在实际的工程计算和科研项目中很多问题最终都会落到同一个数学任务上在给定资源、成本、工艺等约束条件下让利润最大、能耗最低或者让某个系统响应与期望目标之间的误差最小。这类问题在数学上统一称为优化问题。很多新手一开始会选择自己写穷举、随机搜索甚至手写梯度下降但一旦变量个数变多、约束变得复杂、目标函数不可导或存在多个局部最优解自己实现一个稳定可靠的求解器成本会迅速上升。MATLAB 优化算法工具箱的价值就是把大量经过工业验证的求解器封装成标准函数让使用者把精力集中在“如何把业务问题翻译成优化问题”上而不是重复造轮子。本文将围绕 MATLAB 优化算法工具箱的功能与用法展开依次介绍工具箱组成、核心函数、完整实战案例和常见排错方法。如果你之前已经接触过遗传算法工具箱本文后半部分的混合优化示例会把两类工具箱串起来使用理解起来会更顺畅。1. 优化算法工具箱到底能做什么1.1 从实际优化问题说起优化问题的数学表达通常是这样的先确定一组决策变量比如工厂生产两种产品的数量然后设定一个目标函数比如总利润或总成本最后再给出变量需要满足的限制条件比如原材料库存有限、工时有限、变量不能为负数。工具箱要解决的就是在可行范围内找到让目标函数达到最大值或最小值的变量取值。从工具使用的角度来看MATLAB 优化算法工具箱内置了线性规划、混合整数线性规划、二次规划、非线性规划、最小二乘拟合、非线性方程求解等大量算法。对于有明确梯度信息的光滑问题可以用梯度类算法快速得到高精度解对于非凸、不可导、离散或黑箱目标函数则可以配合全局优化工具箱中的遗传算法、粒子群、模拟退火等启发式算法进行搜索。很多初学者容易把“优化算法工具箱”和“遗传算法工具箱”混为一谈。严格来说MATLAB 中常说的 Optimization Toolbox 是优化工具箱主要提供确定性的局部优化求解器而遗传算法ga、多目标遗传算法gamultiobj、粒子群particleswarm等属于 Global Optimization Toolbox即全局优化工具箱。但从用户习惯来说大家口中的“遗传算法工具箱”一般就是指这个工具箱中的ga系列函数。1.2 Optimization Toolbox 与 Global Optimization Toolbox 的关系Optimization Toolbox 是 MATLAB 优化功能的基础模块核心函数包括函数解决的问题linprog线性规划intlinprog混合整数线性规划quadprog二次规划fmincon有约束非线性优化fminunc无约束非线性优化fminsearch无导数无约束优化lsqcurvefit非线性曲线拟合fsolve非线性方程组求解Global Optimization Toolbox 则是在前者基础上补充了全局搜索能力核心函数包括函数解决的问题ga遗传算法gamultiobj多目标遗传算法particleswarm粒子群优化simulannealbnd模拟退火patternsearch模式搜索multistart多起点局部优化globalsearch全局搜索简单理解Optimization Toolbox 负责“从某个初始点出发快速收敛到附近的局部最优点”Global Optimization Toolbox 负责“在更大的搜索空间里找到更有可能接近全局最优的区域”。两者并不冲突实际工程中经常配合使用。1.3 该选哪个求解器很多读者拿到优化问题后第一个困惑是不知道调用哪个函数。这里给出一个相对保守的选择思路如果目标函数和约束都是线性的优先使用linprog。如果变量中要求整数例如设备台数、人员数量使用intlinprog。如果目标函数是二次函数约束是线性的使用quadprog。如果目标函数或约束是非线性的但问题是光滑的使用fmincon。如果目标函数不可导、存在多个局部最优点或者完全没有梯度信息使用ga、particleswarm等全局算法。如果想兼顾全局搜索和局部精度可以先运行一遍ga或multistart再把结果作为初值交给fmincon二次优化。不同求解器的适用场景不同并没有一个“万能函数”。后面章节会通过同一个案例的多个版本演示这些选择。2. 环境准备与工具箱安装2.1 检查当前是否安装了优化工具箱在开始写代码之前先确认当前 MATLAB 环境是否已经安装了优化工具箱和全局优化工具箱。最简单的方式是在命令行窗口输入ver运行后会列出当前 MATLAB 已安装的全部产品。如果你的 MATLAB 是学校或公司采购的完整版本一般在输出列表中能看到 Optimization Toolbox 和 Global Optimization Toolbox。如果只有 Optimization Toolbox则linprog、fmincon可以使用但ga会提示找不到对应函数。也可以使用授权检测命令返回 1 表示工具箱可用返回 0 表示未授权或未安装license(test, Optimization_Toolbox) license(test, Global_Optimization_Toolbox)2.2 安装与版本兼容问题如果确认缺少对应工具箱可以在 MATLAB 主页的“附加功能”中搜索并安装也可以使用学校或公司提供的安装包补装。安装完成后需要重新启动 MATLAB并再次通过ver确认。不同 MATLAB 版本的优化函数接口略有差异。例如新版本推荐使用optimoptions创建优化选项而老版本通常使用optimsetga在旧版本中可能使用Generations作为迭代选项而新版本推荐使用MaxGenerations。因此你在网上找到的代码如果报“参数不支持”或“函数未定义”优先检查 MATLAB 版本和工具箱是否匹配而不是怀疑代码逻辑本身。2.3 使用正版授权的提醒MATLAB 是商业软件建议通过学校、公司或者个人正版渠道获取授权。使用非正规渠道版本不仅存在版权风险还可能导致安装不完整、许可证异常、关键函数不可用等隐蔽问题尤其在数据量较大或模型较复杂时更容易暴露隐患。如果安装后出现许可证相关报错例如启动阶段常见的 error 9通常需要检查许可证文件是否配置正确、软件目录是否完整必要时联系 MathWorks 官方技术支持处理。本文所有示例均基于合法授权环境编写。3. 核心函数用法拆解3.1 线性规划linprog线性规划是最基础的优化问题目标函数和所有约束都是变量的一次函数。MATLAB 中线性规划的标准形式为min f * x s.t. A * x b Aeq * x beq lb x ubf是目标函数系数列向量A和b是不等式约束矩阵与右侧向量Aeq和beq是等式约束lb和ub是变量下界与上界。一个最小化的调用示例如下% 文件路径demo_linprog_basic.m f [-3; -4]; A [1 1]; b 3; lb [0; 0]; [x, fval, exitflag] linprog(f, A, b, [], [], lb, []);这里因为要求最大化利润所以把系数取负转化为最小化问题。exitflag表示求解状态1代表成功收敛到最优解。如果某些位置没有对应约束直接传入空数组[]即可。3.2 非线性约束优化fmincon当目标函数或约束中存在非线性关系时最常用的函数是fmincon。它解决的是如下形式的问题min f(x) s.t. c(x) 0 ceq(x) 0 A * x b Aeq * x beq lb x ub其中c(x)和ceq(x)是需要单独编写函数返回的非线性不等式约束和非线性等式约束。fmincon是一个局部优化求解器它对初始点x0非常敏感。如果初值距离全局最优解较远可能收敛到局部最优点甚至因为数值问题无法收敛。因此在实际使用中要么给一个合理的领域初值要么先通过全局算法寻找一个较好的初始点。基本调用形式如下[x, fval, exitflag] fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options);如果某些参数不存在传入空数组即可。3.3 遗传算法ga遗传算法是典型的启发式全局优化算法它不需要目标函数可导也不要求问题具有凸性。它模拟自然选择和遗传变异过程通过种群迭代不断搜索更优区域。MATLAB 中ga的基本调用形式为[x, fval] ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, options);其中nvars是决策变量个数A、b、Aeq、beq、lb、ub等参数与fmincon类似。遗传算法的最大优势是全局搜索能力缺点则是收敛速度较慢且结果具有一定随机性。在实际工程中我比较推荐的做法并不是把ga的结果直接作为最终解而是把ga当作“全局初值搜索器”找到一个有希望的搜索区域后再用fmincon做局部精修。这种方式比单独使用任何一种算法都更稳定。3.4 优化选项optimoptions为了控制求解过程可以使用optimoptions设置迭代次数、显示方式、容差等参数。例如options optimoptions(fmincon, ... Algorithm, sqp, ... Display, iter, ... MaxIterations, 200);对于ga可以设置种群大小和最大代数options optimoptions(ga, ... PopulationSize, 100, ... MaxGenerations, 200, ... Display, final);Display参数控制命令行输出信息off表示不输出final表示只显示最终结果iter表示输出每一轮迭代信息。调试阶段建议使用iter部署阶段再改为off或final。4. 完整实战从线性规划到混合全局优化4.1 案例背景与数学模型假设某工厂计划生产两种产品变量分别记为x1和x2。如果用线性模型描述每单位产品的利润分别为 3 万元和 4 万元生产受到以下约束总工时不超过 3 个单位原料 A 限制x1不超过 2原料 B 限制x2不超过 2产量非负。于是线性规划模型为max 3*x1 4*x2 s.t. x1 x2 3 x1 2 x2 2 x1 0 x2 0为了让案例更能体现 MATLAB 优化工具箱的覆盖范围我在非线性版本中引入二次成本和二次工艺约束。考虑规模过大带来的效率下降和切换成本将目标函数改为min f(x) x1^2 x2^2 0.5*x1*x2 - 3*x1 - 4*x2同时增加一条非线性工艺约束x1^2 x2 2.5这样线性版本可以用linprog求解非线性版本需要用fmincon而为了演示全局优化和混合优化还可以用ga对照求解。4.2 工程目录结构建议把不同求解脚本拆分成独立文件方便调试和复用。项目目录结构如下optim_demo/ ├── demo_linprog.m ├── demo_fmincon.m ├── demo_ga.m ├── demo_hybrid.m ├── objective.m └── constraint.m其中objective.m是非线性目标函数constraint.m是非线性约束函数其他文件分别展示不同求解器。4.3 用 linprog 求解线性版本创建demo_linprog.m% 文件路径optim_demo/demo_linprog.m % 线性规划最大化 3*x1 4*x2 f [-3; -4]; A [1 1; 1 0; 0 1]; b [3; 2; 2]; lb [0; 0]; [x, fval, exitflag] linprog(f, A, b, [], [], lb, []); if exitflag 1 fprintf(最优解x1 %.4f, x2 %.4f\n, x(1), x(2)); fprintf(最大利润 %.4f\n, -fval); else disp(求解失败请检查约束条件); end运行后预期会得到x1 1.0000, x2 2.0000最大利润为11.0000。这个结果符合直觉两个产量约束中x2 2起限制作用因此x2正好取到边界而剩余工时分配给利润相对较高的x2。4.4 用 fmincon 求解非线性版本创建目标函数文件objective.m% 文件路径optim_demo/objective.m function f objective(x) % 非线性目标函数净利润最大化转化为最小化成本函数 f x(1)^2 x(2)^2 0.5*x(1)*x(2) - 3*x(1) - 4*x(2); end创建约束函数文件constraint.m% 文件路径optim_demo/constraint.m function [c, ceq] constraint(x) % 非线性不等式约束x1^2 x2 2.5 c x(1)^2 x(2) - 2.5; % 没有非线性等式约束 ceq []; end创建主脚本demo_fmincon.m% 文件路径optim_demo/demo_fmincon.m fun objective; x0 [0; 0]; A [1 1; 1 0; 0 1]; b [3; 2; 2]; lb [0; 0]; ub []; options optimoptions(fmincon, ... Algorithm, sqp, ... Display, iter, ... MaxIterations, 200); [x, fval, exitflag] fmincon(fun, x0, A, b, [], [], lb, ub, constraint, options); if exitflag 0 fprintf(fmincon 最优解x1 %.4f, x2 %.4f\n, x(1), x(2)); fprintf(fmincon 最优目标值 %.6f\n, fval); else disp(fmincon 未收敛请检查初值或约束); end这里需要注意fmincon默认算法在不同版本中可能有差异。使用sqp算法在处理中等规模非线性约束问题时通常表现稳健。如果你在旧版本中遇到算法不可用可以去掉Algorithm选项使用默认算法。由于新增的非线性约束x1^2 x2 2.5会限制变量搜索范围最优解会与线性版本不同。运行后目标值大约在-5.03附近x1约在0.9左右x2约在1.65左右具体数值会因为算法版本和迭代终止条件有微小差异。出现这种差异是正常的不要认为是代码错误。4.5 用 ga 对照求解创建demo_ga.m
MATLAB优化算法工具箱核心函数详解与混合优化实战
在实际的工程计算和科研项目中很多问题最终都会落到同一个数学任务上在给定资源、成本、工艺等约束条件下让利润最大、能耗最低或者让某个系统响应与期望目标之间的误差最小。这类问题在数学上统一称为优化问题。很多新手一开始会选择自己写穷举、随机搜索甚至手写梯度下降但一旦变量个数变多、约束变得复杂、目标函数不可导或存在多个局部最优解自己实现一个稳定可靠的求解器成本会迅速上升。MATLAB 优化算法工具箱的价值就是把大量经过工业验证的求解器封装成标准函数让使用者把精力集中在“如何把业务问题翻译成优化问题”上而不是重复造轮子。本文将围绕 MATLAB 优化算法工具箱的功能与用法展开依次介绍工具箱组成、核心函数、完整实战案例和常见排错方法。如果你之前已经接触过遗传算法工具箱本文后半部分的混合优化示例会把两类工具箱串起来使用理解起来会更顺畅。1. 优化算法工具箱到底能做什么1.1 从实际优化问题说起优化问题的数学表达通常是这样的先确定一组决策变量比如工厂生产两种产品的数量然后设定一个目标函数比如总利润或总成本最后再给出变量需要满足的限制条件比如原材料库存有限、工时有限、变量不能为负数。工具箱要解决的就是在可行范围内找到让目标函数达到最大值或最小值的变量取值。从工具使用的角度来看MATLAB 优化算法工具箱内置了线性规划、混合整数线性规划、二次规划、非线性规划、最小二乘拟合、非线性方程求解等大量算法。对于有明确梯度信息的光滑问题可以用梯度类算法快速得到高精度解对于非凸、不可导、离散或黑箱目标函数则可以配合全局优化工具箱中的遗传算法、粒子群、模拟退火等启发式算法进行搜索。很多初学者容易把“优化算法工具箱”和“遗传算法工具箱”混为一谈。严格来说MATLAB 中常说的 Optimization Toolbox 是优化工具箱主要提供确定性的局部优化求解器而遗传算法ga、多目标遗传算法gamultiobj、粒子群particleswarm等属于 Global Optimization Toolbox即全局优化工具箱。但从用户习惯来说大家口中的“遗传算法工具箱”一般就是指这个工具箱中的ga系列函数。1.2 Optimization Toolbox 与 Global Optimization Toolbox 的关系Optimization Toolbox 是 MATLAB 优化功能的基础模块核心函数包括函数解决的问题linprog线性规划intlinprog混合整数线性规划quadprog二次规划fmincon有约束非线性优化fminunc无约束非线性优化fminsearch无导数无约束优化lsqcurvefit非线性曲线拟合fsolve非线性方程组求解Global Optimization Toolbox 则是在前者基础上补充了全局搜索能力核心函数包括函数解决的问题ga遗传算法gamultiobj多目标遗传算法particleswarm粒子群优化simulannealbnd模拟退火patternsearch模式搜索multistart多起点局部优化globalsearch全局搜索简单理解Optimization Toolbox 负责“从某个初始点出发快速收敛到附近的局部最优点”Global Optimization Toolbox 负责“在更大的搜索空间里找到更有可能接近全局最优的区域”。两者并不冲突实际工程中经常配合使用。1.3 该选哪个求解器很多读者拿到优化问题后第一个困惑是不知道调用哪个函数。这里给出一个相对保守的选择思路如果目标函数和约束都是线性的优先使用linprog。如果变量中要求整数例如设备台数、人员数量使用intlinprog。如果目标函数是二次函数约束是线性的使用quadprog。如果目标函数或约束是非线性的但问题是光滑的使用fmincon。如果目标函数不可导、存在多个局部最优点或者完全没有梯度信息使用ga、particleswarm等全局算法。如果想兼顾全局搜索和局部精度可以先运行一遍ga或multistart再把结果作为初值交给fmincon二次优化。不同求解器的适用场景不同并没有一个“万能函数”。后面章节会通过同一个案例的多个版本演示这些选择。2. 环境准备与工具箱安装2.1 检查当前是否安装了优化工具箱在开始写代码之前先确认当前 MATLAB 环境是否已经安装了优化工具箱和全局优化工具箱。最简单的方式是在命令行窗口输入ver运行后会列出当前 MATLAB 已安装的全部产品。如果你的 MATLAB 是学校或公司采购的完整版本一般在输出列表中能看到 Optimization Toolbox 和 Global Optimization Toolbox。如果只有 Optimization Toolbox则linprog、fmincon可以使用但ga会提示找不到对应函数。也可以使用授权检测命令返回 1 表示工具箱可用返回 0 表示未授权或未安装license(test, Optimization_Toolbox) license(test, Global_Optimization_Toolbox)2.2 安装与版本兼容问题如果确认缺少对应工具箱可以在 MATLAB 主页的“附加功能”中搜索并安装也可以使用学校或公司提供的安装包补装。安装完成后需要重新启动 MATLAB并再次通过ver确认。不同 MATLAB 版本的优化函数接口略有差异。例如新版本推荐使用optimoptions创建优化选项而老版本通常使用optimsetga在旧版本中可能使用Generations作为迭代选项而新版本推荐使用MaxGenerations。因此你在网上找到的代码如果报“参数不支持”或“函数未定义”优先检查 MATLAB 版本和工具箱是否匹配而不是怀疑代码逻辑本身。2.3 使用正版授权的提醒MATLAB 是商业软件建议通过学校、公司或者个人正版渠道获取授权。使用非正规渠道版本不仅存在版权风险还可能导致安装不完整、许可证异常、关键函数不可用等隐蔽问题尤其在数据量较大或模型较复杂时更容易暴露隐患。如果安装后出现许可证相关报错例如启动阶段常见的 error 9通常需要检查许可证文件是否配置正确、软件目录是否完整必要时联系 MathWorks 官方技术支持处理。本文所有示例均基于合法授权环境编写。3. 核心函数用法拆解3.1 线性规划linprog线性规划是最基础的优化问题目标函数和所有约束都是变量的一次函数。MATLAB 中线性规划的标准形式为min f * x s.t. A * x b Aeq * x beq lb x ubf是目标函数系数列向量A和b是不等式约束矩阵与右侧向量Aeq和beq是等式约束lb和ub是变量下界与上界。一个最小化的调用示例如下% 文件路径demo_linprog_basic.m f [-3; -4]; A [1 1]; b 3; lb [0; 0]; [x, fval, exitflag] linprog(f, A, b, [], [], lb, []);这里因为要求最大化利润所以把系数取负转化为最小化问题。exitflag表示求解状态1代表成功收敛到最优解。如果某些位置没有对应约束直接传入空数组[]即可。3.2 非线性约束优化fmincon当目标函数或约束中存在非线性关系时最常用的函数是fmincon。它解决的是如下形式的问题min f(x) s.t. c(x) 0 ceq(x) 0 A * x b Aeq * x beq lb x ub其中c(x)和ceq(x)是需要单独编写函数返回的非线性不等式约束和非线性等式约束。fmincon是一个局部优化求解器它对初始点x0非常敏感。如果初值距离全局最优解较远可能收敛到局部最优点甚至因为数值问题无法收敛。因此在实际使用中要么给一个合理的领域初值要么先通过全局算法寻找一个较好的初始点。基本调用形式如下[x, fval, exitflag] fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options);如果某些参数不存在传入空数组即可。3.3 遗传算法ga遗传算法是典型的启发式全局优化算法它不需要目标函数可导也不要求问题具有凸性。它模拟自然选择和遗传变异过程通过种群迭代不断搜索更优区域。MATLAB 中ga的基本调用形式为[x, fval] ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, options);其中nvars是决策变量个数A、b、Aeq、beq、lb、ub等参数与fmincon类似。遗传算法的最大优势是全局搜索能力缺点则是收敛速度较慢且结果具有一定随机性。在实际工程中我比较推荐的做法并不是把ga的结果直接作为最终解而是把ga当作“全局初值搜索器”找到一个有希望的搜索区域后再用fmincon做局部精修。这种方式比单独使用任何一种算法都更稳定。3.4 优化选项optimoptions为了控制求解过程可以使用optimoptions设置迭代次数、显示方式、容差等参数。例如options optimoptions(fmincon, ... Algorithm, sqp, ... Display, iter, ... MaxIterations, 200);对于ga可以设置种群大小和最大代数options optimoptions(ga, ... PopulationSize, 100, ... MaxGenerations, 200, ... Display, final);Display参数控制命令行输出信息off表示不输出final表示只显示最终结果iter表示输出每一轮迭代信息。调试阶段建议使用iter部署阶段再改为off或final。4. 完整实战从线性规划到混合全局优化4.1 案例背景与数学模型假设某工厂计划生产两种产品变量分别记为x1和x2。如果用线性模型描述每单位产品的利润分别为 3 万元和 4 万元生产受到以下约束总工时不超过 3 个单位原料 A 限制x1不超过 2原料 B 限制x2不超过 2产量非负。于是线性规划模型为max 3*x1 4*x2 s.t. x1 x2 3 x1 2 x2 2 x1 0 x2 0为了让案例更能体现 MATLAB 优化工具箱的覆盖范围我在非线性版本中引入二次成本和二次工艺约束。考虑规模过大带来的效率下降和切换成本将目标函数改为min f(x) x1^2 x2^2 0.5*x1*x2 - 3*x1 - 4*x2同时增加一条非线性工艺约束x1^2 x2 2.5这样线性版本可以用linprog求解非线性版本需要用fmincon而为了演示全局优化和混合优化还可以用ga对照求解。4.2 工程目录结构建议把不同求解脚本拆分成独立文件方便调试和复用。项目目录结构如下optim_demo/ ├── demo_linprog.m ├── demo_fmincon.m ├── demo_ga.m ├── demo_hybrid.m ├── objective.m └── constraint.m其中objective.m是非线性目标函数constraint.m是非线性约束函数其他文件分别展示不同求解器。4.3 用 linprog 求解线性版本创建demo_linprog.m% 文件路径optim_demo/demo_linprog.m % 线性规划最大化 3*x1 4*x2 f [-3; -4]; A [1 1; 1 0; 0 1]; b [3; 2; 2]; lb [0; 0]; [x, fval, exitflag] linprog(f, A, b, [], [], lb, []); if exitflag 1 fprintf(最优解x1 %.4f, x2 %.4f\n, x(1), x(2)); fprintf(最大利润 %.4f\n, -fval); else disp(求解失败请检查约束条件); end运行后预期会得到x1 1.0000, x2 2.0000最大利润为11.0000。这个结果符合直觉两个产量约束中x2 2起限制作用因此x2正好取到边界而剩余工时分配给利润相对较高的x2。4.4 用 fmincon 求解非线性版本创建目标函数文件objective.m% 文件路径optim_demo/objective.m function f objective(x) % 非线性目标函数净利润最大化转化为最小化成本函数 f x(1)^2 x(2)^2 0.5*x(1)*x(2) - 3*x(1) - 4*x(2); end创建约束函数文件constraint.m% 文件路径optim_demo/constraint.m function [c, ceq] constraint(x) % 非线性不等式约束x1^2 x2 2.5 c x(1)^2 x(2) - 2.5; % 没有非线性等式约束 ceq []; end创建主脚本demo_fmincon.m% 文件路径optim_demo/demo_fmincon.m fun objective; x0 [0; 0]; A [1 1; 1 0; 0 1]; b [3; 2; 2]; lb [0; 0]; ub []; options optimoptions(fmincon, ... Algorithm, sqp, ... Display, iter, ... MaxIterations, 200); [x, fval, exitflag] fmincon(fun, x0, A, b, [], [], lb, ub, constraint, options); if exitflag 0 fprintf(fmincon 最优解x1 %.4f, x2 %.4f\n, x(1), x(2)); fprintf(fmincon 最优目标值 %.6f\n, fval); else disp(fmincon 未收敛请检查初值或约束); end这里需要注意fmincon默认算法在不同版本中可能有差异。使用sqp算法在处理中等规模非线性约束问题时通常表现稳健。如果你在旧版本中遇到算法不可用可以去掉Algorithm选项使用默认算法。由于新增的非线性约束x1^2 x2 2.5会限制变量搜索范围最优解会与线性版本不同。运行后目标值大约在-5.03附近x1约在0.9左右x2约在1.65左右具体数值会因为算法版本和迭代终止条件有微小差异。出现这种差异是正常的不要认为是代码错误。4.5 用 ga 对照求解创建demo_ga.m