我太懂这种换工具就掉链子的憋屈了——毕竟lsqcurvefit是专门为最小二乘拟合量身定做的，而fmincon是通用型优化器，两者的优化逻辑、默认设置差得不是一星半点。你用lsqcurvefit的结果当初始值还拟合不好，大概率是这几个环节出了问题，咱们挨个捋：

1. 目标函数的构造是不是没踩准点？ #

lsqcurvefit默认就是最小化残差平方和，但fmincon需要你手动把这个逻辑写进目标函数里，而且要兼顾两组数据的情况：

• 首先得确保两组数据的残差平方和都被纳入计算，不能漏了某一组；
• 如果两组数据的量级、测量噪声差异大，必须加权重平衡，不然优化会偏向数据量大/残差大的那组；
• 重点！ODE求解返回的时间点可能和你输入的实测时间点不匹配，必须做插值对齐，不然残差计算完全是错的。

举个正确的目标函数示例：

function cost = ode_fit_cost(params, t_data1, y_data1, t_data2, y_data2, y0)
    % 求解两组数据对应的ODE模拟值
    [t_ode1, y_sim1] = ode45(@(t,y) my_ode_system(t,y,params), t_data1, y0);
    [t_ode2, y_sim2] = ode45(@(t,y) my_ode_system(t,y,params), t_data2, y0);
    
    % 把模拟值插值到实测时间点上（关键！）
    y_sim1_aligned = interp1(t_ode1, y_sim1, t_data1, 'linear', 'extrap');
    y_sim2_aligned = interp1(t_ode2, y_sim2, t_data2, 'linear', 'extrap');
    
    % 计算残差平方和，可根据数据情况加权重
    weight1 = 1 / var(y_data1); % 用方差的倒数当权重，平衡噪声
    weight2 = 1 / var(y_data2);
    cost = weight1 * sum((y_data1 - y_sim1_aligned).^2) + weight2 * sum((y_data2 - y_sim2_aligned).^2);
end

2. fmincon的优化设置是不是没适配你的问题？ #

lsqcurvefit默认用Levenberg-Marquardt算法，对最小二乘问题非常高效，但fmincon默认是SQP算法，对初始值、约束的敏感度更高：

• 试试切换到信赖域反射算法，它对光滑的最小二乘问题更友好：

  opts = optimoptions('fmincon', ...
      'Algorithm', 'trust-region-reflective', ...
      'TolFun', 1e-8, ...
      'TolX', 1e-8, ...
      'Display', 'iter'); % 打开迭代显示，看优化过程有没有卡住
  

• 必须明确参数约束：如果你的ODE参数有物理意义（比如都是正数），一定要设置lb（下界）为全0，不然fmincon可能跑到不合理的参数区域，导致ODE求解发散；
• 调小容差：默认的容差可能太宽松，导致优化提前终止，没找到最优解。

3. 细节一致性检查 #

• 确认fmincon里的参数顺序和lsqcurvefit完全一致，别搞混了参数对应的物理意义；
• ODE求解器的设置要和之前完全相同：比如ode45的相对误差RelTol、绝对误差AbsTol，不能换了优化器就改ODE的求解精度；
• 如果两组数据的初始条件不一样，一定要在目标函数里分别传入对应的y0，别共用一个初始值。

最后一步：看迭代过程找线索 #

打开Display = 'iter'后，观察每一步的成本函数值、参数变化：

• 如果成本函数一开始就不动，说明目标函数可能有问题（比如残差计算错了）；
• 如果参数在某个范围来回震荡，说明算法没选对，或者约束设置不合理；
• 如果成本函数一直在下降但最终结果还是差，可能需要调整初始值附近的搜索步长，或者增加迭代次数。

内容的提问来源于stack exchange，提问作者sam_rox