非线性规划及matlab应用
MATLAB优化应用非线性规划
MATLAB优化应用非线性规划非线性规划是一类数学优化问题，其中目标函数和约束条件都是非线性的。
MATLAB作为一种强大的数值计算软件，提供了丰富的工具和函数，可以用于解决非线性规划问题。
本文将介绍如何使用MATLAB进行非线性规划的优化应用，并提供一个具体的案例来演示。
一、MATLAB中的非线性规划函数MATLAB提供了几个用于解决非线性规划问题的函数，其中最常用的是fmincon函数。
fmincon函数可以用于求解具有等式约束和不等式约束的非线性规划问题。
其基本语法如下：x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)其中，fun是目标函数，x0是变量的初始值，A和b是不等式约束的系数矩阵和右端向量，Aeq和beq是等式约束的系数矩阵和右端向量，lb和ub是变量的上下界，nonlcon是非线性约束函数，options是优化选项。
二、非线性规划的优化应用案例假设我们有一个工厂，需要生产两种产品A和B，目标是最大化利润。
产品A 和B的生产成本分别为c1和c2，售价分别为p1和p2。
同时，我们需要考虑两种资源的限制，分别是资源1和资源2。
资源1在生产产品A和B时的消耗分别为a11和a12，资源2的消耗分别为a21和a22。
此外，产品A和B的生产量有上下限限制。
我们可以建立以下数学模型来描述这个问题：目标函数：maximize profit = p1 * x1 + p2 * x2约束条件：c1 * x1 + c2 * x2 <= budgeta11 * x1 + a12 * x2 <= resource1a21 * x1 + a22 * x2 <= resource2x1 >= min_production_Ax2 >= min_production_Bx1 <= max_production_Ax2 <= max_production_B其中，x1和x2分别表示产品A和B的生产量，budget是预算，min_production_A和min_production_B是产品A和B的最小生产量，max_production_A和max_production_B是产品A和B的最大生产量。
非线性规划的MATLAB解法及其应用
题 目 非线性规划的MATLAB 解法及其应用（一） 问题描述非线性规划是具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。
非线性规划是20世纪50年代才开始形成的一门新兴学科。
70年代又得到进一步的发展。
非线性规划在工程、管理、经济、科研、军事等方面都有广泛的应用，为最优设计提供了有力的工具。
在经营管理、工程设计、科学研究、军事指挥等方面普遍地存在着最优化问题。
例如：如何在现有人力、物力、财力条件下合理安排产品生产，以取得最高的利润；如何设计某种产品，在满足规格、性能要求的前提下，达到最低的成本；如何确定一个自动控制的某些参数，使系统的工作状态最佳；如何分配一个动力系统中各电站的负荷，在保证一定指标要求的前提下，使总耗费最小；如何安排库存储量，既能保证供应，又使储存 费用最低；如何组织货源，既能满足顾客需要，又使资金周转最快等。
对于静态的最优化 问题，当目标函数或约束条件出现未知量的非线性函数，且不便于线性化，或勉强线性化后会招致较大误差时，就可应用非线性规划的方法去处理。
具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。
非线性规划研究一个n 元实函数在一组等式或不等式的约束条件下的极值问题，且目标函数和约束条件至少有一个是未知量的非线性函数。
目标函数和约束条件都是线性函数的情形则属于线性规划。
本实验就是用matlab 软件来解决非线性规划问题。
（二） 基本要求掌握非线性规划的MATLAB 解法,并且解决相关的实际问题。
题一 ：对边长为3米的正方形铁板，在四个角剪去相等的正方形以制成方形无盖水槽，问如何剪法使水槽的容积最大？题二： 某厂生产一种产品有甲、乙两个牌号，讨论在产销平衡的情况下如何确定各自的产量，使总利润最大. 所谓产销平衡指工厂的产量等于市场上的销量.符号说明：z(x 1,x 2)表示总利润；p 1，q 1，x 1分别表示甲的价格、成本、销量； p 2，q 2，x 2分别表示乙的价格、成本、销量； a ij ，b i ，λi ,c i （i ，j =1，2）是待定系数.题三：设有400万元资金, 要求4年内使用完, 若在一年内使用资金x 万元, 则可得效益x 万元(效益不能再使用),当年不用的资金可存入银行, 年利率为10%. 试制定出资金的使用计划, 以使4年效益之和为最大.（三） 数据结构题一:设剪去的正方形的边长为x ，则水槽的容积为：x x )23(2-;建立无约束优化模型为：min y=-x x )23(2-， 0<x<1.5题二：总利润为： z(x1,x2)=(p1-q1)x1+(p2-q2)x2若根据大量的统计数据,求出系数b1=100,a11=1,a12=0.1,b2=280,a21=0.2,a22=2,r1=30,λ1=0.015,c1=20, r2=100,λ2=0.02,c2=30,则问题转化为无约束优化问题：求甲,乙两个牌号的产量x1，x2，使总利润z 最大.为简化模型,先忽略成本,并令a12=0,a21=0,问题转化为求:z1 = ( b1 - a11x1 ) x1 + ( b2 - a22x2 ) x2的极值. 显然其解为x1 = b1/2a11 = 50, x2 = b2/2a22 = 70,我们把它作为原问题的初始值.题三：设变量i x 表示第i 年所使用的资金数,则有 4,3,2,1,04.5321.121.1331.14841.121.14401.1400..max 43213212114321=≥≤+++≤++≤+≤+++=i x x x x x x x x x x x t s x x x x z i（四） 源程序题一：编写M 文件fun0.m:function f=fun0(x)f=-(3-2*x).^2*x;主程序为wliti2.m:[x,fval]=fminbnd('fun0',0,1.5);xmax=xfmax=-fval题二：建立M-文件fun.m:function f = fun(x)y1=((100-x(1)- 0.1*x(2))-(30*exp(-0.015*x(1))+20))*x(1); y2=((280-0.2*x(1)- 2*x(2))-(100*exp(-0.02*x(2))+30))*x(2); f=-y1-y2;输入命令:x0=[50,70];x=fminunc(‘fun ’,x0),z=fun(x)题三：建立M 文件 fun44.m,定义目标函数:function f=fun44(x)f=-(sqrt(x(1))+sqrt(x(2))+sqrt(x(3))+sqrt(x(4)));建立M 文件mycon1.m 定义非线性约束：function [g,ceq]=mycon1(x)g(1)=x(1)-400;g(2)=1.1*x(1)+x(2)-440;g(3)=1.21*x(1)+1.1*x(2)+x(3)-484;g(4)=1.331*x(1)+1.21*x(2)+1.1*x(3)+x(4)-532.4;ceq=0主程序youh4.m 为:x0=[1;1;1;1];vlb=[0;0;0;0];vub=[];A=[];b=[];Aeq=[];beq=[];[x,fval]=fmincon('fun44',x0,A,b,Aeq,beq,vlb,vub,'mycon1')（五） 运行结果题一:运算结果为: xmax = 0.5000,fmax =2.0000.即剪掉的正方形的边长为0.5米时水槽的容积最大,最大容积为2立方米.题二：运行结果为:x=23.9025, 62.4977, z=6.4135e+003即甲的产量为23.9025,乙的产量为62.4977,最大利润为6413.5.题三：运行结果为：x1=86.2;x2=104.2;x3=126.2;x4=152.8;z=43.1（六） 相关知识用Matlab 解无约束优化问题一元函数无约束优化问题21),(m in x x x x f ≤≤常用格式如下：（1）x= fminbnd (fun,x1,x2)（2）x= fminbnd (fun,x1,x2 ，options)（3）[x ，fval]= fminbnd （...）（4）[x ，fval ，exitflag]= fminbnd （...）（5）[x ，fval ，exitflag ，output]= fminbnd （...）其中（3）、（4）、（5）的等式右边可选用（1）或（2）的等式右边。
Matlab中的最优化问题求解方法
Matlab中的最优化问题求解方法近年来，最优化问题在各个领域中都扮演着重要的角色。
无论是在工程、经济学还是科学研究中，我们都需要找到最优解来满足特定的需求。
而Matlab作为一种强大的数值计算软件，在解决最优化问题方面有着广泛的应用。
本文将介绍一些Matlab中常用的最优化问题求解方法，并探讨其优缺点以及适用范围。
一. 无约束问题求解方法1. 最速下降法最速下降法是最简单且直观的无约束问题求解方法之一。
其基本思想是沿着梯度的反方向迭代求解，直到达到所需的精度要求。
然而，最速下降法的收敛速度通常很慢，特别是在局部极小值点附近。
2. 共轭梯度法共轭梯度法是一种改进的最速下降法。
它利用了无约束问题的二次函数特性，通过选择一组相互共轭的搜索方向来提高收敛速度。
相比于最速下降法，共轭梯度法的收敛速度更快，尤其适用于大规模优化问题。
3. 牛顿法牛顿法是一种基于二阶导数信息的优化方法。
它通过构建并求解特定的二次逼近模型来求解无约束问题。
然而，牛顿法在高维问题中的计算复杂度较高，并且需要矩阵求逆运算，可能导致数值不稳定。
二. 线性规划问题求解方法1. 单纯形法单纯形法是一种经典的线性规划问题求解方法。
它通过在可行域内进行边界移动来寻找最优解。
然而，当问题规模较大时，单纯形法的计算复杂度会大幅增加，导致求解效率低下。
2. 内点法内点法是一种改进的线性规划问题求解方法。
与单纯形法不同，内点法通过将问题转化为一系列等价的非线性问题来求解。
内点法的优势在于其计算复杂度相对较低，尤其适用于大规模线性规划问题。
三. 非线性规划问题求解方法1. 信赖域算法信赖域算法是一种常用的非线性规划问题求解方法。
它通过构建局部模型，并通过逐步调整信赖域半径来寻找最优解。
信赖域算法既考虑了收敛速度，又保持了数值稳定性。
2. 遗传算法遗传算法是一种基于自然进化过程的优化算法。
它模拟遗传操作，并通过选择、交叉和变异等操作来搜索最优解。
遗传算法的优势在于其适用于复杂的非线性规划问题，但可能需要较长的计算时间。
Matlab求解非线性规划，fmincon函数的用法总结
Matlab求解⾮线性规划，fmincon函数的⽤法总结Matlab求解⾮线性规划，fmincon函数的⽤法总结1.简介在matlab中，fmincon函数可以求解带约束的⾮线性多变量函数(Constrained nonlinear multivariable function)的最⼩值,即可以⽤来求解⾮线性规划问题matlab中，⾮线性规划模型的写法如下min\ f(x) \\ s.t. \begin{equation} \left\{ \begin{array}{**lr**} A \cdot x \leq b \\ Aeq\cdot x =beq\\ c(x)\leq0 \\ ceq(x)=0 \\ lb \leq x \leq ub\end{array} \right. \end{equation} \\ ~\\ f(x)是标量函数,x,b,beq是向量,A,Aeq是矩阵 \\ c(x)和ceq(x)是向量函数2.基本语法[x,fval]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)x的返回值是决策向量x的取值，fval的返回值是⽬标函数f(x)的取值fun是⽤M⽂件定义的函数f(x),代表了(⾮)线性⽬标函数x0是x的初始值A,b,Aeq,beq定义了线性约束 ,如果没有线性约束，则A=[],b=[],Aeq=[],beq=[]lb和ub是变量x的下界和上界，如果下界和上界没有约束，则lb=[],ub=[],也可以写成lb的各分量都为 -inf,ub的各分量都为infnonlcon是⽤M⽂件定义的⾮线性向量函数约束options定义了优化参数，不填写表⽰使⽤Matlab默认的参数设置3.实例⽰例,求下列⾮线性规划：min\ f(x)=x_1^2+x_2^2+x_3^2+8\\ s.t. \begin{equation} \left\{ \begin{array}{**lr**} x_1^2-x_2+x_3^2\geq0\\ x_1+x_2^2+x_3^2\leq20\\ -x_1-x_2^2+2=0\\ x_2+2x_3^2=3\\ x_1,x_2,x_3\geq0 \end{array} \right. \end{equation}(1)编写M函数fun1.m 定义⽬标函数：function f=fun1(x);f=x(1).^2+x(2).^2+x(3).^2+8;(2)编写M函数fun2.m定义⾮线性约束条件:function [g,h]=fun2(x);g=[-x(1).^2+x(2)-x(3).^2x(1)+x(2).^2+x(3).^3-20];h=[-x(1)-x(2).^2+2x(2)+2*x(3).^2-3];(3)编写主程序函数[x,y]=fmincon('fun1',rand(3,1),[],[],[],[],zeros(3,1),[],'fun2')所得结果为：x_1=0.5522,x_2=1.2033,x_3=0.9478\\ 最⼩值y=10.651Processing math: 0%。
Matlab中的数学优化与非线性规划方法
Matlab中的数学优化与非线性规划方法数学优化和非线性规划是数学领域中的重要分支，广泛应用于各个科学领域和工程实践中。
Matlab作为一种常用的数学建模和计算软件，对于解决优化和非线性规划问题具有强大的功能和丰富的工具包。
本文将介绍Matlab中的数学优化和非线性规划方法，探讨其原理和应用。
一、Matlab中的数学优化方法数学优化方法旨在寻找一个函数的最大值或最小值，常用的方法包括线性规划、整数规划和非线性规划等。
在Matlab中，优化问题可以通过建立目标函数和约束条件的数学模型来求解。
1.1 线性规划线性规划是一种求解带有线性约束条件的优化问题的有效方法。
在Matlab中，可以使用linprog函数来求解线性规划问题。
该函数采用单纯形法或者内点法等算法，在给定线性约束条件下，寻找目标函数的最小值。
例如，我们考虑一个简单的线性规划问题：最小化目标函数 f = 3x1 + 4x2约束条件为：-5 <= x1 <= 5-3 <= x2 <= 32x1 + 3x2 >= 6首先，我们需要将目标函数和约束条件表示为Matlab中的向量和矩阵形式。
然后，使用linprog函数求解最小值。
1.2 整数规划整数规划是一种求解带有整数变量的优化问题的方法。
在Matlab中，可以使用intlinprog函数来求解整数规划问题。
该函数使用分支定界法或者割平面法等算法，在给定整数约束条件下，寻找目标函数的最小值。
例如，我们考虑一个简单的整数规划问题：最小化目标函数 f = 3x1 + 4x2约束条件为：0 <= x1 <= 50 <= x2 <= 5x1 + x2 = 5在Matlab中，我们可以定义目标函数和约束条件，并使用intlinprog函数求解最小值。
1.3 非线性规划非线性规划是一类求解带有非线性约束条件的优化问题的方法。
在Matlab中，可以使用fmincon函数来求解非线性规划问题。
非线性规划的MATLAB解法
非线性规划问题通常具有多个局部最 优解，解的稳定性与初始条件有关， 需要使用特定的算法来找到全局最优 解。
非线性规划的应用场景
数据拟合、模型选择、参 数估计等。
生产计划、物流优化、设 备布局等。
投资组合优化、风险管理、 资本预算等。
金融
工业
科研
非线性规划的挑战与解决方法
挑战
非线性规划问题可能存在多个局部最优解，且解的稳定性与初始条件密切相关，需要使用特定的算法来找到全局 最优解。
共轭梯度法
总结词
灵活、适用于大型问题、迭代方向交替
详细描述
共轭梯度法结合了梯度下降法和牛顿法的思 想，通过迭代更新搜索方向，交替使用梯度 和共轭方向进行搜索。该方法适用于大型非 线性规划问题，具有较好的灵活性和收敛性。
04
非线性规划问题的约束 处理
不等式约束处理
处理方式
在Matlab中，可以使用 `fmincon`函数来求解非线性规划 问题，该函数可以处理不等式约 束。
要点二
详细描述
这类问题需要同时考虑多个目标函数，每个目标函数可能 有不同的优先级和权重。在Matlab中，可以使用 `gamultiobj`函数来求解这类问题。该函数可以处理具有 多个目标函数的约束优化问题，并允许用户指定每个目标 函数的权重和优先级。
谢谢观看
具体操作
将等式约束条件表示为线性方程组，并使用`Aeq`参 数指定系数矩阵，使用`beq`参数指定常数向量。
注意事项
等式约束条件需要在可行域内满足，否则会 导致求解失败。
边界约束处理
处理方式
边界约束可以通过在目标函数中添加惩罚项来处理，或者使用专门的优化算法来处理。
具体操作
在目标函数中添加惩罚项时，需要在目标函数中添加一个与边界约束相关的项，并调整 其权重以控制边界约束的重要性。
MATLAB优化工具箱--线性规划-非线性规划
linprog输入参数说明： f, A, b, Aeq, beq lb,ub 边界设置 说明： 如果x(i)无边界，则 lb(i) = -inf, ub(i) = inf
6
linprog 输出参数说明： x 决策变量取值 fval 目标函数最优值
exitflag > 0 成功找到最优解 0 达到最大迭代次数也没有找到最优解 < 0 该线性规划问题不可行或者linprog计
10
fmincon函数求解形如下面的有约束非线性规 划模型
一般形式：
min f ( X ) s.t. AX b
Aeq X beq l X u c(X ) 0 ceq ( X ) 0
Matlab求解有约束非线性最小化 1.约束中可以有等式约束 2.可以含线性、非线性约束均可
数学实验
输入参数语法：
例子：某农场种植两种作物A、B，需要甲、乙两种化肥。种植 每亩作物A和作物B分别需用的化肥数，可得利润及农场现有化
肥数量如下表所示：
问在现有条件下，如何安排种植，才能使利润最大？
作物
每亩所需化肥 （百公斤）
现有化肥
AB （百公斤）
化肥
甲
23
100） 6 4
数学实验
例题建模
[x,fval,exitflag,output,lambda]=fmincon(fun,x0,...)
数学实验
输入参数的几点说明
模型中如果没有A,b,Aeq,beq,lb,ub的限制，则以空矩阵[ ]作为 参数传入； nonlcon：如果包含非线性等式或不等式约束，则将这些函数
编写为一个Matlab函数， nonlcon就是定义这些函数的程序文件名；
3
matlab数学建模100例
matlab数学建模100例Matlab是一种强大的数学建模工具，广泛应用于科学研究、工程设计和数据分析等领域。
在这篇文章中，我们将介绍100个使用Matlab进行数学建模的例子，帮助读者更好地理解和应用这个工具。
1. 线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合直线。
2. 多项式拟合：使用Matlab拟合一组数据点，得到最佳拟合多项式。
3. 非线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合曲线。
4. 插值模型：使用Matlab根据已知数据点，估计未知数据点的值。
5. 数值积分：使用Matlab计算函数的定积分。
6. 微分方程求解：使用Matlab求解常微分方程。
7. 矩阵运算：使用Matlab进行矩阵的加减乘除运算。
8. 线性规划：使用Matlab求解线性规划问题。
9. 非线性规划：使用Matlab求解非线性规划问题。
10. 整数规划：使用Matlab求解整数规划问题。
11. 图论问题：使用Matlab解决图论问题，如最短路径、最小生成树等。
12. 网络流问题：使用Matlab解决网络流问题，如最大流、最小费用流等。
13. 动态规划：使用Matlab解决动态规划问题。
14. 遗传算法：使用Matlab实现遗传算法，求解优化问题。
15. 神经网络：使用Matlab实现神经网络，进行模式识别和预测等任务。
16. 支持向量机：使用Matlab实现支持向量机，进行分类和回归等任务。
17. 聚类分析：使用Matlab进行聚类分析，将数据点分成不同的类别。
18. 主成分分析：使用Matlab进行主成分分析，降低数据的维度。
19. 时间序列分析：使用Matlab进行时间序列分析，预测未来的趋势。
20. 图像处理：使用Matlab对图像进行处理，如滤波、边缘检测等。
21. 信号处理：使用Matlab对信号进行处理，如滤波、频谱分析等。
22. 控制系统设计：使用Matlab设计控制系统，如PID控制器等。
- 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)。
非线性规划及matlab 应用目录1.概念 ............................................................................................................................................... 1 2.二次规划........................................................................................................................................ 1 3.一般非线性规划 ............................................................................................................................ 2 4. 案例：供应与选址 . (4)1.概念定义：如果目标函数或约束条件中至少有一个是非线性函数时的最优化问题就叫做非线性规划问题．其它情况: 求目标函数的最大值或约束条件为小于等于零的情况，都可通过取其相反数化为上述一般形式．2.二次规划用MATLAB 软件求解,其输入格式如下: 1. x=quadprog(H,C,A,b); 2. x=quadprog(H,C,A,b,Aeq,beq); 3. x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB); 4. x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0); 5. x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0,options); 6. [x,fval]=quadprog(...); 7. [x,fval,exitflag]=quaprog(...); 实例1：2212121122121212min (,)2622..2220,0=--+-++≤-+≤≥≥f x x x x x x x x s tx x x x x x写成标准形式标准型为： Min Z= 21X T HX+c T Xs.t. AX<=b beq X Aeq =⋅ VLB ≤X ≤VUB111222 1 -12min (,) 1 26Tx x z x x x x ⎛⎫⎛⎫⎛⎫⎛⎫-=+ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪--⎝⎭⎝⎭⎝⎭⎝⎭1212 1 121 2200x x x x ⎛⎫⎛⎫⎛⎫≤ ⎪ ⎪ ⎪ ⎪-⎝⎭⎝⎭⎝⎭⎛⎫⎛⎫≤ ⎪ ⎪ ⎪⎝⎭⎝⎭Matlab 命令H=[1 -1; -1 2]; c=[-2 ;-6]; A=[1 1; -1 2]; b=[2;2]; Aeq=[]; beq=[]; VLB=[0;0]; VUB=[];[x,z]=quadprog(H,c,A,b,Aeq,beq,VLB,VUB)运算结果为：x =0.6667 1.3333 z = -8.22223.一般非线性规划标准型为：min ()..()0()0≤≤=≤≤F X s t AX bG X Ceq X VLB X VUB其中X 为n 维变元向量，G(X)与Ceq(X)均为非线性函数组成的向量，其它变量的含义与线性规划、二次规划中相同.非线性规划求解的函数是fmincon,命令的基本格式如下： ● x=fmincon(‘fun’,X0,A,b)● x=fmincon(‘fun’,X0,A,b,Aeq,beq)● x=fmincon(‘fun’,X0,A,b, Aeq,beq,VLB,VUB)● x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’)● x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’,options) ● [x,fval]= fmincon(...)● [x,fval,exitflag]= fmincon(...)● [x,fval,exitflag,output]= fmincon(...) 1.fun 为目标函数2.x0为初始值3.A 是不等式约束AX<=b 的系数矩阵4.b 是不等式约束AX<=b 的常数项4.Aeq 是等式约束AeqX=beq 的系数矩阵，5.beq 是等式约束AeqX=beq 的常数项，6.lb 是X 的下限，7.ub 是X 的上限，8.nonlcon 为非线性不等式约束 9.option 为设置fmincon 的参数 注意：fmincon 函数提供了大型优化算法和中型优化算法。
默认时，若在fun 函数中提供了梯度（options 参数的GradObj 设置为’on ’），并且只有上下界存在或只有等式约束，fmincon 函数将选择大型算法。
当既有等式约束又有梯度约束时，使用中型算法。
fmincon 函数的中型算法使用的是序列二次规划法。
在每一步迭代中求解二次规划子问题，并用BFGS 法更新拉格朗日Hessian 矩阵。
fmincon 函数可能会给出局部最优解，这与初值X0的选取有关。
实例222121211min 222f x x x x =--++s.t. 12122360450x x x x ⎛⎫+-⎛⎫≤⎪ ⎪ ⎪+-⎝⎭⎝⎭1200x x ⎛⎫⎛⎫≤ ⎪ ⎪ ⎪⎝⎭⎝⎭先建立M -文件 ex2.m: function f=ex2(x);f=-x(1)-2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^2 再建立主程序main2.m ： x0=[1;1];A=[2 3 ;1 4]; b=[6;5]; Aeq=[];beq=[]; VLB=[0;0]; VUB=[];[x,fval]=fmincon('ex2',x0,A,b,Aeq,beq,VLB,VUB)运算结果为： x = 0.7647 1.0588 fval = -2.0294实例312212122()(42421)x f x e x x x x x =++++s.t.12121212x x01.5x x x x0 x x100+=+--≤--≤先建立M文件ex3.m,定义目标函数:function f=ex3(x);f=exp(x(1)) *(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);再建立M文件ex31.m定义非线性约束：function [g,ceq]=ex31(x)g=[x(1)+x(2);1.5+x(1)*x(2)-x(1)-x(2);-x(1)*x(2)-10];主程序main3.m为:x0=[-1;1];A=[];b=[];Aeq=[1 1];beq=[0];vlb=[];vub=[];[x,fval]=fmincon('ex3',x0,A,b,Aeq,beq,vlb,vub,'ex31')运算结果为：x = -1.2250 1.2250 fval = 1.8951实例4function f=ex4(x)f=x(1)^2+x(2)^2+10;function [g,h]=ex40(x)g=-x(1)^2+x(2);h=-x(1)-x(2)^2+5; %约束等式options=optimset;[x,y]=fmincon('ex4',rand(2,1),[],[],[],[],zeros(2,1),[],'ex40',options)输出结果：x = 1.3794 1.9028 y = 15.52344. 案例：供应与选址某公司有6个建筑工地要开工，每个工地的位置（用平面坐标系a，b表示，距离单位：千米）及水泥日用量d(吨)由下表给出。
目前有两个临时料场位于A(5,1)，B(2,7)，日储量各有20吨。
假设从料场到工地之间均有直线道路相连。
（1）试制定每天的供应计划，即从A ，B 两料场分别向各工地运送多少吨水泥，使总的吨千米数最小。
（2）为了进一步减少吨千米数，打算舍弃两个临时料场，改建两个新的，日储量各为20吨，问应建在何处，节省的吨千米数有多大？情形1：模型构建记工地的位置为(a i ，b i )，水泥日用量为d i ，i=1,…,6；料场位置为(x j ，y j )，日储量为e j ，j=1,2；从料场j 向工地i 的运送量为X ij 。
当用临时料场时决策变量为：x ij ，当不用临时料场时决策变量为：x ij ，x j ，y j 。
情形2：使用临时料场的情形使用两个临时料场A(5,1)，B(2,7).求从料场j 向工地i 的运送量为X ij ，在各工地用量必须满足和各料场运送量不超过日储量的条件下，使总的吨千米数最小，这是线性规划问题. 线性规划模型为：设X 11=X 1, X 21= X 2,, X 31= X 3, X 41= X 4, X 51= X 5,, X 61= X 6,X 12= X 7, X 22= X 8,, X 32= X 9, X 42= X 10, X 52= X 11,, X 62= X 12Matlab 程序 cleara=[1.25 8.75 0.5 5.75 3 7.25]; b=[1.25 0.75 4.75 5 6.5 7.75]; d=[3 5 4 7 6 11]; x=[5 2];目标函数为：∑∑==-+-=216122)()(min j i i j i j ij b y a x X f 约束条件为：2,1 ,6,,2,1 ,6121=≤==∑∑==j e X i d X j i ij i j ij Λ ∑∑===2161),(min j i ij X j i aa f 2,1 , 6,,2,1 , s.t.6121=≤==∑∑==j e X i d X j i ij i j ij Λ 其中 22)()(),(i j i j b y a x j i aa -+-=，i=1,2,…,6,j=1,2,为常数。
y=[1 7]; e=[20 20]; for i=1:6 for j=1:2aa(i,j)=sqrt((x(j)-a(i))^2+(y(j)-b(i))^2); end endCC=[aa(:,1); aa(:,2)]'; A=[1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1]; B=[20;20];Aeq=[1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 ];beq=[d(1);d(2);d(3);d(4);d(5);d(6)]; VLB=[0 0 0 0 0 0 0 0 0 0 0 0];VUB=[]; x0=[1 2 3 0 1 0 0 1 0 1 0 1];[xx,fval]=linprog(CC,A,B,Aeq,beq,VLB,VUB,x0)计算结果为：x =[ 3.0000 5.0000 0.0000 7.0000 0.0000 1.00000.0000 0.0000 4.0000 0.0000 6.0000 10.0000]’ fval = 136.2275情形3：改建两个新料场的情形改建两个新料场，要同时确定料场的位置(x j ,y j )和运送量X ij ，在同样条件下使总吨千米数最小。