1. 项目概述：为什么数学建模离不开MATLAB画图？
搞数学建模的朋友，尤其是参加过国赛、美赛或者亚太杯这类竞赛的，应该都深有体会：一个清晰、专业、信息量丰富的图表，往往比十几页的文字描述更有说服力。评委在短时间内审阅大量论文，那些图表精美、逻辑可视化的作品，天然就更容易抓住眼球，拿到印象分。而MATLAB，作为数学建模领域的“瑞士军刀”，其强大的画图功能正是我们实现这一目标的利器。
我见过太多队伍，模型建得不错，算法也实现了，但最后呈现出来的图表要么是默认的蓝线红点，要么布局混乱、标注不清，生生把一篇好论文的档次拉低了不少。这太可惜了。其实，MATLAB的画图系统（尤其是从R2014b版本引入的handle graphics新体系之后）非常强大和灵活，足以支撑从简单的二维曲线到复杂的三维动态可视化几乎所有需求。关键在于，你是否系统地掌握它，并知道如何为数学建模服务。
这篇内容，就是把我这十多年带队、评审以及自己动手做项目中，关于MATLAB画图最核心、最实用的操作和经验，进行一次彻底的梳理和总结。它不是简单的函数罗列，而是围绕“如何在数学建模中高效出图”这个核心目标，从思路、技巧到避坑，给你一套完整的解决方案。无论你是刚接触MATLAB的新手，还是想提升出图质量的老手，这里都有你需要的干货。
2. 核心思路：数学建模图表的设计原则与MATLAB工具选型
在打开MATLAB敲下plot命令之前，我们先要搞清楚：数学建模需要什么样的图？这决定了我们使用工具的深度和方式。
2.1 数学建模图表的四大类型与核心诉求
根据我的经验，数学建模的图表大致可以分为四类，每类都有其特定的MATLAB实现侧重点：
- 趋势展示与关系分析图：这是最常用的一类。比如展示预测模型的结果对比（预测值 vs 实际值）、不同参数下目标函数的变化趋势、时间序列数据的走势等。核心诉求是清晰对比和趋势凸显。常用
plot,scatter,errorbar， 配合双y轴（yyaxis）来展示多变量关系。 - 分布与统计特征图：用于展示数据的分布情况（如正态性检验）、统计指标的对比（如不同方案的平均值、误差）。核心诉求是直观呈现分布形态和统计显著性。常用
histogram,boxplot,bar（条形图）， 以及统计工具箱中的violinplot（需要自己写或找第三方函数）等。 - 空间与结构关系图：常见于几何问题、路径规划、网络分析等赛题。比如展示最优路径、设施选址的空间分布、神经网络或拓扑结构。核心诉求是准确表达空间/逻辑关系。常用
plot（用于连线）、scatter（用于散点，可大小颜色映射）、graph/digraph对象（用于网络图）， 以及patch（用于绘制多边形区域）。 - 动态与交互演示图：用于展示迭代过程（如优化算法的收敛路径）、仿真结果（如微分方程数值解的动态变化）。这类图在论文中通常以关键帧截图或GIF动画形式呈现，在答辩时则是强有力的展示工具。核心诉求是清晰展示过程演变。核心工具是
drawnow更新和getframe捕获帧，最终用imwrite生成GIF或视频。
2.2 基础plot与高级图形系统：知其然更知其所以然
很多同学只停留在plot(x, y)的阶段，一旦需要调整细节就手足无措。这是因为没有理解MATLAB的图形对象层次体系。
核心概念：图形对象句柄（Handle）从R2014b版本开始，MATLAB大力推广基于句柄的图形对象操作。简单说，你画的每一条线、每一个坐标轴、每一个文字标签，都是一个独立的对象，有一个唯一的“句柄”（可以理解为它的身份证号）。通过操作这个句柄，你可以精确控制这个对象的任何属性。
- 旧式（不推荐但需了解）：
set和get函数。例如，set(gca, 'FontSize', 12)设置当前坐标轴字体大小为12。gca就是获取当前坐标轴句柄。 - 新式（推荐，更直观）：点号（.）操作符。这是现在的首选方式，代码更清晰易读。
当你拿到一个图形句柄% 旧式 h = plot(x, y); set(h, 'LineWidth', 2, 'Color', 'r'); % 新式（推荐） h = plot(x, y); h.LineWidth = 2; h.Color = 'r';h，在命令行输入h.然后按Tab键，MATLAB会自动列出所有可以设置的属性，这是学习图形属性的最快方法。
图形对象层次结构：从顶层到底层通常是：Figure（图形窗口） ->Axes（坐标轴） ->Chart/Line/Scatter等（图形对象） ->Text/Legend等（注释对象）。理解这个层次，你就能精准定位要修改的元素。
实操心得：养成“先画草图，再精细调整”的习惯。不要试图在一条
plot命令里用无数个参数把图做到完美。先用最简单的命令把数据画出来，确认图形基本正确，然后再通过句柄操作，像装修房子一样，一步步调整线条、颜色、坐标轴、标签、图例等细节。这样效率最高，也便于调试。
3. 从零到一：构建一幅专业的数学建模图表
让我们以一个经典的数学建模场景为例：比较两种预测模型（比如线性回归和神经网络）在测试集上的表现。我们需要一张包含预测值对比曲线、残差分布和误差指标标注的复合图表。
3.1 数据准备与基础绘图
假设我们已经有了测试集的实际值y_true，以及两个模型的预测值y_pred_lr（线性回归）和y_pred_nn（神经网络）。
% 1. 生成示例数据（实际应用中替换为你的数据） x = 1:100; % 测试样本索引 y_true = 0.02*x + sin(x/10) + randn(1,100)*0.5; % 真实值：带噪声的趋势 y_pred_lr = 0.019*x + 0.5; % 线性回归预测（略有偏差） y_pred_nn = 0.02*x + sin(x/10) + randn(1,100)*0.1; % 神经网络预测（更接近真实） % 2. 创建图形窗口和坐标轴 figure('Position', [100, 100, 1200, 500]); % 设置窗口位置和大小[左， 下， 宽， 高] % 宽图更适合论文排版 % 3. 子图1：预测结果对比 subplot(1, 2, 1); % 1行2列，激活第1个子图 h1 = plot(x, y_true, 'k-', 'LineWidth', 1.5, 'DisplayName', '真实值'); hold on; % 保持当前图形，以便叠加绘制 h2 = plot(x, y_pred_lr, 'b--', 'LineWidth', 1.2, 'DisplayName', '线性回归'); h3 = plot(x, y_pred_nn, 'r:', 'LineWidth', 1.2, 'DisplayName', '神经网络'); hold off; % 4. 初步美化子图1 grid on; % 显示网格 box on; % 显示边框 xlabel('测试样本序号'); ylabel('目标值'); title('模型预测结果对比'); legend('Location', 'best'); % 添加图例，自动选择最佳位置这段代码已经能生成一张可看的对比图，但离“专业”还有距离。颜色是默认的，线型可能打印出来不清晰，字体大小也不适合嵌入论文。
3.2 深度美化：让图表会“说话”
美化不是炫技，是为了更有效地传递信息。以下操作通过句柄完成。
% 接上一段代码 % 5. 通过句柄深度美化子图1 % 5.1 设置坐标轴属性 ax1 = gca; % 获取当前坐标轴（子图1）的句柄 ax1.FontName = 'Times New Roman'; % 论文常用字体 ax1.FontSize = 11; ax1.LineWidth = 1; % 坐标轴线宽 ax1.TickDir = 'out'; % 刻度朝外，更清晰 % 5.2 设置线条属性（更精细的控制） h1.LineWidth = 2; % 加粗真实值线条，突出主体 h2.LineWidth = 1.5; h3.LineWidth = 1.5; % 确保线型在黑白打印时也能区分 h2.LineStyle = '--'; % 虚线 h3.LineStyle = ':'; % 点线 % 使用Color属性指定更醒目的颜色（RGB三元组） h1.Color = [0, 0, 0]; % 黑色 h2.Color = [0, 0.4470, 0.7410]; % MATLAB经典蓝 h3.Color = [0.8500, 0.3250, 0.0980]; % MATLAB经典橙红 % 5.3 添加关键标注（例如，标注最大误差点） [~, idx_max_err_lr] = max(abs(y_pred_lr - y_true)); text(x(idx_max_err_lr), y_pred_lr(idx_max_err_lr), ... sprintf(' LR Max Err'), ... 'VerticalAlignment', 'bottom', 'HorizontalAlignment', 'right', ... 'FontSize', 9, 'Color', h2.Color); % 6. 子图2：残差分布直方图 subplot(1, 2, 2); residual_lr = y_pred_lr - y_true; residual_nn = y_pred_nn - y_true; % 使用histogram，并归一化以便比较分布形状 histogram(residual_lr, 'FaceColor', h2.Color, 'FaceAlpha', 0.6, 'EdgeColor', 'none', 'Normalization', 'pdf'); hold on; histogram(residual_nn, 'FaceColor', h3.Color, 'FaceAlpha', 0.6, 'EdgeColor', 'none', 'Normalization', 'pdf'); hold off; % 7. 美化子图2 ax2 = gca; ax2.FontName = 'Times New Roman'; ax2.FontSize = 11; xlabel('残差'); ylabel('概率密度'); title('预测残差分布对比'); grid on; box on; legend({'线性回归', '神经网络'}, 'Location', 'northwest'); % 8. 在图形上添加整体文本注释（如误差指标） % 计算均方根误差（RMSE）和平均绝对误差（MAE） rmse_lr = sqrt(mean(residual_lr.^2)); rmse_nn = sqrt(mean(residual_nn.^2)); mae_lr = mean(abs(residual_lr)); mae_nn = mean(abs(residual_nr)); annotation_text = sprintf('RMSE: LR=%.3f, NN=%.3f\\nMAE: LR=%.3f, NN=%.3f', ... rmse_lr, rmse_nn, mae_lr, mae_nn); annotation('textbox', [0.15, 0.02, 0.7, 0.05], ... 'String', annotation_text, ... 'FitBoxToText', 'on', ... 'BackgroundColor', 'w', ... 'EdgeColor', 'k', ... 'FontName', 'Times New Roman', ... 'FontSize', 10, ... 'HorizontalAlignment', 'center');现在，这张图包含了对比曲线、分布分析和量化指标，信息密度高，且格式规范，可以直接放入论文。
注意事项：关于颜色。MATLAB默认的颜色循环（
parula,lines等）在屏幕上好看，但打印成黑白或经过复印后可能无法区分。对于论文中至关重要的对比图，建议：
- 线型差异化：实线、虚线、点划线、点线组合使用。
- 符号差异化：在数据点稀疏时，使用
'o','s','^','d'等不同标记。- 灰度差异化：如果必须黑白，使用不同灰度的线条，如
[0,0,0]（黑）、[0.5,0.5,0.5]（深灰）、[0.7,0.7,0.7]（浅灰）。
4. 高级技巧与场景化应用
掌握了基础美化，我们来看看数学建模中几个棘手场景的解决方案。
4.1 多y轴图：关联不同量纲的变量
在分析“温度对销量和能耗的影响”这类问题时，两个y轴是刚需。MATLAB的yyaxis函数让这变得简单。
figure; x = 1:24; % 24小时 temperature = 15 + 10*sin(2*pi*(x-6)/24); % 模拟温度变化 sales = 100 + 50*sin(2*pi*(x-12)/24 + pi/4); % 模拟销量，相位不同 energy_cost = 200 - 10*temperature + randn(1,24)*5; % 模拟能耗成本 yyaxis left; % 激活左侧y轴 h1 = plot(x, temperature, 'b-o', 'LineWidth', 1.5, 'MarkerFaceColor', 'b'); ylabel('温度 (°C)', 'Color', 'b'); ax = gca; ax.YColor = 'b'; % 设置左侧y轴颜色为蓝色 yyaxis right; % 激活右侧y轴 h2 = plot(x, sales, 'r-s', 'LineWidth', 1.5, 'MarkerFaceColor', 'r'); hold on; h3 = plot(x, energy_cost, 'g-^', 'LineWidth', 1.5, 'MarkerFaceColor', 'g'); hold off; ylabel('销量 / 成本', 'Color', 'k'); % 右侧y轴标签颜色 ax.YAxis(2).Color = 'k'; % 新式语法设置右侧y轴颜色 xlabel('时间 (小时)'); title('温度、销量与能耗成本关系'); legend([h1, h2, h3], {'温度', '销量', '能耗成本'}, 'Location', 'northeast'); grid on;4.2 三维曲面与等高线图：展示二元函数与地形
对于优化问题中的目标函数，或者地理信息相关的赛题，三维图非常直观。
% 绘制函数 z = sin(sqrt(x^2+y^2)) / sqrt(x^2+y^2) 的曲面和等高线 figure('Position', [100 100 1400 500]); % 子图1：三维曲面 subplot(1,2,1); [X, Y] = meshgrid(-8:0.5:8, -8:0.5:8); R = sqrt(X.^2 + Y.^2); Z = sin(R) ./ R; Z(R==0) = 1; % 处理R=0处的奇异点 surf(X, Y, Z, 'EdgeColor', 'none', 'FaceAlpha', 0.9); colormap('jet'); % 使用jet色图 colorbar; % 显示颜色条 xlabel('X'); ylabel('Y'); zlabel('Z'); title('三维曲面图 (sinc函数)'); view(30, 30); % 设置视角（方位角， 仰角） light; lighting gouraud; % 添加光照，使曲面更立体 % 子图2：等高线图 subplot(1,2,2); contourf(X, Y, Z, 20, 'LineColor', 'none'); % 填充等高线，20条等高线 colormap('jet'); colorbar; xlabel('X'); ylabel('Y'); title('填充等高线图'); % 在等高线上添加数值标签 [C, h] = contour(X, Y, Z, 10, 'k-'); % 绘制黑色等高线 clabel(C, h, 'FontSize', 8, 'Color', 'k'); % 标注等高线值 grid on;4.3 动态图与GIF生成：展示迭代过程
动态图能生动展示算法（如梯度下降、粒子群优化）的搜索过程，是答辩时的加分项。
% 示例：展示梯度下降法寻找 Rosenbrock 函数最小值的路径 % Rosenbrock函数: f(x,y) = (1-x)^2 + 100*(y-x^2)^2 % 1. 准备背景等高线 [X, Y] = meshgrid(-2:0.05:2, -1:0.05:3); Z = (1-X).^2 + 100*(Y - X.^2).^2; figure; contour(X, Y, log(Z+1), 30); % 对Z取对数便于观察 colormap('gray'); hold on; xlabel('x'); ylabel('y'); title('梯度下降法优化路径'); % 2. 梯度下降迭代 x0 = [-1.5, 2]; % 初始点 learning_rate = 0.001; max_iter = 500; path = zeros(max_iter, 2); path(1, :) = x0; x = x0; for i = 2:max_iter % 计算梯度 (这里使用解析解，实际复杂函数可用数值梯度) grad_x = -2*(1-x(1)) - 400*x(1)*(x(2)-x(1)^2); grad_y = 200*(x(2)-x(1)^2); grad = [grad_x, grad_y]; % 更新位置 x = x - learning_rate * grad; path(i, :) = x; % 实时绘制当前点 h_point = plot(x(1), x(2), 'ro', 'MarkerSize', 8, 'MarkerFaceColor', 'r'); % 绘制从上一个点到当前点的路径 if i > 1 plot([path(i-1,1), x(1)], [path(i-1,2), x(2)], 'r-', 'LineWidth', 1.5); end % 更新图形并捕获帧（用于生成GIF） drawnow; frame = getframe(gcf); [im, cmap] = rgb2ind(frame.cdata, 256); % 写入GIF文件 if i == 2 imwrite(im, cmap, 'gradient_descent.gif', 'gif', 'Loopcount', inf, 'DelayTime', 0.05); else imwrite(im, cmap, 'gradient_descent.gif', 'gif', 'WriteMode', 'append', 'DelayTime', 0.05); end % 删除当前点标记，为下一帧准备（可选，产生动态移动效果） delete(h_point); % 简单收敛判断 if norm(grad) < 1e-3 break; end end % 3. 绘制最终路径和最优解 plot(path(1:i, 1), path(1:i, 2), 'b-', 'LineWidth', 1.5); % 最终路径 plot(1, 1, 'gp', 'MarkerSize', 15, 'MarkerFaceColor', 'g'); % 标记真实最优点(1,1) legend('等高线', '优化路径', '全局最优点'); hold off;运行这段代码，你不仅能看到动态优化过程，还会在工作目录下得到一个gradient_descent.gif动画文件，可以直接插入论文或PPT。
5. 论文出版级图表导出与排版
图画好了，怎么放到论文里才能保持高清和风格统一？这是最后也是最关键的一步。
5.1 导出设置：矢量图 vs 位图
- 矢量图（推荐用于论文）：如PDF、EPS、SVG格式。无限放大不失真，线条和文字边缘锐利，文件体积相对较小。是学术出版的首选。
% 导出当前Figure为PDF矢量图 print('-dpdf', '-r600', '-bestfit', 'my_figure.pdf'); % -dpdf: 指定PDF格式 % -r600: 设置分辨率（对矢量图此参数影响嵌入的位图元素，如透明度混合后的区域） % -bestfit: 使图形适应页面 - 高分辨率位图：如PNG、TIFF格式。当图形包含复杂的透明度混合、大量散点或曲面时，导出矢量图可能文件巨大或显示异常，此时可选择高分辨率位图。
% 导出为300 dpi的PNG图 exportgraphics(gcf, 'my_figure.png', 'Resolution', 300); % exportgraphics是R2020a引入的新函数，比print更简单直观，支持背景透明等 % 'Resolution' 单位是DPI
5.2 统一风格与批量处理
一篇论文通常有多张图表，保持它们风格一致（字体、线宽、尺寸）非常重要。
方法一：使用set函数预设（适用于旧版本或脚本）
% 在脚本开头定义一组“全局”样式 set(0, 'DefaultAxesFontName', 'Times New Roman'); set(0, 'DefaultAxesFontSize', 11); set(0, 'DefaultTextFontName', 'Times New Roman'); set(0, 'DefaultTextFontSize', 11); set(0, 'DefaultLineLineWidth', 1.5); % 此后创建的所有图形都会继承这些默认设置方法二：创建并应用图形模板（更灵活）你可以创建一个myFigureStyle.m函数，用来初始化一个符合你要求的图形窗口。
function fig = myFigureStyle(widthRatio, heightRatio) % widthRatio, heightRatio: 相对于默认大小的比例 if nargin < 2 widthRatio = 1.2; heightRatio = 0.8; end screenSize = get(groot, 'ScreenSize'); defaultWidth = screenSize(3) * 0.6; defaultHeight = screenSize(4) * 0.6; fig = figure('Position', [100, 100, defaultWidth*widthRatio, defaultHeight*heightRatio]); ax = axes('Parent', fig); ax.FontName = 'Times New Roman'; ax.FontSize = 11; ax.Box = 'on'; ax.LineWidth = 1; grid(ax, 'on'); hold(ax, 'on'); % ... 可以设置更多默认属性 end然后在每个画图脚本中，首先调用fig = myFigureStyle();来获得一个风格统一的画布。
5.3 常见导出问题与排查
导出的PDF文字是位图（模糊）：这通常是因为图形中使用了非标准字体或特殊渲染（如透明度）。尝试：
- 使用系统标准字体（Times New Roman, Arial, Helvetica）。
- 避免使用
alpha函数设置面片透明度，改用颜色本身的FaceAlpha属性。 - 使用
print命令时，尝试-painters渲染器（print('-dpdf', '-painters', 'figure.pdf')），它对矢量支持最好，但可能无法处理极复杂的图形。
图形尺寸或边距不合适：在导出前，使用
exportgraphics的'ContentType'和'BackgroundColor'参数进行微调，或者使用print的-fillpage或-bestfit选项。更精细的控制可以使用Figure的PaperPosition属性。中文标签导出乱码：如果图形中必须有中文，确保使用支持中文的字体（如系统自带的），并在导出为PDF时，将字体嵌入。使用
exportgraphics通常能更好地处理字体嵌入。
终极心得：在论文提交前，务必将导出的图片插入到一个空白的Word或LaTeX文档中，实际查看打印预览效果。在屏幕上看起来合适的线宽和字体大小，打印出来可能会显得太细或太小。我通常会将默认线宽从1.5增加到2，坐标轴字体从11增加到12，以确保打印后的可读性。
画图是数学建模成果展示的最后一道工序，也是将你的辛苦工作转化为说服力的关键一步。花时间打磨图表，绝对是一笔划算的投资。从理解图形对象体系开始，到有目的地设计图表类型，再到精细化美化和正确导出，每一步都藏着让作品脱颖而出的细节。希望这些从实战中总结出来的操作和技巧，能帮你更高效地驾驭MATLAB这把利器，在下次竞赛或项目中，画出既专业又出彩的图表。
