使用fmincon求解复杂非线性约束下的函数最小化方法咨询

核心逻辑是严格按照fmincon各输入接口的支持规则，对约束做分类拆分，不要把复杂形式直接塞进nonlcon，既保证约束匹配度，又提升求解效率。

步骤1：约束分类梳理 #

fmincon的输入计算效率从高到低为：边界lb/ub > 线性约束A/b、Aeq/beq > 非线性约束nonlcon，优先把可归到高优先级类别的约束单独提出来，减少nonlcon的计算负载：

• 约束1 X(1) > 0：直接归为下界约束，因fmincon仅支持闭区间，取lb(1)=1e-6即可满足工程上严格大于0的要求，无需额外处理
• 约束2拆分为两个不等式：
  • 右半段X(2) <= (2-X(3))/3：整理为X(2) + (1/3)*X(3) - 2/3 <=0，无变量交叉、无非线性项，属于纯线性不等式，直接放入A、b矩阵
  • 左半段X(1)-(X(4)*X(3)) <= X(2)：存在X(3)*X(4)交叉乘积项，属于非线性不等式，放入nonlcon的c向量
• 约束3：全为变量交叉乘积项，属于典型非线性不等式，放入nonlcon的c向量

步骤2：按接口规则编写代码 #

所有非线性不等式必须整理为 c(i) <= 0 的标准形式，等式约束整理为ceq(i) = 0，无等式约束时ceq返回空数组。

目标函数代码（保存为my_objective.m） #

function f = my_objective(X)
    f = X(1)*X(2)*X(3) - X(4)*X(5) + X(1)^2;
end

非线性约束代码（保存为my_nonlcon.m） #

function [c, ceq] = my_nonlcon(X)
    % 非线性约束1：对应约束2左半段，移项整理为c<=0形式
    c(1) = X(1) - X(2) - X(3)*X(4);
    % 非线性约束2：对应原约束3，将右侧项全部移到左侧整理为c<=0形式
    c(2) = X(3)*X(4)*(X(2) - (1-X(3))/2) - X(1)*(X(2) - X(1) + X(3)*X(4));
    % 无等式约束，ceq置空
    ceq = [];
end

主调用脚本 #

% 初始值x0需选择接近工程实际范围的点，优先选满足约束的点
x0 = [1, 1, 0.5, 1, 0.5];
% 边界配置：X1取1e-6满足大于0要求，其余无边界设为-inf
lb = [1e-6, -inf, -inf, -inf, -inf];
ub = [];
% 线性不等式配置：对应约束2的右半段
A = [0, 1, 1/3, 0, 0];
b = 2/3;
% 无线性等式约束
Aeq = [];
beq = [];
% 求解器参数可根据需求调整，此处用默认迭代输出
options = optimoptions('fmincon','Display','iter');
[x_opt, fval] = fmincon(@my_objective, x0, A, b, Aeq, beq, lb, ub, @my_nonlcon, options);

实操注意事项 #

• 不要将可拆解为线性、边界的约束硬塞入nonlcon，会引入不必要的梯度计算误差，大幅拖慢收敛速度
• 严格核对nonlcon中不等式的方向，所有c的元素必须是移项后的<=0形式，方向错误会直接导致求解结果完全偏离约束要求
• 初始值x0尽量选在满足所有约束的可行域内，可显著降低收敛到局部最优的概率
• 若非线性约束复杂、梯度计算精度低，可在优化选项中开启SpecifyConstraintGradient手动提供梯度解析，或搭配全局优化算法（比如multiStart）遍历局部最优值

内容的提问来源于stack exchange，提问作者rbeginner