2. MATLAB优化环境与编程基础

在MATLAB中做参数求解，真正决定效率的往往不是优化算法本身，而是“目标函数怎么写、怎么传、怎么算”。同一个fmincon调用，如果目标函数写成循环逐点计算，可能比向量化版本慢几十倍；如果约束函数用字符串或文件名字符串传递，在新版本中会直接报错。本节围绕四个基础能力展开：函数句柄、匿名函数、向量化表达，以及脚本与实时编辑器在参数求解中的分工。

函数句柄：把“函数”当作参数传递

函数句柄是一种可以像变量一样被赋值、传递和调用的MATLAB数据类型，用 @ 创建。优化函数（fminsearch、fminunc、fmincon、lsqnonlin、ga等）的第一个输入几乎都是函数句柄，而不是函数名字符串。例如定义一个Rosenbrock函数：

function f = rosen(x)
    f = 100*(x(2) - x(1)^2)^2 + (1 - x(1))^2;
end

% 在脚本中创建句柄并求解
fun = @rosen;
[x, fval] = fminsearch(fun, [-1.2, 1]);

这里 fun 就是句柄，它把函数“打包”成一个可传递对象。若目标函数需要额外参数，例如 f(x, a, b)，可用匿名函数包装：fun = @(x) f(x, a, b)，这样优化器只看到单变量 x，而 a、b 被固定。这是工程参数求解中最常用的模式：把实验数据、权重、几何尺寸等作为固定参数，把待求参数作为优化变量。

匿名函数：一行表达目标与约束

匿名函数适合表达简单、单行、无需复用的目标或约束。例如拟合模型 y = a*exp(-b*t)，残差平方和可写成：

t = [0 1 2 3 4 5]';
y = [5.0 3.1 1.9 1.2 0.7 0.4]';
res = @(p) y - p(1)*exp(-p(2)*t);
p0 = [5, 0.5];
p = lsqnonlin(res, p0);

匿名函数捕获创建时刻的 t、y，因此数据变化后需重新创建句柄。对于多行逻辑、需要中间变量或需要调试的目标函数，应改用局部函数或独立函数文件，避免把复杂逻辑塞进一行匿名函数导致可读性下降。

向量化表达：让目标函数一次算完

优化过程会反复调用目标函数，循环次数可能达到数百甚至数千次。若函数内部用 for 逐点计算，开销会显著放大。向量化就是用矩阵/数组运算替代显式循环。例如计算 sum(sin(x).*x.^2)，向量化写法为：

% 非向量化
s = 0;
for i = 1:numel(x)
    s = s + sin(x(i))*x(i)^2;
end

% 向量化
s = sum(sin(x).*x.^2);

注意点乘 .*、点除 ./、点幂 .^ 的使用，以及 sum、mean、max 等聚合函数的方向参数。对于多参数目标，可把每个候选点按行排列，一次计算整批残差，再按列求和，这样既减少函数调用次数，也便于后续并行或GPU加速。

脚本与实时编辑器：参数求解的工作流

脚本适合固定流程、需要反复运行的求解任务；实时编辑器（Live Editor）适合边调参、边看结果、边记录结论。在实时编辑器中，可以把数据加载、目标函数定义、优化调用、结果绘图分成多个节（Section），逐节运行。例如先运行数据节得到 t、y，再运行模型节定义 res，最后运行求解节得到 p 并绘制拟合曲线。这样每次只改初值或权重，不必重跑全部代码。

实时编辑器的另一优势是结果内联显示：优化退出标志 exitflag、迭代次数 output.iterations、一阶最优性 output.firstorderopt 可直接显示在输出区，便于判断求解是否收敛。若 exitflag 为负，通常说明目标函数或约束在初值附近不可行、梯度异常或迭代超限，需要回到函数定义检查。

一个可复用的参数求解模板

把上述能力组合起来，可以得到一个结构清晰的求解脚本。以下示例用于拟合 y = a*exp(-b*t)，其中 a、b 为待求参数，初值取 [5, 0.5]，下界取 [0, 0]，上界取 [10, 2]。数据为教学示例，非实测结果。

% 1. 数据（示例）
t = [0 1 2 3 4 5]';
y = [5.0 3.1 1.9 1.2 0.7 0.4]';

% 2. 目标函数：匿名函数 + 向量化
res = @(p) y - p(1)*exp(-p(2)*t);

% 3. 初值与边界
p0 = [5, 0.5];
lb = [0, 0];
ub = [10, 2];

% 4. 求解
opts = optimoptions('lsqnonlin', 'Display', 'iter');
[p, resnorm, residual, exitflag, output] = lsqnonlin(res, p0, lb, ub, opts);

% 5. 结果判断
fprintf('a = %.4f, b = %.4f\n', p(1), p(2));
fprintf('exitflag = %d, iterations = %d\n', exitflag, output.iterations);

% 6. 验证：绘制拟合曲线
tt = linspace(0, 5, 200)';
yy = p(1)*exp(-p(2)*tt);
plot(t, y, 'o', tt, yy, '-'); legend('数据', '拟合');

运行后应重点观察三件事：exitflag 是否为正；residual 是否呈现随机分布而非系统性偏差；p 是否落在边界内部。若 p 顶在边界上，说明边界可能设得过紧，或模型形式与数据不匹配，需要回到模型节调整，而不是直接接受结果。