企业官网建设流程全解析

1. 线性规划到底在解决什么问题

1.1 先理解目标函数与约束条件的真实含义

很多刚接触优化这个方向的人，碰到“线性规划”四个字第一反应是“哦，就是一个求最大值或最小值的数学题”。这么理解不算错，但如果你想拿 Matlab 去解实际问题，还必须把这句话往前推一步：线性规划处理的是“有限资源下怎么调配才最划算”的那类决策问题。

举个例子，你有两台机器，机器A每天最多运转8小时，机器B每天最多运转6小时，两种产品都要用到这两台机器。产品1每件利润50块，产品2每件利润80块。这时候问题来了：各做多少件，才能让一天的总利润最高？这就是典型的线性规划问题。变量是两种产品的产量，追求的是“利润最大”，约束条件是“机器时长不能超”和“产量不能为负”。

数学模型写出来长这样：

max z = 50*x1 + 80*x2 s.t. 3*x1 + 4*x2 <= 8 2*x1 + 5*x2 <= 6 x1 >= 0 x2 >= 0

那为什么一定要强调“线性”？因为这个假设决定了整个问题的难度和算法选择。目标函数和约束条件里每个变量都是“一次幂”，没有 x1^2、没有 x1*x2、没有 sin(x1)，整个问题就是一组直线、平面围出来的区域。在这个区域里找最优点，数学家证明过，最优解一定出现在区域的顶点上。这句话是线性规划的灵魂：你不用在整个区域里翻来翻去找，只需要沿着顶点一个个试探就行了。

用 Matlab 做这件事，最关键的本事不是会写linprog函数，而是把一个现实问题干净利落地翻译成一组线性式子。很多人直接卡在建模这一步：约束条件写错方向、变量含义不清晰、目标函数和目标方向没想明白。后面我会专门讲这些坑，这里先记住一句结论——翻译不到位，求解器再强也白搭。

1.2 从标准型到 max、min、不等式、等式——为什么建模是难点

Matlab 的linprog不接受“任意形式”的线性规划，它只认一套标准型：

min f' * x s.t. A*x <= b Aeq*x = beq lb <= x <= ub

这套标准型看着简单，但实际项目里你面对的问题千奇百怪，就出现了几个高频转化难点。

第一个难点是目标方向。人的日常思维习惯是“利润最大化”“收益最大化”，但linprog默认是求最小。解决办法很简单：想求最大值，就把目标系数整体取负，改成求min -f'*x，最后把得到的fval再取负回来就是最大值。我在项目里经常看到有人忘了这一步，求解器给出一堆负值，还以为自己写错了。

第二个难点是不等式方向。很多约束是“至少需要”“不得低于”，写成数学就是>=。但标准型里只允许<=。转化也简单，两边同时乘个 -1，方向就翻过来了。比如x1 + 2*x2 >= 10，等价于-x1 - 2*x2 <= -10。

第三个难点是混合约束。既有不等式又有等式，还有上下界。很多人喜欢把所有约束都塞进A和b里，其实没必要。linprog提供了Aeq、beq、lb、ub这几个专门通道，该用哪个就用哪个。尤其是变量的非负限制，直接写在lb里比放进不等式矩阵里清爽得多，去调试的时候一眼就能看出来。

我自己的建模顺序基本固定：先写下变量及其含义，再列目标函数，再逐条列约束，最后统一整理成标准型。中间绝不直接打开 Matlab 写代码，因为脑子里乱成一团时写出来的矩阵必定错。

2. 用 matlab 的 linprog 跑通第一个例子

2.1 linprog 的函数签名与参数配置

linprog的完整用法并不复杂，最常用的是这样:

[x, fval, exitflag, output, lambda] = linprog(f, A, b, Aeq, beq, lb, ub, options)

参数从左到右正好对应标准型：目标向量f、不等式系数矩阵A和右端项b、等式系数矩阵Aeq和右端项beq、下界lb、上界ub、求解选项options。

没有的约束位置直接传空数组[]，比如你只有不等式约束，就写成：

[x, fval] = linprog(f, A, b, [], [], [], [], [])

输出参数里，x是最优解向量，fval是目标函数最优值，exitflag是最重要的状态标志位。它告诉你这次求解到底成没成：1表示收敛到最优解，0表示达到最大迭代次数但仍未收敛，-2表示找不到可行解，-3表示问题无界（目标函数可以无限大或无限小）。调试问题时，我第一眼永远先看exitflag，别的都是后话。

options用optimoptions创建。我在教学和快速验证时最常用的选项是：

options = optimoptions('linprog', 'Algorithm', 'dual-simplex', 'Display', 'iter');

Algorithm可选'dual-simplex'、'interior-point'等策略，Display设为'iter'可以实时看到每一轮迭代的日志。对于中小规模问题，双单纯形法通常够快也够稳；内点法在大型问题上通常会更快，但给出的解可能在顶点附近“差一点点”，需要留意。

2.2 一个运输问题的完整建模与求解

纸上谈兵没用，我拿一个典型的运输问题来走完整流程。

假设某个区域有三个仓库，要给四个门店供货。三个仓库的库存分别是 30、50、40 吨，四个门店的需求分别是 25、35、30、30 吨。单位运输成本如下表：

问怎么分配运输量，总成本最低。

先建模。设变量x(i,j)表示从第 i 个仓库运到第 j 个门店的吨数，一共有 3 乘 4 等于 12 个变量。目标函数是所有运输量乘以对应成本，再求和。约束分两类：每个仓库运出去的总量不能超过库存，写成等式或不等式看具体问题——库存就是上限，所以用<=；每个门店收到的总量必须满足需求，这里因为是必须保证供应，用等式=。

我习惯把这些变量按“仓库优先”的顺序展开成一维向量：

x = [x11, x12, x13, x14, x21, x22, x23, x24, x31, x32, x33, x34]

于是目标向量f就是按这个顺序拉平的 12 个成本系数。

仓库约束是 3 行，每行只管对应仓库的 4 个变量。门店约束是 4 行，每行管涉及该门店的 3 个变量。我自己写的时候从不手拼一个大矩阵，而是用代码动态生成，这样既不容易写错，后面数据改动也方便：

supply = [30; 50; 40]; demand = [25; 35; 30; 30]; cost = [8 6 10 9; 9 12 7 11; 14 7 9 5]; nSupply = length(supply); nDemand = length(demand); nVars = nSupply * nDemand; % 不等式约束：Aineq * x <= bineq Aineq = zeros(nSupply, nVars); for i = 1:nSupply idx = (i-1)*nDemand + (1:nDemand); Aineq(i, idx) = 1; end bineq = supply; % 等式约束：Aeq * x == beq Aeq = zeros(nDemand, nVars); for j = 1:nDemand idx = j:nDemand:nVars; Aeq(j, idx) = 1; end beq = demand; f = cost(:); lb = zeros(nVars, 1); ub = []; [x, fval, exitflag] = linprog(f, Aineq, bineq, Aeq, beq, lb, ub); % 把结果还原成矩阵 x = reshape(x, nDemand, nSupply)'; % 第 i 行第 j 列 = 仓库 i 到门店 j 的量

注意这里我用了一个小技巧：等式矩阵生成时用了j:nDemand:nVars这种间隔索引。因为我们的变量是按仓库分组排的，门店 j 在所有仓库组里的位置正好每隔 4 个出现一次。这种向量化写法比在循环里逐个填Aeq(j, idx)=1更简洁，执行速度也快。

跑完后如果exitflag == 1，查看x就能得到一份完整运输方案。我第一次跑这类问题时最大的感受是：建模环节老老实实把矩阵生成逻辑写清楚，比求解本身更花时间，但值得。

3. 求解结果的解读与调试心得

3.1 当求解失败时，如何定位是建模问题还是数值问题

exitflag不是魔鬼数字，它是求解器给你的第一句话。遇到非 1 的结果，人的第一反应往往是“运行出错，赶紧改代码”，但大多数情况下是建模出了问题。

exitflag = -2意味着问题“不可行”，也就是没有任何一组变量取值能满足全部约束。最常见的不可行原因有三个：

第一，供需不匹配。比如仓库总库存只有 80 吨，但四个门店总需求是 120 吨，等式约束永远不可能同时满足。这种数量关系在约束少时肉眼可查，但变量一多就需要自己写一个小检查脚本，先把sum(supply)和sum(demand)比一比。

第二，约束互相矛盾。比如一个变量既被要求x >= 10，又被另一个约束推出x <= 8，那当然无解。调试这种问题，我会把约束一个个删掉，看删掉哪一个后问题就变得可解，那个约束十有八九跟别的约束打架。

第三，上界和下界写反了。lb必须小于等于ub，一旦出现lb(i) > ub(i)，求解器直接给你不可行。这个错误很低级，但真实发生的频率不低。

exitflag = -3表示“无界”，常出现在目标函数的符号写反或漏掉了某些关键下界时。我踩过最蠢的一个坑：某变量的lb忘写了，结果求解器发现目标函数可以让这个变量无限增大，直接把fval拉到负无穷（因为我们是在做最小化）。所以给所有负变量建立lb = zeros这个习惯，绝对值多占一行代码，能省几个小时。

至于“数值问题”，这类问题通常表现为exitflag是 0 或者结果看着很奇怪，但建模本身似乎没错。考虑是不是变量量纲差太远——一个变量是 0.001 级别，另一个是 100000 级别，矩阵条件数会变得很糟糕。解决办法也很朴素：缩放变量，让它们的数值范围都落到差不多量级。

3.2 灵敏度分析：让结果成为决策依据

线性规划求解完，很多人的习惯是看一眼x和fval就收工了。但这份结果的价值其实只发挥了一小半。真正能让你在商务讨论或项目汇报里站住脚的，是 answer 后面藏着的影子价格和灵敏度信息。

lambda这个输出就包含着这些信息，它有lambda.ineqlin、lambda.eqlin、lambda.lower、lambda.upper四类。我自己用得最多的，一个是lambda.ineqlin，另一个是lambda.lower。

呼应前面仓库运输的例子：每个仓库的库存约束对应一个影子价格，它的含义是“如果这个仓库的库存多出 1 吨，总运输成本能降低多少”。比如仓库A的影子价格是 -3，那就是说，如果仓库A多放 1 吨货，总成本能再降 3 块。这个数字对业务决策非常有价值：它会告诉你该把预算花在扩容哪个仓库上，而不是平均使劲。

但要注意，影子价格只在约束右端项的一个小邻域内有效。你不可能把库存从 30 吨加到 3000 吨还指望成本按同一个斜率往下降，因为当约束变成松弛状态后，影子价格会跳到 0。我做规划分析时，一定会把采购或扩容的候选方案明确标出“在多大范围内这个边际利好成立”，否则容易被业务方追问到墙角。

用 Matlab 做灵敏度分析时可以顺手对右端项做一个小循环扫描：

for newSupply = 30:2:60 tempB = [newSupply; supply(2); supply(3)]; [~, tempFval] = linprog(f, Aineq, tempB, Aeq, beq, lb, ub); record(end+1) = tempFval; end

这样得到一张“库存-总成本”关系表，比只报一个最优值扎实得多。

4. 我在实战中踩过的坑与效率建议

4.1 Degenerate 与 infeasible：别被报错吓到

做线性规划求解器调试，不同的算法面对不可行问题反应不太一样。dual-simplex在检测不可行时常会给出相对明确的信息，而interior-point在某些数值边界上容易卡住不报错也不收敛。所以我有一条经验法则：拿到一个新模型，先用dual-simplex快速验证可行性，再上大规模数据。这相当于先用一张小地图探路，确认路线没有断头路才上高速。

真正让我头疼的是另一种情况：明明模型没问题，求解结果也不错，但解出来的最优解“看起来很怪”。比如有些变量变成 0、某些约束正好等于边界值，这种情况有时是退化问题。退化的意思是可行域的某些顶点重合了，导致最优点不唯一。碰到这种情况，x可能因为求解器内部选择的路径不同而不同，但fval应该是一致的。

我自己的处理方式：如果解不唯一，可以尝试给目标函数加一个极小的正则项，例如加上1e-6 * sum(x)。这样可以打破顶点重合时的平衡，让求解器给出一个更“居中”的解。这个技巧不能乱用，正则项太大会改变问题本身，太小心又没效果，需要自己调一个合适的量级。

4.2 大规模问题：稀疏矩阵、选项设置与冷门技巧

当变量数从十几个涨到几千个、几万个时，之前写的小脚本很可能撑不住。倒不一定是内存直接爆掉，而是密密麻麻的zeros矩阵会让你白白浪费大量内存和计算时间。这时候第一个建议是：使用稀疏矩阵。

Matlab 里构造稀疏矩阵最简单的方式之一是用sparse(i, j, v, m, n)直接按非零元素填：

iRow = []; jCol = []; vals = []; for k = 1:10000 % 根据你的问题结构添加非零元素 iRow(end+1) = ...; jCol(end+1) = ...; vals(end+1) = ...; end A = sparse(iRow, jCol, vals, m, n);

稀疏矩阵在做矩阵乘法时只处理非零元素，效率高一个量级。linprog对内点法这类算法天然支持稀疏矩阵，所以传递进去不用做任何转换。

第二个建议：把大规模问题的选项设置得足够合理。默认算法不一定最适合你的数据形态。如果你有很多等式约束、很多零元素，'interior-point'可能会比'dual-simplex'快不少；反之，如果问题规模不算大但你希望每一步都能看到迭代情况，双单纯形法更好用。不要照抄别人的配置，一份数据跑一遍，对比两种算法的耗时和内存占用，把结果记下来，以后再遇到类似问题就能直接选最优方案。

第三个建议来自一个我实际遇到的场景：同一个约束矩阵被反复使用，但目标函数每次都要换一批。例如，采购价格每个月变一次，需求也每个月不同，但仓库容量和门店布局不变。这种情况下完全没必要每次重新生成A和Aeq再送进linprog。把约束矩阵提前算好存成.mat文件，求解时只更新f、b、beq，能省掉大量重复建模时间。

还有一个经常被忽略的小技巧：直接用output里的iterations看迭代次数。如果你发现求解很快，但迭代次数异常少，介入人为检查。尤其是当结果刚好卡在一个极端边界值时，多留一个心眼，看看是否真的符合业务直觉。数值求解器给你的“最优解”，也要放到真实场景里再过一遍脑子，这是所有优化从业者的基本素质。

这些年做下来，我用 Matlab 解过的线性规划问题少说也有几十种，小到课堂练习，大到实际项目里的排产与调度。每次能顺畅跑出结果的项目，几乎都有一个共同特征：前期建模和矩阵构造花了大量时间，求解器本身反而没怎么折腾。反过来，那些一上来就想直接套linprog的项目，多数会在一堆报错信息里反复绕圈。所以我最后再强调一次：linprog只是个翻译器，而真正有价值的，是你把现实问题翻译成数学表达式的那套本事。希望这篇内容能帮你少踩几个我踩过的坑，遇到类似问题时知道从哪里下手。