最优化方法(统筹学）及其MATLAB实现-chapter1

第一章核心内容的最优化概要：

---

1. 什么是“最优化”问题？

最优化研究的是在满足一定约束条件下，如何寻找最优的决策方案，使得某个指标达到最大或最小。

优化模型的三要素

一个标准的最优化问题通常可以表示为：

1. 决策变量 ()：你需要控制的变量（如投资额、生产数量、坐标位置）。
2. 目标函数 ()：你想优化的指标（如成本最小、利润最大、误差最小）。
3. 约束条件 ()：你必须遵守的限制（如原材料总量、预算范围、物理定律）。

---

2. 最优化问题的分类

了解分类有助于你在后续章节中选择正确的算法：

• 线性规划 (LP) vs. 非线性规划 (NLP)：

• 如果 全是线性的，就是线性规划（Simple & Efficient）。

• 只要有一个是非线性的，就是非线性规划（复杂，可能存在局部最优）。

• 无约束优化 vs. 有约束优化：

• 无约束优化是基础，很多有约束问题最终会转化为无约束问题来求解。

• 连续优化 vs. 离散/整数规划：

• 变量是连续取值还是只能取整数。

---

3. 局部最优与全局最优

这是第一章中最核心的概念之一，决定了算法的成败：

• 局部极小点 (Local Minimum)：在它周围的一小圈范围内，它是最小的。
• 全局极小点 (Global Minimum)：在整个可行域内，它是最小的。

注意： 大多数传统算法（如梯度下降法）只能找到局部极小点。只有当函数是凸函数时，局部极小点才一定是全局极小点。

---

4. 算法的基本结构

几乎所有的数值优化算法都遵循一个通用的迭代框架：

1. **给出初始点 **：猜一个可能的答案。
2. **确定搜索方向 **：往哪边走能让函数值下降？（比如沿着梯度的反方向）。
3. **确定步长 **：往这个方向走多远？（通过一维搜索确定）。
4. 更新点：。
5. 检查停止准则：如果改变量足够小或梯度接近 0，则停止。

---

5. MATLAB 在最优化中的作用

MATLAB 的常用工具箱：

• fminunc：用于求解无约束非线性优化。
• fmincon：用于求解有约束非线性优化（最常用）。
• linprog：用于求解线性规划。

---

以下为MATLAB拓展内容：
** 典型模型 + MATLAB 示例 + 讲解要点**。

---

一、MATLAB 在最优化中的核心作用（一句话定位）

MATLAB 的作用不是“替你建模”，
而是：在建好模型后，可帮“高效、稳定地求解”。

三大函数，对应三类最常见模型：

函数	解决什么问题	是否常用
fminunc	无约束非线性优化	⭐⭐⭐
fmincon	有约束非线性优化	⭐⭐⭐⭐（建模核心）
linprog	线性规划	⭐⭐⭐⭐（基础必会）

---

二、fminunc —— 无约束非线性优化（入门首选）

1️⃣ 问题类型

数学形式：

[
\min f(x), \quad x \in \mathbb{R}^n
]

• 没有任何约束
• 变量连续
• 目标函数是非线性的

---

2️⃣ 典型建模场景

• 最小二乘拟合
• 参数估计
• 函数最小值搜索
• 机器学习中的 loss 最小化（简化版）

---

3️⃣ 示例 1：一元函数最小值

数学问题

[
f(x) = (x-2)^2 + 1
]

显然最小值在 (x=2)，但我们用 MATLAB 来“数值求”。

---

MATLAB 实现

f = @(x) (x - 2).^2 + 1;   % 目标函数
x0 = 0;                   % 初始点
[xmin, fval] = fminunc(f, x0);

结果解释

• xmin：找到的最优解
• fval：最小函数值

📌 教学重点：

fminunc 是“从初值出发往下爬”，
初值不同，可能路径不同。

---

4️⃣ 示例 2：二维非线性函数

[
f(x,y) = x^2 + y^2 + xy
]

MATLAB 写法（向量形式）

f = @(x) x(1)^2 + x(2)^2 + x(1)*x(2);
x0 = [1; 1];
[xmin, fval] = fminunc(f, x0);

📌 建模必讲点：

• MATLAB 中 决策变量几乎都是“向量”
• 即使只有一个变量，也建议用向量思维

---

5️⃣ 什么时候不能用 fminunc？

❌ 有约束
❌ 有整数变量
❌ 明显线性（用 linprog 更好）

---

三、fmincon —— 有约束非线性优化（建模主力）

这是数学建模最核心的函数之一。

---

1️⃣ 问题类型

标准形式：

[
\min f(x)
]

[
\text{s.t.}
\begin{cases}
A x \le b
A_{eq} x = b_{eq}
c(x) \le 0
ceq(x) = 0
l \le x \le u
\end{cases}
]

👉 几乎所有实际问题都能往这个框架里塞

---

2️⃣ 典型建模场景

• 成本最小 + 资源限制
• 能耗最小 + 安全约束
• 参数优化 + 物理约束
• 多目标简化后的单目标

---

3️⃣ 示例：最简单的约束优化

数学模型

[
\min f(x,y) = x^2 + y^2
]

约束：

[
x + y \ge 1
]

---

MATLAB 实现

f = @(x) x(1)^2 + x(2)^2;

A = [-1 -1];
b = -1;

x0 = [0; 0];

[xmin, fval] = fmincon(f, x0, A, b);

结果解释

• 最优点在约束边界上
• 数值解体现“几何直觉”

📌 教学重点：

最优解常常出现在“约束边界”，不是内部。

---

4️⃣ 示例：带上下界的优化（非常常见）

[
\min x^2 + y^2
]

[
0 \le x \le 2,\quad 0 \le y \le 1
]

f = @(x) x(1)^2 + x(2)^2;
lb = [0; 0];
ub = [2; 1];
x0 = [1; 0.5];

[xmin, fval] = fmincon(f, x0, [], [], [], [], lb, ub);

---

5️⃣ 专职老师一定会强调的点

• fmincon 依赖初值
• 可能是局部最优
• 约束函数写错，比算法选错更致命

---

四、linprog —— 线性规划（最稳、最干净）

1️⃣ 问题类型

[
\min c^T x
]

[
\text{s.t. } Ax \le b, \quad A_{eq}x = b_{eq}, \quad x \ge 0
]

📌 线性规划是最优化中“最成熟、最稳定”的一类

---

2️⃣ 典型建模场景

• 生产计划
• 资源分配
• 运输问题
• 投资组合（简化）

---

3️⃣ 示例：生产计划问题

数学模型

[
\min 3x_1 + 2x_2
]

约束：

[
\begin{cases}
x_1 + x_2 \ge 4
2x_1 + x_2 \ge 5
x_1, x_2 \ge 0
\end{cases}
]

---

MATLAB 实现

c = [3; 2];

A = [-1 -1;
     -2 -1];
b = [-4; -5];

lb = [0; 0];

[xmin, fval] = linprog(c, A, b, [], [], lb);

---

4️⃣ 为什么能优先用 linprog？

对比	linprog	fmincon
是否全局最优	✅	❌
速度	快	较慢
稳定性	极高	依赖初值
建模难度	低	中

👉 能线性，就别非线性

---

五、三大函数的“选用指南”（必背）

问题特征	用哪个
无约束 + 非线性	fminunc
有约束 + 非线性	fmincon
全部线性	linprog
有整数变量	❌（用 intlinprog）

---

六、建模中常说的“金句”

模型选对一半，
函数用对 80%，
代码写对 100%。

---