matlab约束条件怎么写_matlab数组超过预设大小

网上例子：

假设我们要用matlab解决如下线性规划问题：

max 4×1 + 2×2 + x3

s. t. 2×1 + x2 <= 1

x1 + 2×3 <= 2

x1 + x2 + x3 = 1

x1 >= 0

x1 <= 1

x2 >= 0

x2 <= 1

x3 >= 0

x3 <= 2

如果用yalmip的话，只需要如下简单几句：

>> x = sdpvar(3, 1);

>> f = [4 2 1] * x;

>> F = set(2*x(1) + x(2) <= 1);

>> F = F + set(x(1) + 2 * x(3) <=

2);

>> F = F + set(x(1) + x(2) + x(3) ==

1);

>> F = F + set(0 <= x(1) <= 1) +

set(0 <= x(2) <= 1) + set(0 <= x(3) <= 2);

>> ops = sdpsettings(‘solver’, ‘lpsolve’,

‘verbose’, 2);

>> result = solvesdp(F, -f, ops);

如果你想用 cplex

求解器求解，只需要将以上的‘solver’参数的‘lpsolve’改成‘cplex’，其他任何地方都不需要做改动。

除此以外，yalmip还支持几乎所有其他的求解算法，在matlab下输入yalmiptest命令可以得到所有支持的算法以及它们的安装状态(其中cplex和lpsolve是我安装的，其他status为found的表示默认支持，not

found表示支持但matlab中还未安装)：

运行这个代码，会在set处提示错误，查阅认为，可能新版yalmip不再用set函数，所以将原代码改为

x = sdpvar(3, 1);

f = [4 2 1] * x;

F = [2*x(1) + x(2) <= 1,x(1) + 2 * x(3)

<= 2];  %%%不再用set

F = [F,x(1) + x(2) + x(3) == 1];

F = [F, 0 <= x(1) <= 1, 0 <= x(2)

<= 1,0 <= x(3) <= 2];

ops = sdpsettings(‘solver’, ‘cplex’,

‘verbose’, 2);

result = solvesdp(F, -f, ops);

double(f)  %%显示结果

double(x)

运行成功，这个例子的结果是：

目标函数

f =

2.5000

变量

x =

0.5000

0

0.5000

具体有关约束条件F的设置，参见http://users.isy.liu.se/johanl/yalmip/pmwiki.php?n=Commands.set

set is

obsolete and should not be used.

Simply use additions or concatenations to define constraints.

F = [x

>= 0, x

<= 32];

F = [F,

x^2 <= 1];

F = F + [y

<= 10, [x

y;y 1] >= 0];

F = F + [1 <=

z <= 5]

F = [F, [x z;z x+y] >= 0, norm([x;y]) <=

z]

C = [];

for i = 1:5

C = [C, x+y(i)+z(6-i) == i];

end

D = [F,C]

..

其他具体函数用法(可以忽略set)：

1. 创建决策变量：

>> x = sdpvar(m, n [, option])：创建m*n的连续型决策变量矩阵，option是对矩阵的一些参数指定。

相应的，如果要创建整型或二值型决策变量，matlab语句分别为：

>> x = intvar(m, n, [option])

>> x = binvar(m, n, [option])

2. 添加约束：

>> F = set(constraint [, tag])：创建一个以constraint指定的约束，可选参数tag可以给该约束指定一个字符串标记。重要的是constraint的表达也非常简单，例如如果有 x1 + x2 + x3 <= 3 的约束，直接写：

>> x = sdpvar(3, 1);

>> F = set(x(1) + x(2) + x(3) <= 3, ‘cost bound1’);

如果要继续添加约束也非常简单，支持用+直接相连：

>> F = F + set(constraint1 [, tag1]);

>> F = F + set(constraint2 [, tag2]);……

例如，如果继续限制 x 只能取[0, 1]之间的值，则：

>> F = F + set(0 <= x <= 1, ‘upper and lower bound’);

一句话就搞定了，是不是非常简单。！

3. 参数配置

这个比较简单，语句如下：

>> ops = sdpsettings(option1, value1, option2, value2, ……)

例如语句

>> ops = sdpsettings(‘solver’, ‘lpsolve’, ‘verbose’, 2);

‘solver’ 参数指定程序用lpsolve求解器(如果已经安装，否则会报错)，如果不指定 ‘solver’ 参数，他会根据决策变量类型自动挑选已安装的、最适合的求解器；’verbose’ 指定显示冗余度(冗余度越大，你就可以看到越详细的求解过程信息)。

4. 求解

这个也只有一句话：

>> result = solvesdp(F, f, ops) 求解一个数学规划(最小化)问题，该问题的目标函数由 f 指定，约束由 F 指定，ops指定求解参数，最后的结果存储在result结构体中。