
利用matlab求解机械设计优化问题-螺栓【整理版】3．机械优化设计应用实例机械优化设计把数学规划理论与数值方法应用于设计中，用计算机从大量可行方案中找出最优化设计方案，从而大大提高设计质量和设计效率。
MATLAB 具有解决线性规划和非线性规划、约束优化和无约束优化问题的内部函数，因而可以完成这一功能。
现举一例：螺栓组联结的优化设计 如图4所示的压力容器螺栓组联接中，已知D 1= 400mm,D 2 =250mm ，缸内工作压力为p=1.5 MPa ，螺栓材料为35号钢，σs =320Mpa,安全系数S=3,取残余预紧力Q ’p =1.6F,采用铜皮石棉密封垫片。
现从安全、可靠、经济的角度来选择螺栓的个数n 和螺栓的直径d 。
3．1 设计问题分析若从经济性考虑，螺栓数量尽量少些、尺寸小些，但这会使降低联结的强度和密封性，不能保证安全可靠的工作；若从安全、可靠度考虑，螺栓数量应多一些、尺寸大一些为好，显然经济性差，甚至造成安装扳手空间过小，操作困难。
为此，该问题的设计思想是：在追求螺栓组联结经济成本最小化的同时，还要保证联结工作安全、可靠。
3 ．2 设计变量 目标函数 约束条件3．2 .1 设计变量 选取螺栓的个数n 和直径d(mm)为设计变量:T 21T ]x [x ]d [n X ==3．2 .2 目标函数 追求螺栓组联结经济成本C n 最小为目标。
而当螺栓的长度、材料和加工条件一定时，螺栓的总成本与nd 值成正比，所以本问题优化设计的目标函数为min F(X) = C n = n d = x 1x 2① 强度约束条件 为了保证安全可靠地工作，螺栓组联结必须满足强度条件][32.521σπσ≤=d Qca ； 其中Mpa S s 106.3320][===σσ； n n p n D F F F F Q Q p πππ6093742505.16.246.26.26.1222'=⨯=⨯==+=+=N ； 对于粗牙普通螺纹：由文献[3]推荐，小径 d 1=0.85d 所以，强度约束条件为：0106146192106146192106105624)(2212211≤-=-=-=x x nd nd X g ② 密封约束条件 为了保证密封安全，螺栓间距应小于10d ，所以，密封约束条件为：01040010)(2112≤-=-=x x d n D X g ππ③ 安装扳手空间约束条件 为了保证足够的扳手空间，螺栓间距应大于5d ，所以，安装约束条件为：040055)(1213≤-=-=x x n D d X g ππ ④ 边界约束条件 0)(14≤-=x X g ；0)(25≤-=x X g3．3 ．3 建立数学模型综上所述，本问题的数学模型可表达为：设计变量：T 21]x [x X =目标函数：min F(X) = x 1x 2约束条件： s.t. 0)(≤X g i ( i = 1, 2, 3, 4, 5,)现运用MATLAB 的优化函数进行求解 :先编写M 文件function [c,ceq]=mynas(x)c(1)=146192/(x(1)*x(2)^2)-106; % 非线性不等式约束c(2)=400*pi/x(1)-10*x(2);c(3)=-400*pi/x(1)+5*x(2);ceq=[]; % 非线性等式约束在MATLAB 命令窗口输入:fun='x(1)*x(2)'; % 目标函数x0=[4,6]; % 设计变量初始值A=[-1,0;0,-1]; % 线性不等式约束矩阵b=[0;0];Aeq=[]; % 线性等式约束矩阵beq=[];lb=[]; % 边界约束矩阵ub=[];[x,fval]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,@mynlsub) % 调用有约束优化函数运行结果如下:x = 11.4499 10.9751fval = 125.6637所以，该问题优化结果为：n =11.4499 ,d = 10.9751，目标函数最小值：F(X)= 125.6637。
MATLAB程序设计M文件程序控制结构程序调试程序举例
y=input('Please input y=:');
[rho,the]=tran(x,y);
rho
the MATLAB中，函数能够嵌套调用，即一种函数能够调用别旳函数， 甚至调用它本身。一种函数调用它本身称为函数旳递归调用。
例6 分别建立命令文件和函数文件，将华氏温度f转换为 摄氏温度c。
21.1111
x=
21.1111
(5). 函数文件旳其他有关概念
①局部变量和全局变量：
局部变量只存在于单个函数工作空间，全局变量 经过global定义，可穿行于不同函数工作空间， 涉及基本工作空间workspace。
函数文件旳内部变量是局部旳，与其他函数 及MATLAB内存相互隔离； 而假如在若干函数中把某一变量定义为全局 变量，那么这些函数将公用这个变量，全局 变量旳作用域是整个MATLAB旳工作区，即 全程有效，全部函数都能够对其存取和修改。
if (nargin == 1) tol = max(size(x)) * max(s) * eps;
程序部分
end
r = sum(s > tol);
（2）命令m文件建立及其运营
建立 涉及下列环节： 进入m文件编辑器 输入程序 定义文件名，保存程序
命令M文件旳运营方式： 直接在命令窗口输入该文件旳文件名 在m文件编辑器中打开该文件后点击工具条中
② M文件模式
将matlab语句构成旳程序存储成以m为扩展名 旳文件，然后再执行该程序文件，这种工作模式 称为程序文件模式。
程序文件不能在命令窗口下建立，因为命令窗口 只允许一次执行一行上旳一种或几种语句。
机械优化设计Matlab-优化工具箱基本用法
Matlab 优化工具箱x = bintprog （f ， A, b, Aeq, Beq ， x0, options ） 0—1规划 用MATLAB 优化工具箱解线性规划命令：x=linprog(c ，A ，b ） 2、模型：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=[ ].min z=cX1、模型：3、模型：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。
基于MATLAB语言的机械优化设计
Ａｂ ｔ ａ ｔ Ｔ ｅｏ ｅ ａ ｏ ｕ ｄ ｆ ｓ ｒ ｃ ： ｈ ｐ ｒｔ ｎ ｓ ｉ ｅｏ ｉ ＭＡＴ Ｂ ｏ ｔ ｚ ｄ ｋ ｔ ｎ ｓａ ｐ ｉ ａ ｏ ｒｃ ｓ ｆ ｃ ａ ｉａ ｐ ｍｉｅ ｅ ＡＬ ｐ ｍｉｅ ｉ ａ ｄ ｉ ｐ ｌ ｔ ｎ ｉ ｐ ｏ ｅ ｓｏ ｈ ｎ ｃ ｌ ｔ ｚ ｄ ｄ － ｉ ｔ ｃｉ ｎ ｍｅ ｏｉ ｓｇ ａ ｅ ｂ ｅ ｅ ｃ ｉ ｅ ｎ ｔ ｉ ｒ ｃｅ ａ ｉ ｇ ｏ ｅｔｐ ｆ ｈ ａ ｓ ｓ ｉｎ ｓ ａ ｔ ｓｔ ｅ ｅ ａ ｌ Ｏ ｅ ｔｂ ｉｈ ｔ ｅ ｍａｈ ｉｎ ｈ ｖ ｅ ｎ ｄ ｓ ｒ ｄ ｉ ｈ ｓａ ｔ ｌ ．Ｔ ｋ ｎ ｎ ｙ ｅ ｏ ｅ ｔ ｎ ｍｉ ｏ ｈ ｆ ａ ｈ ｘ ｍｐ ｅｔ ｓａ ｌ ｈ ｔ ｂ ｉ ｔ ｒ ｓ ｓ ｍｏ ｅ ｏ ｓｏ ｔ ｚ ｄ ｄ ｓｇ ，ｗｈｃ ｈ ｌ ｂ ｏ ｖ ｄ ｂ ａ ｓ ｏ ｄ ｌ ｒｉ ｐ ｉ ｅ ｅ ｉ ｆ ｔ ｍｉ ｎ ｉｈ ｓ ａｌ ｅ ｓ ｌ ｅ ｙ ｍｅ ｎ ｆＭＡＴ ＡＢ ｋ ｔ Ｌ ｉ ． Ｋｅ ｒ ｓ ｏ ｔ ｚ ｄ ｄ ｓ ； ｙ ｗｏ ｄ ： ｐ ｍｉｅ ｅ ｉ ＭＡＴ ＡＢ； ｐ ｍｉｅ ｉ ；ｒｎ ｍｉｓ ｎ ｓ ａｔ ｉ ｎ ｇ Ｌ ｏ ｔ ｚ ｄ ｋ ｔ ｔａ ｓ ｓ ｉ ｈ ｆ ｉ ｏ
祖 效群 赵艳 丽
（． １ 合肥工业大学高等 职业技术 学院（ 安庆校 区） 安微 ２ ６０ ；． ， ４ ０ １２ 西北机器厂 ， 陕西 ７ ２ ０ ） ２４ ５
摘要 ： 了 Ｍ Ｔ Ａ 介绍 Ａ Ｌ Ｂ优某型号 传动 轴为 实例 ， 建
２ ＭＡ Ｌ Ｂ优 化工 具箱 Ｔ Ａ
美 国 Ｍａ Ｗｏｋ 公 司 推 出的 ＭＡ Ｌ Ｂ（ ｔｘ ｔ ｒｓ ｈ Ｔ Ａ Ｍａ ｉ ｒ
机械优化设计MATLAB程序
机械优化设计MATLAB程序1.引言本文档旨在提供机械优化设计的MATLAB程序的详细说明。
机械优化设计是通过数学建模和优化算法，对机械结构进行优化设计，以达到设计要求和最佳性能。
MATLAB是一种强大的数学建模和仿真软件，可用于机械优化设计。
2.前期准备2.1 问题定义在机械优化设计中，首先需要明确问题的定义，包括设计要求、约束条件等。
对于每个具体的机械结构，需要明确其目标函数和设计变量。
2.2 建立数学模型在机械优化设计中，需要建立数学模型来描述机械结构的性能和约束条件。
数学模型可以是线性或非线性的，根据具体问题选择适当的模型。
3.优化算法选择根据机械优化设计的特点，选择适合的优化算法进行优化。
常用的优化算法有遗传算法、粒子群优化算法、模拟退火算法等。
4.MATLAB程序设计4.1 数据处理在进行机械优化设计时，需要对输入数据进行处理，包括导入数据、数据清洗和预处理等。
4.2 模型建立根据前期准备中建立的数学模型，使用MATLAB进行模型建立，其中包括目标函数和约束条件的定义。
4.3 优化算法应用根据选择的优化算法，使用MATLAB进行优化算法的应用。
需要注意的是，在应用优化算法之前，需要初始化优化算法的参数。
4.4 结果分析对优化结果进行分析和评估，包括目标函数的值、约束条件的满足程度等。
5.结果展示将优化结果用图表的形式展示出来，直观地描述机械结构的性能和优化效果。
6.结论根据优化结果和分析，对机械优化设计的效果进行总结和评价。
7.附件本文档涉及的附件包括：MATLAB程序代码、数据文件、结果输出文件等。
这些附件可以提供详细的参考和复现。
8.法律名词及注释在本文档中涉及的法律名词及其注释如下：1）版权：指对作品享有的权益，包括复制、发行、展示等权利。
2）专利：指对某种发明或技术的独占权，由国家授予。
3）商标：指用于标识某个商品或服务来源的标识，可以是名称、图形等。
4）知识产权：指人们在创造新的发明、设计、文学艺术作品等过程中所创造的财产权益。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机械优化设计作业1.用二次插值法求函数()()()22ϕ极小值，精度e=0.01。
tt=t1-+在MATLAB的M文件编辑器中编写的M文件，如下：f=inline('(t+1)*(t-2)^2','t')a=0;b=3;epsilon=0.01;t1=a;f1=f(t1);t3=b;f3=f(t3);t2=0.5*(t1+t3);f2=f(t2);c1=(f3-f1)/(t3-t1);c2=((f2-f1)/(t2-t1)-c1)/(t2-t3);t4=0.5*(t1+t3-c1/c2);f4=f(t4);k=0;while(abs(t4-t2)>=epsilon)if t2<t4if f2>f4f1=f2;t1=t2;t2=t4;f2=f4;elsef3=f4;t3=t4;endelseif f2>f4f3=f2;t3=t2;t2=t4;f2=f4;elsef1=f4;t2=t4;endendc1=(f3-f1)/(t3-t1);c2=((f2-f1)/(t2-t1)-c1)/(t2-t3);t4=0.5*(t1+t3-c1/c2);f4=f(t4);k=k+1;end%输出最优解if f2>f4t=t4;f=f(t4);elset=t2;f=f(t2);endfprintf(1,'迭代计算k=%3.0f\n',k)fprintf(1,'极小点坐标t=%3.0f\n',t)fprintf(1,'函数值f=%3.4f\n',f)运行结果如下：迭代计算k= 7极小点坐标t= 2函数值f=0.00012.用黄金分割法求函数()32321+-=t t t ϕ的极小值，精度e=0.01。
在MATLAB 的M 文件编辑器中编写的M 文件，如下：f=inline('t^(2/3)-(t^2+1)^(1/3)','t');a=0;b=3;epsilon=0.01;t1=b-0.618*(b-a);f1=f(t1);t2=a+0.618*(b-a);f2=f(t2);k=1;while abs(b-a)>=epsilonif f1<f2b=t2;t2=t1;f2=f1;t1=b-0.618*(b-a);f1=f(t1);elsea=t1;t1=t2;f1=f2;t2=a+0.618*(b-a);f2=f(t2);endt=0.5*(b+a);k=k+1;f0=f(t);endfprintf(1,'迭代次数k=% 3.0f\n',k)fprintf(1,'迭代区间—左端a=%3.4f\n',a)fprintf(1,'试点1坐标值t1=%3.4f\n',t1)fprintf(1,'函数值f1=%3.4f\n',f(t1))fprintf(1,'迭代区间—右端b=%3.4f\n',b)fprintf(1,'试点2坐标值t2=%3.4f\n',t2)fprintf(1,'函数值f2=%3.4f\n',f(t2))fprintf(1,'区间中点t=%3.4f\n',t)fprintf(1,'函数值f0=%3.4f\n',f(t))运行结果如下：迭代次数k= 13迭代区间—左端a=0.0000试点1坐标值t1=0.0036函数值f1=-0.9767迭代区间—右端b=0.0093试点2坐标值t2=0.0058函数值f2=-0.9679区间中点t=0.0047函数值f0=-0.9721由黄金分割法在初始区间[0，3]求得的极小值点为t=0.0047，极小值为-0.9721。
3.用牛顿法、阻尼牛顿法及变尺度法求函数()()()221412122,x x x x x f -+-=的极小点。
(1)在用牛顿法在MATLAB 的M 文件编辑器中编写的M 文件，如下：function [x,fx,k]=niudunfa(x0)syms x1 x2f=(x1-2)^4+(x1-2*x2)^2;fx=0;v=[x1,x2];df=jacobian(f,v);df=df.';G=jacobian(df,v);epson=1e-12;g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)});k=0;p=-G1\g1;x0=x0+p;while(norm(g1)>epson)p=-G1\g1;x0=x0+p;g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)});k=k+1;endx=x0;fx=subs(f,{x1,x2},{x(1,1),x(2,1)});运行结果如下：>> [x,fx,k]=niudunfa([1;1])x =1.8970.9483fx =0.7647k =23(2)用阻尼牛顿法在MATLAB 的M 文件编辑器中编写的M 文件，如下：function [x,fx,k]=zuniniudunfa(x0)%阻尼牛顿法syms x1 x2f=(x1-2)^4+(x1-2*x2)^2;fx=0;v=[x1,x2];df=jacobian(f,v);df=df.';G=jacobian(df,v);epson=1e-12;%停机原则g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)});k=0;%迭代次数p=-G1\g1;a0=-p'*g1/(p'*G1*p);x0=x0+a0*p;while(norm(a0*p)>epson)p=-G1\g1;a0=-p'*g1/(p'*G1*p);x0=x0+a0*p;g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)});k=k+1;endx=x0;fx=subs(f,{x1,x2},{x0(1,1),x0(2,1)});运行结果如下：>>[x,fx,k]=zuniniudunfa([1;1])x=1.8970.9483fx=0.7647k=23(3)用变尺度法在MATLAB 的M 文件编辑器中编写的M 文件，如下：4.用共轭梯度法求函数()12122212122123,x x x x x x x f --+=的极小点 （1）用共轭梯度法在MATLAB 的M 文件编辑器中编写的M 文件，如下：function [y,x,k]=CG(A,b,c,x0)%共轭梯度法解minf （x ）=0.5*X'*A*X+b'x+ceps=1e-6;%迭代停机原则%fx=0.5*x0'.*A.*x0+b'.*x0+c;r0=A*x0+b;if norm(r0)<=epsx=x0;y=0.5*x'*A*x+b'*x+c;k=0;endp0=-r0;a=-r0'*p0/(p0'*A*p0);x1=x0+a*p0;r1=A*x1+b;k=0;while norm(r1)>epsbeta=(r1'*r1)/(r0'*r0);p1=-r1+beta*p0;alpha=-(r1'*p1)/(p1'*A*p1);x1=x1+alpha*p1;r2=A*x1+b;p0=p1;r0=r1;r1=r2;k=k+1;endx=x1;y=0.5*x'*A*x+b'*x+c;运行结果如下：[y,x,k]=CG([3 -1;-1 1],[-2;0],0,[2;1])y = -1x = 1.00001.0000k = 1(2)用变尺度法在MATLAB的M文件编辑器中编写的M文件，如下：function [x,fx,k]=bianchidufa(A,b,c,x0)%用变尺度法求fx=0.5*x'*A*x+b'*x+c;epson=1e-12;g0=A*x0+b;G0=A;H0=eye(2);k=0;d0=-H0*g0;a0=-d0'*g0/(d0'*G0*d0);s0=a0*d0; %x(k+1)-x(k);y0=A*a0*d0; %g(k+1)-g(k);x1=x0+a0*d0;while (norm(s0)>=epson)switch kcase{10}x0=x1;g0=A*x0+b;H0=eye(2);k=0;d0=-H0*g0;a0=-d0'*g0/(d0'*G0*d0);s0=a0*d0;x1=x0+a0*d0;breakotherwisey0=A*a0*d0;s0=a0*d0;% H1=H0+s0*s0'/(s0'*y0)-H0*y0*y0'*H0/(y0'*H0*y0);H1=H0+((1+y0'*H0*y0/(s0'*y0))*s0*s0'-H0*y0*s0'-s0*y0'*H0)/(s0'*y0); k=k+1;d1=-H1*g1;a1=-d1'*g1/(d1'*G0*d1);a0=a1;d0=d1;H0=H1;s0=a0*d0;x1=x1+a0*d0;breakendendx=x1;fx=0.5*x1'*A*x1+b'*x1+c;运行结果如下：》 [x,fx,k]=bianchidufa([3 -1;-1 1],[-2;0],0,[2;1])H1 =0.4031 0.25780.2578 0.8945fx = -1x =1.00001.0000fx = -1k = 1故函数极小点是点（1,1）5.用鲍威尔法求函数()211222121242,x x x x x x x f --+=的极小点。
用鲍威尔法在MATLAB 的M 文件编辑器中编写的M 文件，如下：function [x,fx,k]=bowell(A,b,c,x0)%鲍威尔法d01=[1;0];d02=[0;1];x02=[0;0];esp=1e-12;%停机原则k=0;%迭代次数while norm(x0-x02)>=espk=k+1;g01=A*x0+b;a01=-d01'*g01/(d01'*A*d01);x01=x0+a01*d01;a02=-d02'*g02/(d02'*A*d02);x02=x01+a02*d02;d10=x02-x0;g10=A*x02+b;a10=-d10'*g10/(d10'*A*d10);x10=x0+a01*d01;d01=d02;d02=d10;x0=x10;endx=x0;fx=0.5*x'*A*x+b'*x+c;运行结果如下：[x,fx,k]=bowell([2 -2;-2 4],[-4;0],0,[2;1])fx =-8x =42fx =-8k =36.用单纯形法求线性规划问题⎪⎩⎪⎨⎧=≥=+++=++-+--=)4,3,2,1(0535.224..4.43.32.21.1)(min 43213214321j x x x x x x x x t s x x x x x f j用单纯形法在MATLAB 的M 文件编辑器中编写的M 文件，如下：%单纯形法matlab 程序-danchunxingfa % 求解标准型线性规划:max c*x; s.t. 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function [sol,val,kk]=danchunxingfa(A,N)[mA,nA]=size(A);kk=0; % 迭代次数flag=1;while flagkk=kk+1;if A(mA,:)<=0 % 已找到最优解flag=0;sol=zeros(1,nA-1);for i=1:mA-1sol(N(i))=A(i,nA);endval=-A(mA,nA);elsefor i=1:nA-1if A(mA,i)>0&A(1:mA-1,i)<=0 % 问题有无界解 disp('have infinite solution!');flag=0;break;endendif flag % 还不是最优表，进行转轴运算temp=0;for i=1:nA-1if A(mA,i)>temptemp=A(mA,i);inb=i; % 进基变量的下标endendsita=zeros(1,mA-1);for i=1:mA-1if A(i,inb)>0sita(i)=A(i,nA)/A(i,inb);endendtemp=inf;for i=1:mA-1if sita(i)>0&sita(i)<temptemp=sita(i);outb=i; % 出基变量下标endend% 以下更新Nfor i=1:mA-1if i==outbN(i)=inb;endend% 以下进行转轴运算A(outb,:)=A(outb,:)/A(outb,inb);for i=1:mAif i~=outbA(i,:)=A(i,:)-A(outb,:)*A(i,inb);endendendendend ;).(max )(min ),(max 4.43.32.21.1)(min ,4.43.32.21.1)(43214321x g x f x g x x x x x f x x x x x g -=--+--=+-+=即就变成求则求令运行结果如下：>> A=[1 1 1 0 4;1 2 2.5 3 5;1.12.2 -3.34.4 0];N=[3;4];[sol,val,kk]=danchunxingfa (A,N) sol =0 0 4.0000 1.6667val =7.3333kk =2所以，3333.7)(m in ,667.1,0000.4,04321-=====x f x x x x 的最优解为经两次转轴运算，得到7. 求解线性规划问题⎪⎪⎩⎪⎪⎨⎧=≥=++=++=++--=)5,4,3,2,1(03001032005436049..127min 52142132121j x x x x x x x x x x t s x x z j 用单纯形法在MATLAB 的M 文件编辑器中编写的M 文件，如下：%单纯形法matlab 程序-danchunxingfa% 求解标准型线性规划:max c*x; s.t. 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function [sol,val,kk]=danchunxingfa(A,N)[mA,nA]=size(A);kk=0; % 迭代次数flag=1;while flagkk=kk+1;if A(mA,:)<=0 % 已找到最优解flag=0;sol=zeros(1,nA-1);for i=1:mA-1sol(N(i))=A(i,nA);endval=-A(mA,nA);elsefor i=1:nA-1if A(mA,i)>0&A(1:mA-1,i)<=0 % 问题有无界解 disp('have infinite solution!');flag=0;break;endendif flag % 还不是最优表，进行转轴运算temp=0;for i=1:nA-1if A(mA,i)>temptemp=A(mA,i);inb=i; % 进基变量的下标endendsita=zeros(1,mA-1);for i=1:mA-1if A(i,inb)>0sita(i)=A(i,nA)/A(i,inb);endendtemp=inf;for i=1:mA-1if sita(i)>0&sita(i)<temptemp=sita(i);outb=i; % 出基变量下标endend% 以下更新Nfor i=1:mA-1if i==outbN(i)=inb;end.. ..... . . end% 以下进行转轴运算A(outb,:)=A(outb,:)/A(outb,inb);for i=1:mAif i~=outbA(i,:)=A(i,:)-A(outb,:)*A(i,inb); endendendendend ;运行结果如下：.-m ax Y m inz m ax Y ,127x m inz ,1272121=--=+=即可转变为求则求令x x x Y >> A=[9 4 1 0 0 360;4 5 0 1 0 200;3 10 0 0 1 300;7 12 0 0 0 0]; N=[3;4;5]; [sol,val,kk]=danchunxingfa (A,N) sol =20 24 84 0 0val =420kk =3所以，经3次转轴运算，得到的最优解为.420m in ,0,84,24,2054321-======z x x x x x。