简介这是一份基于 MATLAB 的开源优化建模工具箱源码包来自 YALMIP 项目面向需要求解线性规划、二次规划、二次锥规划、半定规划、非线性规划以及控制器设计等问题的科研与工程人员。压缩包内共 1317 个文件主体是 1305 个 M 源文件覆盖变量定义、约束构建、模型转换、求解器适配等核心逻辑少量 C 文件用于底层 MEX 加速MAT 与 YML 文件则提供示例数据和运行配置。资源整体大小约 1.09MB轻量完整便于直接纳入 MATLAB 使用环境YALMIP 的主程序、分支定界算法、求解器封装等源码结构清晰既能满足本科与研究生课程实验需求也适合作为优化建模二次开发的基础。借助这套源码读者可以快速建立和求解多种优化模型还可结合 Gurobi、MOSEK、CPLEX 等外部求解器完成实际任务或基于内部流程进行教学演示、算法调试与功能扩展。目前已有 175 人学习/下载是 MATLAB 优化方向一份实用的工具参考资料。 拿到YALMIP-master.zip这个压缩包时大多数人第一反应是这玩意到底怎么装、怎么用我当初也一样从 GitHub 上把压缩包拖下来解压之后对着满屏的 .m 文件发懵不知道哪个是该运行的安装脚本也不知道装完之后该怎么验证自己装成功了。后来把这套流程彻底走了一遍才发现真正的问题从来不是安装本身而是对 YALMIP 这个工具箱的定位没搞清楚。YALMIP 全称是Yet Another LMI Parser最早是用于线性矩阵不等式LMI建模的后来发展成了 MATLAB 里一个通用的优化建模接口。它本身不是求解器而是一个翻译层你用接近数学表达式的语法把优化问题写出来YALMIP 负责把它翻译成底层求解器能识别的标准形式再调用求解器算出结果。简单说你只管优雅地描述问题苦活累活交给它。这篇直接按我的实操路径来讲覆盖 YALMIP 的定位、安装步骤、建模动作、求解器搭配以及我踩过的一些坑适合刚接触 YALMIP 的 MATLAB 用户也适合那些已经在用但总感觉没真正用顺手的人。1. 这个压缩包到底是什么先搞明白再动手很多人在解压后第一眼看到的是 sdpvar、optimizer、sdpvar 这些带 符号的文件夹以及一堆以 sdp、sdpsettings、optimize 开头的 .m 文件。先花两分钟搞清楚这套目录结构后面至少能少走一半弯路。1.1 从名字看本质一个建模层而非求解器YALMIP 解决的痛点很真实MATLAB 自带的 Optimization Toolbox 能解线性规划和二次规划但遇到半定规划SDP、整数规划甚至更复杂的双线性问题写起来非常痛苦。你不仅要操心变量怎么定义还得把约束条件手工改写成标准矩阵形式稍微复杂一点就容易被矩阵维度搞崩溃。YALMIP 把这一层完全封装掉了。它最有价值的设计是引入了sdpvar这个变量类型。你在 MATLAB 里声明x sdpvar(3,1)这就定义了一个三维决策变量之后写约束条件时完全可以按照代数表达式来写比如x(1) 2*x(2) 3。YALMIP 会自动识别这是一个线性约束在调用求解器之前把它转换成对应的标准形式。这意味着你写模型的效率会高一个量级而且出错的概率也会显著降低。提示YALMIP 是建模语言不是求解器。它负责把问题“翻译”给底层求解器自己不算结果。如果环境里没有装任何求解器YALMIP 就只能用来写写模型跑不出数值解。这也是很多人安装了之后发现optimize函数报错找不到求解器的根本原因。并不是安装出了问题而是少了求解器这个下游依赖。1.2 你下载的其实是 MathWorks 生态里的“开源瑞士军刀”YALMIP 是开源项目托管在 GitHub 上主仓库由Johan Löfberg维护他长期在 Linköping 大学做优化与控制方向的研究。这个项目发展了十几年已经非常成熟社区里很多关于最优控制、鲁棒优化、分布式优化的示例都是用 YALMIP 写的。GitHub 上直接下载 master 分支的 zip 包本质上是获取最新的开发版代码。里面包含了从基础线性规划到多项式规划、几何规划、鲁棒优化、混合整数规划等几乎所有主流优化问题的建模支持。你可以把它理解成 MATLAB 下的一个“万能问题描述器”。这点对新手来说非常重要你不需要在遇到不同问题类型时去学不同的工具箱一个 YALMIP 基本够用而且语法风格高度统一。2. 装好这个工具箱最快的一条路径解压之后怎么安装到 MATLAB 里网上说法很多。有的是让你把文件夹添加到 MATLAB 路径有的是让你运行install.m。实际执行下来最稳妥的方式是直接将整个文件夹加入 MATLAB 搜索路径然后savepath保存一次性搞定不用去运行任何安装脚本。2.1 把文件夹放对位置MATLAB 才能找到它我建议把解压后的 YALMIP-master 文件夹重命名成yalmip然后放到一个专门的工具箱目录比如D:\MATLAB_Toolboxes\yalmip。这样做的原因很简单路径里不要带master这类分支名否则以后 MATLAB 路径设置里的名字看着很别扭而且容易和别的版本混淆。然后在 MATLAB 里执行addpath(genpath(D:\MATLAB_Toolboxes\yalmip)); savepath;genpath的作用是递归添加子文件夹。YALMIP 有很多子目录比如sdpvar、constraint、solvers、modules等如果不递归添加MATLAB 会找不到很多内部方法。savepath是关键一步。如果不执行路径只在当前 MATLAB 会话有效重启之后又得重新addpath。执行savepath后路径会被写入 MATLAB 的 pathdef 文件之后每次启动自动生效。2.2 首次安装验证的三个动作装完之后不要急着写代码先做三个快速验证确定环境OK再往下走。第一检查 YALMIP 是否被正确加载which sdpvar如果返回的是...\yalmip\sdpvar\sdpvar.m这样的路径说明加载成功。如果返回sdpvar not found说明路径没加对。第二检查当前环境里有哪些可用的求解器yalmiptest这个命令会跑一遍 YALMIP 自带的测试套件检查你机器上装了哪些求解器、哪些测试通过。输出里会列出 LP、QP、SDP、SOCP 等各类问题的测试结果。如果你的机器上还没有任何求解器很多测试会显示Failed或No solver这时需要装求解器。第三跑一个最简单的问题验证整个链路通不通x sdpvar(1,1); optimize(x 1, x) value(x)如果输出x1说明模型描述、求解器调用、结果提取的完整链路已经打通。2.3 装在安装这一步最常见的翻车现场我见过最多的报错是Undefined function optimize for input arguments of type sdpvar.这个报错几乎都源于路径没加对。网上很多教程让人运行 YALMIP 文件夹下的install.m但这个脚本在不同版本里行为不完全一致有的版本只是打印一段说明文字并不会真的帮你配置路径所以很容易让人误以为已经安装完成。最可靠的方式就是addpath(genpath(...))savepath没那么多花头。还有一个人容易忽略的场景如果你同时装过旧版 YALMIP新旧两个版本共存时MATLAB 只会调用排在搜索路径前面的那个版本。排查方法是在命令窗口输入which yalmip看返回路径是不是你期望的那个文件。如果指向了旧版本用pathtool手动把新版本的路径往上移。3. 第一次用 YALMIP 建模从零写出一个可运行的问题一旦安装通了YALMIP 的使用体验其实非常舒服。它的建模方式高度贴近数学表达你会觉得像在写伪代码而不是在写程序。3.1 变量、目标、约束、求解固定四板斧用 YALMIP 解决一个优化问题基本就是四步顺序尽量不要乱。第一步定义决策变量。用sdpvar定义连续变量用binvar定义 0-1 变量用intvar定义整数变量。比如x sdpvar(2,1); % 2维连续变量 y binvar(3,1); % 3个二元变量 z intvar(1,1); % 1个整数变量第二步列出约束条件。把约束写在一个大括号里或者用连接Constraints [x(1) 2*x(2) 5, x 0, x(1) x(2)];第三步写出目标函数。比如最小化x(1)^2 x(2)^2Objective x*x;第四步调用求解器optimize(Constraints, Objective)求解完之后用value(x)获取最优解用check(Constraints)检查约束满足情况。3.2 一个能直接跑的完整例子看一个实际的线性规划问题假设你要最小化成本两个决策变量三条约束。x sdpvar(2,1); Constraints [x(1) 2*x(2) 3; 2*x(1) x(2) 4; x 0]; Objective 3*x(1) 5*x(2); diagnostics optimize(Constraints, Objective); if diagnostics.problem 0 disp(求解成功); value(x) else disp(求解失败); diagnostics.info enddiagnostics.problem是 YALMIP 返回的状态码0表示成功。如果非零可以用diagnostics.info查看具体错误原因。这个习惯要养成不要直接忽略 optimize 的返回值否则模型有问题时你可能完全蒙在鼓里。这个例子虽然简单但覆盖了 YALMIP 建模的全部核心动作。之后不管是换成二次规划、半定规划还是混合整数规划语法上几乎没有额外学习成本最多是变量类型和约束写法略微调整。4. 求解器选不好模型根本跑不起来很多人卡在这一步YALMIP 装好了示例代码也跑通了但一换到自己的实际问题就报错说什么 no solver available 或者 solver not applicable。原因几乎都是求解器没配对。4.1 先看问题类型再选求解器YALMIP 本身不求解问题它需要调用第三方求解器比如国内 MATLAB 用户经常搭配的sedumi、SDPT3、MOSEK、Gurobi、Cplex、fmincon等。不同求解器擅长的问题类型完全不同。这里按问题类型给一个参考搭配问题类型推荐求解器说明线性规划LPGurobi / Cplex / linprogGurobi 和 Cplex 在 LP 上速度非常快商业授权学校通常有免费版二次规划QPGurobi / Cplex / quadprog如果是凸 QPGurobi 表现很好二阶锥规划SOCPsedumi / SDPT3 / MOSEKsedumi 轻量免费适合中小规模半定规划SDPsedumi / SDPT3 / MOSEKSDP 是 YALMIP 的看家本领sedumi 免费够用MOSEK 在大规模问题上更快混合整数规划MIPGurobi / Cplex整数规划基本只有这两个商业求解器能打非线性规划NLPfmincon / ipopt需要提供导数信息时 fmincon 更稳从实用角度说如果想少折腾建议装三个sedumi免费、支持 SDP/SOCP、Gurobi学术免费、支持 LP/QP/MIP、fminconMATLAB 自带的 Optimization Toolbox 就有能处理很多非线性问题。4.2 不确定装了什么求解器时先跑一下这行命令不要瞎猜直接用 YALMIP 自带的查询命令yalmiptest它会遍历所有已安装的求解器输出每个求解器在 LP、QP、SOCP、SDP、MIP 等不同问题类型上的测试结果。如果某个求解器显示Found下面打了对勾说明你可以用它。另外optimize调用时也可以手动指定求解器optimize(Constraints, Objective, sdpsettings(solver,sedumi))这样 YALMIP 就会强制使用 sedumi 来求解而不自动选择。当你有多个求解器、但 YALMIP 自动选择了性能较差的那一个时手动指定非常有用。注意如果没有为当前问题类型安装任何兼容求解器YALMIP 会报错No suitable solver for the problem type。这不一定是你模型写错了而往往只是缺了一个对应的求解器。5. 用了一段时间之后我总结的几条实用经验到了这个阶段安装和基础建模都不再是问题真正的坎在于怎么把 YALMIP 用在复杂场景里以及怎么排错。这里分享几条实操中反复验证过的经验。5.1 调试的时候先检查约束别急着怀疑求解器YALMIP 有个很实用的函数叫check可以逐条检查约束是否满足check(Constraints)它会返回每个约束的残差。残差接近 0说明约束基本满足残差很大说明约束可能写反了或者模型本身就不可行。排查思路是这样的先确认diagnostics.problem 0然后跑check再看value(x)是否符合直觉。如果问题不可行先回头检查约束方向大于号小于号有没有写反再检查变量维度有没有搞错。很多时候 YALMIP 报Infeasible problem不是真的无解而是约束把可行域写空了。5.2 大规模问题一定要先小规模试跑我见过太多人一上来就把所有约束、所有变量全部塞进去然后等 MATLAB 跑得慢吞吞最后报 Out of memory。YALMIP 在建模阶段本身就有内存开销因为它会把约束的内部表示全部转化为矩阵形式。正确的做法是先用小规模数据比如时间序列缩短、变量数量减少跑通流程确认模型形式没问题之后再放大到完整规模。这一步能省掉大量无谓的调试时间。YALMIP 的性能瓶颈很多时候不在于求解器而在于你自己写的建模循环。比如在 for 循环里逐个添加约束规模一大就会非常慢。尽量用向量化的方式一次性构建约束矩阵或者使用 YALMIP 提供的repmat、reshape等操作辅助构建效率能高一个量级。5.3 用好 optimizer 对象别每次都重复建模如果你需要在同一模型下反复求解不同参数的问题比如做蒙特卡洛模拟、模型预测控制MPC的滚动优化不要每次都在循环里重新调用optimize因为 YALMIP 每次都会重复内部的模型解析过程浪费大量时间。正确做法是用optimizer把模型编译成可复用的求解对象P optimizer(Constraints, Objective, sdpsettings(solver,sedumi), parameters, decision_variables);之后每次求解只需要调用[solution, diagnostics] P{param_value};这样 YALMIP 只做一次建模解析后续全部直接进入求解环节。在我的一个模型预测控制项目里这个改动让循环求解时间直接降了一多半效果非常明显。5.4 报错信息不会读先用 diagnostics.info很多人遇到 YALMIP 报错第一反应是去网上搜但其实diagnostics对象里已经包含了足够的信息。diagnostics optimize(Constraints, Objective); diagnostics.info这个 info 字段会返回调用底层求解器后得到的原始错误信息。比如Numerical problems通常意味着模型里存在数值病态问题可能是约束的尺度差异过大比如一个约束是x 1另一个约束是x 1e6这种情况下建议统一量纲或做归一化。还有一种情况是Solver exceeded maximum iterations这不一定是模型错了可能是求解器收敛精度不够可以尝试在sdpsettings里调整容差或最大迭代次数。ops sdpsettings(solver,sedumi,sedumi.maxiter,5000); optimize(Constraints, Objective, ops);最后再分享一个小技巧YALMIP 里sdpvar变量可以直接参与 MATLAB 的plot、disp等常规操作。调试时直接plot(value(x))看结果曲线比盯着数字判断直观得多。尤其是做最优控制和轨迹优化问题时先把结果画出来看趋势对不对再深入到具体数值检查是效率最高的排查方式。本文还有配套的精品资源点击获取 
长河君 · 2026/9/2 2:26:02 · 阅读 1.2k YALMIP安装到建模实战：MATLAB优化建模工具箱完全指南
简介这是一份基于 MATLAB 的开源优化建模工具箱源码包来自 YALMIP 项目面向需要求解线性规划、二次规划、二次锥规划、半定规划、非线性规划以及控制器设计等问题的科研与工程人员。压缩包内共 1317 个文件主体是 1305 个 M 源文件覆盖变量定义、约束构建、模型转换、求解器适配等核心逻辑少量 C 文件用于底层 MEX 加速MAT 与 YML 文件则提供示例数据和运行配置。资源整体大小约 1.09MB轻量完整便于直接纳入 MATLAB 使用环境YALMIP 的主程序、分支定界算法、求解器封装等源码结构清晰既能满足本科与研究生课程实验需求也适合作为优化建模二次开发的基础。借助这套源码读者可以快速建立和求解多种优化模型还可结合 Gurobi、MOSEK、CPLEX 等外部求解器完成实际任务或基于内部流程进行教学演示、算法调试与功能扩展。目前已有 175 人学习/下载是 MATLAB 优化方向一份实用的工具参考资料。 拿到YALMIP-master.zip这个压缩包时大多数人第一反应是这玩意到底怎么装、怎么用我当初也一样从 GitHub 上把压缩包拖下来解压之后对着满屏的 .m 文件发懵不知道哪个是该运行的安装脚本也不知道装完之后该怎么验证自己装成功了。后来把这套流程彻底走了一遍才发现真正的问题从来不是安装本身而是对 YALMIP 这个工具箱的定位没搞清楚。YALMIP 全称是Yet Another LMI Parser最早是用于线性矩阵不等式LMI建模的后来发展成了 MATLAB 里一个通用的优化建模接口。它本身不是求解器而是一个翻译层你用接近数学表达式的语法把优化问题写出来YALMIP 负责把它翻译成底层求解器能识别的标准形式再调用求解器算出结果。简单说你只管优雅地描述问题苦活累活交给它。这篇直接按我的实操路径来讲覆盖 YALMIP 的定位、安装步骤、建模动作、求解器搭配以及我踩过的一些坑适合刚接触 YALMIP 的 MATLAB 用户也适合那些已经在用但总感觉没真正用顺手的人。1. 这个压缩包到底是什么先搞明白再动手很多人在解压后第一眼看到的是 sdpvar、optimizer、sdpvar 这些带 符号的文件夹以及一堆以 sdp、sdpsettings、optimize 开头的 .m 文件。先花两分钟搞清楚这套目录结构后面至少能少走一半弯路。1.1 从名字看本质一个建模层而非求解器YALMIP 解决的痛点很真实MATLAB 自带的 Optimization Toolbox 能解线性规划和二次规划但遇到半定规划SDP、整数规划甚至更复杂的双线性问题写起来非常痛苦。你不仅要操心变量怎么定义还得把约束条件手工改写成标准矩阵形式稍微复杂一点就容易被矩阵维度搞崩溃。YALMIP 把这一层完全封装掉了。它最有价值的设计是引入了sdpvar这个变量类型。你在 MATLAB 里声明x sdpvar(3,1)这就定义了一个三维决策变量之后写约束条件时完全可以按照代数表达式来写比如x(1) 2*x(2) 3。YALMIP 会自动识别这是一个线性约束在调用求解器之前把它转换成对应的标准形式。这意味着你写模型的效率会高一个量级而且出错的概率也会显著降低。提示YALMIP 是建模语言不是求解器。它负责把问题“翻译”给底层求解器自己不算结果。如果环境里没有装任何求解器YALMIP 就只能用来写写模型跑不出数值解。这也是很多人安装了之后发现optimize函数报错找不到求解器的根本原因。并不是安装出了问题而是少了求解器这个下游依赖。1.2 你下载的其实是 MathWorks 生态里的“开源瑞士军刀”YALMIP 是开源项目托管在 GitHub 上主仓库由Johan Löfberg维护他长期在 Linköping 大学做优化与控制方向的研究。这个项目发展了十几年已经非常成熟社区里很多关于最优控制、鲁棒优化、分布式优化的示例都是用 YALMIP 写的。GitHub 上直接下载 master 分支的 zip 包本质上是获取最新的开发版代码。里面包含了从基础线性规划到多项式规划、几何规划、鲁棒优化、混合整数规划等几乎所有主流优化问题的建模支持。你可以把它理解成 MATLAB 下的一个“万能问题描述器”。这点对新手来说非常重要你不需要在遇到不同问题类型时去学不同的工具箱一个 YALMIP 基本够用而且语法风格高度统一。2. 装好这个工具箱最快的一条路径解压之后怎么安装到 MATLAB 里网上说法很多。有的是让你把文件夹添加到 MATLAB 路径有的是让你运行install.m。实际执行下来最稳妥的方式是直接将整个文件夹加入 MATLAB 搜索路径然后savepath保存一次性搞定不用去运行任何安装脚本。2.1 把文件夹放对位置MATLAB 才能找到它我建议把解压后的 YALMIP-master 文件夹重命名成yalmip然后放到一个专门的工具箱目录比如D:\MATLAB_Toolboxes\yalmip。这样做的原因很简单路径里不要带master这类分支名否则以后 MATLAB 路径设置里的名字看着很别扭而且容易和别的版本混淆。然后在 MATLAB 里执行addpath(genpath(D:\MATLAB_Toolboxes\yalmip)); savepath;genpath的作用是递归添加子文件夹。YALMIP 有很多子目录比如sdpvar、constraint、solvers、modules等如果不递归添加MATLAB 会找不到很多内部方法。savepath是关键一步。如果不执行路径只在当前 MATLAB 会话有效重启之后又得重新addpath。执行savepath后路径会被写入 MATLAB 的 pathdef 文件之后每次启动自动生效。2.2 首次安装验证的三个动作装完之后不要急着写代码先做三个快速验证确定环境OK再往下走。第一检查 YALMIP 是否被正确加载which sdpvar如果返回的是...\yalmip\sdpvar\sdpvar.m这样的路径说明加载成功。如果返回sdpvar not found说明路径没加对。第二检查当前环境里有哪些可用的求解器yalmiptest这个命令会跑一遍 YALMIP 自带的测试套件检查你机器上装了哪些求解器、哪些测试通过。输出里会列出 LP、QP、SDP、SOCP 等各类问题的测试结果。如果你的机器上还没有任何求解器很多测试会显示Failed或No solver这时需要装求解器。第三跑一个最简单的问题验证整个链路通不通x sdpvar(1,1); optimize(x 1, x) value(x)如果输出x1说明模型描述、求解器调用、结果提取的完整链路已经打通。2.3 装在安装这一步最常见的翻车现场我见过最多的报错是Undefined function optimize for input arguments of type sdpvar.这个报错几乎都源于路径没加对。网上很多教程让人运行 YALMIP 文件夹下的install.m但这个脚本在不同版本里行为不完全一致有的版本只是打印一段说明文字并不会真的帮你配置路径所以很容易让人误以为已经安装完成。最可靠的方式就是addpath(genpath(...))savepath没那么多花头。还有一个人容易忽略的场景如果你同时装过旧版 YALMIP新旧两个版本共存时MATLAB 只会调用排在搜索路径前面的那个版本。排查方法是在命令窗口输入which yalmip看返回路径是不是你期望的那个文件。如果指向了旧版本用pathtool手动把新版本的路径往上移。3. 第一次用 YALMIP 建模从零写出一个可运行的问题一旦安装通了YALMIP 的使用体验其实非常舒服。它的建模方式高度贴近数学表达你会觉得像在写伪代码而不是在写程序。3.1 变量、目标、约束、求解固定四板斧用 YALMIP 解决一个优化问题基本就是四步顺序尽量不要乱。第一步定义决策变量。用sdpvar定义连续变量用binvar定义 0-1 变量用intvar定义整数变量。比如x sdpvar(2,1); % 2维连续变量 y binvar(3,1); % 3个二元变量 z intvar(1,1); % 1个整数变量第二步列出约束条件。把约束写在一个大括号里或者用连接Constraints [x(1) 2*x(2) 5, x 0, x(1) x(2)];第三步写出目标函数。比如最小化x(1)^2 x(2)^2Objective x*x;第四步调用求解器optimize(Constraints, Objective)求解完之后用value(x)获取最优解用check(Constraints)检查约束满足情况。3.2 一个能直接跑的完整例子看一个实际的线性规划问题假设你要最小化成本两个决策变量三条约束。x sdpvar(2,1); Constraints [x(1) 2*x(2) 3; 2*x(1) x(2) 4; x 0]; Objective 3*x(1) 5*x(2); diagnostics optimize(Constraints, Objective); if diagnostics.problem 0 disp(求解成功); value(x) else disp(求解失败); diagnostics.info enddiagnostics.problem是 YALMIP 返回的状态码0表示成功。如果非零可以用diagnostics.info查看具体错误原因。这个习惯要养成不要直接忽略 optimize 的返回值否则模型有问题时你可能完全蒙在鼓里。这个例子虽然简单但覆盖了 YALMIP 建模的全部核心动作。之后不管是换成二次规划、半定规划还是混合整数规划语法上几乎没有额外学习成本最多是变量类型和约束写法略微调整。4. 求解器选不好模型根本跑不起来很多人卡在这一步YALMIP 装好了示例代码也跑通了但一换到自己的实际问题就报错说什么 no solver available 或者 solver not applicable。原因几乎都是求解器没配对。4.1 先看问题类型再选求解器YALMIP 本身不求解问题它需要调用第三方求解器比如国内 MATLAB 用户经常搭配的sedumi、SDPT3、MOSEK、Gurobi、Cplex、fmincon等。不同求解器擅长的问题类型完全不同。这里按问题类型给一个参考搭配问题类型推荐求解器说明线性规划LPGurobi / Cplex / linprogGurobi 和 Cplex 在 LP 上速度非常快商业授权学校通常有免费版二次规划QPGurobi / Cplex / quadprog如果是凸 QPGurobi 表现很好二阶锥规划SOCPsedumi / SDPT3 / MOSEKsedumi 轻量免费适合中小规模半定规划SDPsedumi / SDPT3 / MOSEKSDP 是 YALMIP 的看家本领sedumi 免费够用MOSEK 在大规模问题上更快混合整数规划MIPGurobi / Cplex整数规划基本只有这两个商业求解器能打非线性规划NLPfmincon / ipopt需要提供导数信息时 fmincon 更稳从实用角度说如果想少折腾建议装三个sedumi免费、支持 SDP/SOCP、Gurobi学术免费、支持 LP/QP/MIP、fminconMATLAB 自带的 Optimization Toolbox 就有能处理很多非线性问题。4.2 不确定装了什么求解器时先跑一下这行命令不要瞎猜直接用 YALMIP 自带的查询命令yalmiptest它会遍历所有已安装的求解器输出每个求解器在 LP、QP、SOCP、SDP、MIP 等不同问题类型上的测试结果。如果某个求解器显示Found下面打了对勾说明你可以用它。另外optimize调用时也可以手动指定求解器optimize(Constraints, Objective, sdpsettings(solver,sedumi))这样 YALMIP 就会强制使用 sedumi 来求解而不自动选择。当你有多个求解器、但 YALMIP 自动选择了性能较差的那一个时手动指定非常有用。注意如果没有为当前问题类型安装任何兼容求解器YALMIP 会报错No suitable solver for the problem type。这不一定是你模型写错了而往往只是缺了一个对应的求解器。5. 用了一段时间之后我总结的几条实用经验到了这个阶段安装和基础建模都不再是问题真正的坎在于怎么把 YALMIP 用在复杂场景里以及怎么排错。这里分享几条实操中反复验证过的经验。5.1 调试的时候先检查约束别急着怀疑求解器YALMIP 有个很实用的函数叫check可以逐条检查约束是否满足check(Constraints)它会返回每个约束的残差。残差接近 0说明约束基本满足残差很大说明约束可能写反了或者模型本身就不可行。排查思路是这样的先确认diagnostics.problem 0然后跑check再看value(x)是否符合直觉。如果问题不可行先回头检查约束方向大于号小于号有没有写反再检查变量维度有没有搞错。很多时候 YALMIP 报Infeasible problem不是真的无解而是约束把可行域写空了。5.2 大规模问题一定要先小规模试跑我见过太多人一上来就把所有约束、所有变量全部塞进去然后等 MATLAB 跑得慢吞吞最后报 Out of memory。YALMIP 在建模阶段本身就有内存开销因为它会把约束的内部表示全部转化为矩阵形式。正确的做法是先用小规模数据比如时间序列缩短、变量数量减少跑通流程确认模型形式没问题之后再放大到完整规模。这一步能省掉大量无谓的调试时间。YALMIP 的性能瓶颈很多时候不在于求解器而在于你自己写的建模循环。比如在 for 循环里逐个添加约束规模一大就会非常慢。尽量用向量化的方式一次性构建约束矩阵或者使用 YALMIP 提供的repmat、reshape等操作辅助构建效率能高一个量级。5.3 用好 optimizer 对象别每次都重复建模如果你需要在同一模型下反复求解不同参数的问题比如做蒙特卡洛模拟、模型预测控制MPC的滚动优化不要每次都在循环里重新调用optimize因为 YALMIP 每次都会重复内部的模型解析过程浪费大量时间。正确做法是用optimizer把模型编译成可复用的求解对象P optimizer(Constraints, Objective, sdpsettings(solver,sedumi), parameters, decision_variables);之后每次求解只需要调用[solution, diagnostics] P{param_value};这样 YALMIP 只做一次建模解析后续全部直接进入求解环节。在我的一个模型预测控制项目里这个改动让循环求解时间直接降了一多半效果非常明显。5.4 报错信息不会读先用 diagnostics.info很多人遇到 YALMIP 报错第一反应是去网上搜但其实diagnostics对象里已经包含了足够的信息。diagnostics optimize(Constraints, Objective); diagnostics.info这个 info 字段会返回调用底层求解器后得到的原始错误信息。比如Numerical problems通常意味着模型里存在数值病态问题可能是约束的尺度差异过大比如一个约束是x 1另一个约束是x 1e6这种情况下建议统一量纲或做归一化。还有一种情况是Solver exceeded maximum iterations这不一定是模型错了可能是求解器收敛精度不够可以尝试在sdpsettings里调整容差或最大迭代次数。ops sdpsettings(solver,sedumi,sedumi.maxiter,5000); optimize(Constraints, Objective, ops);最后再分享一个小技巧YALMIP 里sdpvar变量可以直接参与 MATLAB 的plot、disp等常规操作。调试时直接plot(value(x))看结果曲线比盯着数字判断直观得多。尤其是做最优控制和轨迹优化问题时先把结果画出来看趋势对不对再深入到具体数值检查是效率最高的排查方式。本文还有配套的精品资源点击获取