数学建模小白必看：用Matlab的linprog函数搞定线性规划，手把手教你从问题到代码

数学建模竞赛实战：从线性规划问题到Matlab代码全流程解析

参加数学建模竞赛时，线性规划是最基础也最实用的工具之一。很多初学者面对实际问题时，往往卡在如何将文字描述转化为标准数学模型，再变成可执行的Matlab代码这一关键环节。本文将以一个广告投放优化案例为线索，完整展示从问题理解到最终求解的全过程，帮助你在比赛中快速上手。

1. 案例背景与问题定义

假设我们负责一家初创公司的营销预算分配，需要在三个主流平台（社交媒体、搜索引擎、视频网站）上投放广告。已知：

• 总预算不超过10万元
• 社交媒体广告每次点击成本3元，转化率8%
• 搜索引擎广告每次点击成本5元，转化率12%
• 视频广告每次点击成本8元，转化率15%
• 社交媒体广告点击量上限为2万次
• 视频广告因制作周期限制，最多投放5千次

目标是合理分配各平台广告点击次数，使得总转化量最大化。这个看似简单的商业决策，实际上就是一个典型的线性规划问题。

提示：在建模竞赛中，遇到"资源有限条件下的最优分配"类问题，90%都可以考虑线性规划模型。

2. 建立数学模型的关键步骤

2.1 定义决策变量

首先需要明确哪些是我们可以控制的变量。在本案例中：

x1 = 社交媒体广告点击次数（万次） x2 = 搜索引擎广告点击次数（万次） x3 = 视频广告点击次数（万次）

2.2 构建目标函数

我们的目标是最大化总转化量：

最大化 Z = 0.08x1 + 0.12x2 + 0.15x3

注意这里x1-x3的单位是万次，所以系数对应调整。

2.3 确定约束条件

根据问题描述，我们需要考虑以下限制：

1. 预算约束：3x1 + 5x2 + 8x3 ≤ 10（总成本不超过10万元）
2. 点击量上限：x1 ≤ 2（社交媒体上限）
3. 投放量限制：x3 ≤ 0.5（视频广告上限）
4. 非负约束：x1, x2, x3 ≥ 0

2.4 标准形式转换

Matlab的linprog函数要求标准形式为：

min f'*x 满足： A*x ≤ b Aeq*x = beq lb ≤ x ≤ ub

因此我们需要：

1. 将最大化转为最小化：min -Z = -0.08x1 - 0.12x2 - 0.15x3
2. 整理不等式约束：

   [3 5 8; % 预算约束 1 0 0; % 社交媒体上限 0 0 1] % 视频广告上限 * [x1;x2;x3] ≤ [10;2;0.5]

3. 无等式约束，所以Aeq和beq为空
4. 设置下界为0：lb = [0;0;0]，上界为ub = [Inf;Inf;Inf]

3. Matlab代码实现与解析

3.1 基础参数设置

f = [-0.08; -0.12; -0.15]; % 目标函数系数（注意负号） A = [3 5 8; 1 0 0; 0 0 1]; % 不等式约束矩阵 b = [10; 2; 0.5]; % 不等式约束右侧值 lb = zeros(3,1); % 变量下界

3.2 调用linprog求解

options = optimoptions('linprog','Algorithm','dual-simplex','Display','iter'); [x, fval, exitflag] = linprog(f,A,b,[],[],lb,[],options);

关键参数说明：

• Algorithm: 选择对偶单纯形法，适合中等规模问题
• Display: 设置为iter可以查看求解过程（比赛时可去掉）
• fval: 返回的最优目标函数值（记得取反）

3.3 结果分析与可视化

disp('最优投放策略：'); disp(['社交媒体：' num2str(x(1)*1e4) '次点击']); disp(['搜索引擎：' num2str(x(2)*1e4) '次点击']); disp(['视频广告：' num2str(x(3)*1e4) '次点击']); disp(['最大转化量：' num2str(-fval*1e4) '次']); % 简单饼图展示分配比例 figure; pie(x,{'社交媒体','搜索引擎','视频广告'}); title('最优广告预算分配');

典型输出结果：

最优投放策略： 社交媒体：20000次点击 搜索引擎：8000次点击 视频广告：5000次点击 最大转化量：3100次

4. 常见错误与调试技巧

4.1 系数符号错误

初学者最容易犯的错误是约束条件的方向搞反。记住：

• "不超过"对应≤
• "至少"对应≥
• 在Matlab中需要统一转换为A*x ≤ b形式

4.2 单位不一致

当变量单位与约束单位不一致时（如本例中x以万计而约束以元计），务必统一单位：

% 错误示例（未统一单位） A = [3 5 8]; % 这样会导致预算约束实际为3x1+5x2+8x3 ≤ 10万 b = 10; % 正确做法（统一为万元） A = [3 5 8]; % 3万元/万次*x1 + 5万元/万次*x2 + 8万元/万次*x3 ≤ 10万元 b = 10;

4.3 无可行解处理

当遇到"Problem is infeasible"错误时，可能是：

1. 约束条件相互矛盾（如要求x1≤1又x1≥2）
2. 变量界限设置不合理

调试方法：

% 检查约束矩阵条件数 cond(A) % 逐步放松约束测试 test_b = b * 1.1; % 放宽10% [x, fval] = linprog(f,A,test_b,[],[],lb,[]);

4.4 灵敏度分析进阶

比赛时通常需要分析参数变化对结果的影响：

% 预算灵敏度分析 budget_range = 8:0.5:15; results = zeros(length(budget_range),4); for i = 1:length(budget_range) b_temp = [budget_range(i); 2; 0.5]; [x, fval] = linprog(f,A,b_temp,[],[],lb,[]); results(i,:) = [budget_range(i), x', -fval]; end % 绘制结果曲线 plot(results(:,1), results(:,4)); xlabel('预算(万元)'); ylabel('最大转化量'); grid on;

5. 竞赛实战技巧与模板

5.1 建模检查清单

在提交前务必确认：

1. 所有变量明确定义并有物理意义
2. 每个约束条件对应问题描述的具体限制
3. 目标函数确实反映题目要求的最优标准
4. 单位系统一致
5. 边界条件合理（特别是非负要求）

5.2 代码模板

%% 线性规划求解模板 % 定义决策变量: x1,x2,... %% 1. 目标函数 f = [...]; % 系数向量（最小化问题） %% 2. 不等式约束 A*x ≤ b A = [...]; % 系数矩阵 b = [...]; % 右侧值 %% 3. 等式约束 Aeq*x = beq (若无则保留[]) Aeq = [...]; beq = [...]; %% 4. 变量边界 lb ≤ x ≤ ub lb = [...]; % 下界 ub = [...]; % 上界 %% 5. 求解 options = optimoptions('linprog','Display','final'); [x, fval, exitflag] = linprog(f,A,b,Aeq,beq,lb,ub,options); %% 6. 结果输出 if exitflag == 1 disp('最优解：'); disp(x); disp(['最优值：' num2str(-fval)]); % 若为最大化问题记得取反 else disp('未找到可行解'); end %% 7. 灵敏度分析（可选） % ...自定义分析代码...

5.3 论文写作要点

在模型描述部分应该包括：

1. 决策变量的明确定义
2. 目标函数的数学表达式
3. 每个约束条件的来源说明
4. 模型假设的合理性解释
5. 求解方法的简要说明（如"使用Matlab的linprog函数求解"）

在结果展示部分建议：

1. 关键结果用表格清晰呈现
2. 重要结论用加粗强调
3. 参数敏感性分析结果可视化
4. 模型局限性的客观讨论

记得在附录中提交完整的Matlab代码，并确保代码有适当注释。