Matlab非线性规划实战：从fmincon()入门到工程优化

1. 非线性规划与fmincon()基础入门

第一次接触非线性规划时，我被它强大的实用性震撼到了。相比线性规划，非线性规划能更好地描述现实世界中的复杂问题，比如机械臂的轨迹优化、电力系统的负荷分配、甚至是投资组合的收益最大化。Matlab中的fmincon()函数就像一把瑞士军刀，能帮我们解决这类问题。

fmincon()的基本语法是这样的：

matlab复制x = fmincon('fun',x0,A,b,Aeq,beq,lb,ub,'nonlcon',options)

看起来参数很多，但其实很好理解。'fun'就是我们的目标函数，可以用匿名函数定义；x0是初始猜测值，就像扔飞镖前要先瞄准一样；A,b,Aeq,beq处理线性约束；lb和ub是变量的上下界；'nonlcon'专门处理非线性约束；options可以调整算法参数。

我刚开始用的时候经常搞混参数顺序，后来发现一个记忆技巧：先目标函数和初始值，再线性不等式约束，接着线性等式约束，然后是边界约束，最后才是非线性约束和选项。这样记就不会乱了。

2. 从简单例子入手理解fmincon()

2.1 线性约束下的优化

让我们从一个经典问题开始：Rosenbrock香蕉函数优化。这个函数长这样：

matlab复制fun = @(x)100*(x(2)-x(1)^2)^2 + (1-x(1))^2;

假设我们有个线性约束x₁ + 2x₂ ≤ 1，代码实现很简单：

matlab复制x0 = [0,0];
A = [1,2]; 
b = 1;
[x,fval] = fmincon(fun,x0,A,b)

运行后会得到最优解x = [0.5022, 0.2489]，此时函数值fval = 0.2489。这个例子虽然简单，但包含了fmincon()的核心用法。

2.2 添加等式约束

如果我们再加个等式约束2x₁ + x₂ = 1，代码只需要稍作修改：

matlab复制Aeq = [2,1];
beq = 1;
[x,fval] = fmincon(fun,x0,A,b,Aeq,beq)

这时候解变成了x = [0.4149, 0.1701]，fval = 0.3427。等式约束让解空间变小了，所以最优值比之前要大，这很合理。

3. 处理非线性约束的实战技巧

3.1 非线性不等式约束

现实问题中更常见的是非线性约束。比如我们要最小化f(x) = x₁² + x₂² + x₃² + 8，但有以下约束：

1. x₁² - x₂ + x₃² ≥ 0
2. x₁ + x₂² + x₃³ ≤ 20
3. -x₁ - x₂² + 2 = 0
4. x₂ + 2x₃² = 3x₁

这时候需要写两个函数文件：

matlab复制function f = objfun(x)
    f = sum(x.^2) + 8;
end

function [c,ceq] = nonlcon(x)
    c = [-x(1)^2 + x(2) - x(3)^2;  % 非线性不等式约束
         x(1) + x(2)^2 + x(3)^3 - 20];
    ceq = [-x(1) - x(2)^2 + 2;     % 非线性等式约束
           x(2) + 2*x(3)^2 - 3*x(1)];
end

调用方式：

matlab复制x0 = rand(3,1);
lb = zeros(3,1);
[x,fval] = fmincon(@objfun,x0,[],[],[],[],lb,[],@nonlcon)

3.2 边界约束的特殊处理

有时候问题会有圆形约束区域。比如要求在圆(x₁-1/3)² + (x₂-1/3)² ≤ (1/3)²内最小化Rosenbrock函数，同时0≤x₁≤0.5，0.2≤x₂≤0.8。

非线性约束函数这样写：

matlab复制function [c,ceq] = circlecon(x)
    c = (x(1)-1/3)^2 + (x(2)-1/3)^2 - 1/9;
    ceq = [];
end

调用时指定边界：

matlab复制lb = [0; 0.2];
ub = [0.5; 0.8];
[x,fval] = fmincon(@rosen,x0,[],[],[],[],lb,ub,@circlecon)

4. 工程优化实战案例

4.1 机械结构设计优化

假设要设计一个悬臂梁，在满足强度条件下最小化重量。设设计变量为截面宽b和高h，目标函数是截面面积A = b×h，约束条件是最大应力不超过许用应力。

数学模型可以表示为：

matlab复制function f = beamWeight(x)
    b = x(1); h = x(2);
    f = b * h;  % 最小化截面面积
end

function [c,ceq] = beamConstraints(x)
    b = x(1); h = x(2);
    M = 1000;   % 弯矩(N·m)
    sigma_max = M * h / (2 * (b*h^3)/12);
    sigma_allow = 200e6; % 许用应力(Pa)
    c = sigma_max - sigma_allow; % 应力约束
    ceq = [];
end

优化调用：

matlab复制x0 = [0.1, 0.2]; % 初始猜测(m)
lb = [0.05, 0.1]; % 最小尺寸(m)
ub = [0.2, 0.3];  % 最大尺寸(m)
options = optimoptions('fmincon','Display','iter');
[x_opt, f_opt] = fmincon(@beamWeight,x0,[],[],[],[],lb,ub,@beamConstraints,options)

4.2 控制系统参数整定

在PID控制器设计中，我们经常需要优化Kp、Ki、Kd参数。以ISE(积分平方误差)为目标函数：

matlab复制function J = pidCost(x)
    Kp = x(1); Ki = x(2); Kd = x(3);
    % 这里是仿真代码，实际使用时替换为你的系统模型
    simOut = sim('pid_model.slx');
    J = sum(simOut.error.^2);
end

约束条件可能包括稳定性裕度、超调量等：

matlab复制function [c,ceq] = pidConstraints(x)
    Kp = x(1); Ki = x(2); Kd = x(3);
    % 计算相位裕度和增益裕度
    [Gm,Pm] = margin(sys_with_pid);
    c = [40 - Pm;   % 要求相位裕度>40度
         2 - Gm];    % 要求增益裕度>2
    ceq = [];
end

优化调用：

matlab复制x0 = [1, 0.1, 0.01]; % 初始PID参数
lb = [0, 0, 0];      % 参数下限
ub = [100, 10, 1];   % 参数上限
options = optimoptions('fmincon','Algorithm','sqp');
[x_opt, J_min] = fmincon(@pidCost,x0,[],[],[],[],lb,ub,@pidConstraints,options)

5. 高级技巧与调试方法

5.1 算法选择与参数调优

fmincon()有几种算法可选：

• 'interior-point'(默认)：适合大规模问题
• 'sqp'：序列二次规划，适合中小规模问题
• 'active-set'：适合有大量边界约束的问题
• 'trust-region-reflective'：需要梯度信息

设置方法：

matlab复制options = optimoptions('fmincon','Algorithm','sqp',...
                      'MaxIterations',1000,...
                      'StepTolerance',1e-6);

5.2 处理收敛问题

当优化不收敛时，可以尝试：

1. 调整初始点x0
2. 放宽或收紧约束条件
3. 改变算法
4. 增加最大迭代次数
5. 检查目标函数和约束函数的平滑性

我曾经遇到一个问题，优化总是失败，后来发现是约束函数在某点出现了NaN值。添加了输入检查后问题就解决了：

matlab复制function [c,ceq] = safeConstraints(x)
    if any(x <= 0)  % 防止对数函数的负输入
        c = inf; ceq = [];
        return
    end
    % 正常的约束计算...
end

5.3 并行计算加速

对于耗时长的目标函数，可以启用并行计算：

matlab复制options = optimoptions('fmincon','UseParallel',true);

前提是要先打开并行池：

matlab复制if isempty(gcp('nocreate'))
    parpool;
end

6. 实际工程中的经验分享

在工厂做参数优化时，我发现直接使用fmincon()有时会得到理论最优但实际不可行的解。后来我总结了几条经验：

1. 添加工程裕度：比如理论最小厚度是5mm，我会在约束中设为5.5mm，留出安全余量
2. 分阶段优化：先大范围粗略搜索，再在小范围内精细优化
3. 多初始点尝试：用拉丁超立方采样生成多个初始点，选择最好的结果
4. 结果验证：优化后一定要用实际系统验证，不能完全相信数学模型

一个典型的多初始点优化代码：

matlab复制nRuns = 10;
X0 = lhsdesign(nRuns,2); % 拉丁超立方采样
X0 = lb + (ub-lb).*X0;   % 缩放至变量范围

bestX = []; bestF = inf;
for i = 1:nRuns
    [x,fval] = fmincon(@objfun,X0(i,:),A,b,Aeq,beq,lb,ub,@nonlcon,options);
    if fval < bestF
        bestF = fval;
        bestX = x;
    end
end