matlab语言基于最为流行的c++语言,可移植性好,可拓展性强
1.1解决线性规划问题
x是对决策向量的取值,fval返回的是目标函数最优值,f是价值向量,A和b对应线性不等式约束,Aeq和beq对应线性等式约束,lb和ub分别对应决策向量的上界和下界向量。
下面以一个线性规划问题为例
于是得到求解的MATLAB程序如下
f=[-2;-3;5];
A=[-2 5 -3;1 3 1];
b=[-10;12];
Aeq=[1 1 1];
beq=7;
[x,y]=linprog(f,A,b,Aeq,beq,zeros(3,1));
x,y=-y
(这里小白注意,不能将脚本名称保存为函数名称)
1.1.1可以转化为线性规划的问题
下面举个例子
所以求解程序如下
clc,clear
c=1:4;c=[c,c]';
b=[-2; -1; -1/2];
A=[1 -1 -1 1;1 -1 -1 -3;1 -1 -2 3];
A=[A,-A];
[y,z]=linprog(c,A,b,[],[],zeros(8,1));
x=y(1:4)-y(5:end);%变为原问题的解,即x=u-v
disp(x);
disp(z);
1.2投资收益及风险
投资中存在两种概念,收益率和风险率,投资越分散,总的风险就越少。下面是关于投资的一系列符号假设
1.2.1建立模型
1.2.2 程序实现
根据分析得到的模型,最后的程序代码如下
clc,clear
a=0;
hold on;
while a<0.05
c=[-0.05 -0.27 -0.19 -0.185 -0.185];
A=[zeros(4,1),diag([0.025,0.015,0.055,0.026])];%zeros产生double类零矩阵,diag生成斜对角线矩阵
b=a*ones(4,1);
Aeq=[1 1.01 1.02 1.045 1.065];
beq=1;
[x,Q]=linprog(c,A,b,Aeq,beq,zeros(5,1));
Q=-Q;
plot(a,Q,'*b');%b是蓝色,k是黑色
a=a+0.001;
end
xlabel('a'),ylabel('Q');%xlabel表示在当前图像的x轴标注
1.2.3 结果分析:
(a是风险,Q是收益)
- 风险越大,收益也越多
- 投资分散时,风险会较小
- a=0.006有一个转折点,在其左边,风险增加很少的时候利润增长很大。
即最合适的投资方案:a=0.6%,Q=0.2019,X0=0,X1=0.24,X2=0.4,X3=0.1091,X4=0.2212