MATLAB在数学建模中的应用

线性规划(linear programming)

目标函数（求min)：$f= c^T *\vec x$
线性不等式约束：$A* \vec x\le b$
线性等式约束：$Aeq* \vec x = beq$

eg.
c=[1 2 3]
$\vec x=[x1; x2; x3]$ 注：$\vec x$ 是列向量
$f= c^T *\vec x =x1+2*x2+3*x3$

linprog函数

[x result]=linprog(c, A, b, Aeq, beq, LOW, UP, x0, options)

---

非线性规划（nonlinear programming)

fmincon函数

目标函数（求min）：$f(x)$
线性约束：$A* \vec x\le b$ 、$Aeq* \vec x = beq$
非线性约束:$C(x) \le0$、$Ceq(x)=0$（注：线性约束也可以写这里）

‘func1’目标函数f(x)函数m文件:

function f=func1(x)
...

‘nonlinear’非线性函数m文件:

function [C Ceq]=nonlinear(x)
...

fmincon语法:

[x result]=fmincon('func1', A, b, Aeq, beq, LOW, UP, 'nonlinear',  options)

二次规划（quadprog函数）

目标函数变化成：

$$(x^THx)/2+f^Tx$$
H对称矩阵两倍， $f^Tx$是一次函数部分

[x result]=quadprog(H, f, A, b, Aeq, beq, LOW, UP, x0, options)

---

灰色预测模型（gray model）

多个数据向量：$X0=[x^{(0)}(1), x^{(0)}(2), ... x^{(0)}(n)]$
令 $x^{(1)}(i)=\sum x^{(0)}(i)$
则累积和向量：$X1=[x^{(1)}(1), x^{(1)}(2), ... x^{(1)}(n)]$
矩阵:

$$E= \begin{bmatrix} 1, & x^{(1)}(1)+x^{(1)}(2) \\ 1, & x^{(1)}(2)+x^{(1)}(3) \\ ...\\ 1, & x^{(1)}(n-1)+x^{(1)}(n) \\ \end{bmatrix}$$

且：

$${d}x^{(1)}/{d}t+ax^{(1)}=u$$
设： $$\vec a= \begin{bmatrix} a\\ u\\ \end{bmatrix}$$
用最小二乘法求 $\vec a$:
$$\vec a=(E^TE)^{-1}E^T*[x^{(0)}(1), x^{(0)}(2), ... x^{(0)}(n)]^T\\ =(E^TE)^{-1}E^T{X0}^T$$
matlab代码:

clear
syms a b;
c=[a b]';
A=[89677 99215 109655 120333 135823 159878 182321 209407 246619 300670]; %求A=X0
B=cumsum(A); %求B=X1
n=length(A);
for i=1:(n-1)
    C(i)=(B(i)+B(i+1))/2;
end

D=A;
D(1)=[];
D=D';
E=[-C;ones(1,n-1)]; %求E=E^T
c=inv(E*E')*E*D; 
c=c';
a=c(1); b=c(2);  %求a u
F=[]; F(1)=A(1);
for i=2:(n+10)
    F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a;
end
G=[];G(1)=A(1);
for i=2:(n+10)
    G(i)=F(i)-F(i-1);
end
t1=1999:2008;
t2=1999:2018;
G
plot(t1, A, 'o', t2, G)

---

遗传算法