MATLAB fmincon函数详解：从非线性规划原理到投资组合优化实战

1. 从一道经典例题切入：非线性规划到底是什么？

如果你学过线性规划，可能会觉得那套方法挺“规矩”的——目标函数和约束条件都是线性的，图形是直线或平面，最优解总在顶点上。但现实世界可没这么“线性”。比如，你想设计一个容积最大的圆柱形易拉罐，在给定表面积（材料成本）的限制下，它的半径和高是多少？这里，容积是半径和高的乘积（非线性），表面积也是半径和高的函数（非线性）。再比如，投资组合优化中，收益可能是风险的二次函数（为了平衡风险与回报），约束条件里可能还有各种非线性的法规限制。这些问题，线性规划就束手无策了，得请出我们今天的主角：非线性规划。

简单说，非线性规划就是研究目标函数或约束条件中至少有一个是非线性函数时的最优化问题。它的数学形式一般长这样：

min f(x) s.t. g_i(x) ≤ 0, i = 1, ..., m h_j(x) = 0, j = 1, ..., p

其中，f(x),g_i(x),h_j(x)中至少有一个是非线性的。x是我们的决策变量向量。min f(x)表示最小化目标函数，s.t.是“subject to”的缩写，代表约束条件。g_i(x) ≤ 0是不等式约束，h_j(x) = 0是等式约束。

非线性规划之所以重要且“难搞”，是因为它的解空间可能非常复杂，不再是单纯的多面体。最优解可能出现在可行域的内部（此时约束可能不起作用，称为内部解），也可能出现在边界上（此时一个或多个约束取等号，称为边界解）。更麻烦的是，目标函数可能有多个“洼地”（局部最优解），我们的任务是找到最深的那个“洼地”（全局最优解），但很多算法容易陷在某个局部洼地里出不来。

为了让大家有个直观感受，我们从一个经典的、结构清晰的例题开始。这个例子将贯穿全文，我会手把手带你用 MATLAB 把它解出来，并在过程中解释每一步背后的原理和考量。

例题：投资组合优化（简化版）假设你有两种资产可供投资：股票A和股票B。你希望分配你的资金（比如1个单位），以最大化你的期望收益，但同时要控制风险。我们用一个非常经典的模型来简化：

• 决策变量：x1投资于股票A的比例，x2投资于股票B的比例。
• 目标函数（最大化期望收益）：f(x) = 0.1*x1 + 0.15*x2。这里假设股票A的期望收益率是10%，股票B是15%。注意，这个目标函数是线性的，但别急，非线性马上就来。
• 风险约束（非线性）： 我们用收益的方差来衡量风险。假设两种股票收益的方差和协方差已知，投资组合的方差（风险）为：Risk = 0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2。我们要求风险不能超过一个阈值，比如 0.1。于是得到第一个非线性不等式约束：0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2 ≤ 0.1。
• 预算约束（线性）： 你的投资比例之和必须为1：x1 + x2 = 1。
• 非负约束（线性）： 投资比例不能为负（不允许做空）：x1 ≥ 0,x2 ≥ 0。

所以，完整的数学模型是：

max 0.1*x1 + 0.15*x2 s.t. 0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2 ≤ 0.1 x1 + x2 = 1 x1 ≥ 0, x2 ≥ 0

这是一个典型的目标函数线性、但包含非线性约束的非线性规划问题。我们最终要找到满足风险要求下，能使收益最大化的x1和x2。

2. 解题工具箱：MATLAB中的fmincon函数详解

面对非线性规划，我们不可能每次都徒手推导解析解（那会非常复杂）。在数学建模和工程实践中，我们高度依赖数值优化工具。MATLAB 的优化工具箱（Optimization Toolbox）提供了强大的求解器，其中fmincon函数是解决中等规模非线性规划问题的“瑞士军刀”。

fmincon这个名字可以拆解为 “Find MINimum of a CONstrained nonlinear multivariable function”，即寻找有约束非线性多元函数的最小值。记住，MATLAB 的优化函数默认都是最小化目标函数。如果你的问题是最大化（比如我们的例题），只需要将目标函数乘以 -1 即可。

2.1fmincon的基本调用语法

最完整的调用形式如下：

[x, fval, exitflag, output, lambda, grad, hessian] = fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options)

看起来参数很多，别怕，我们一个个拆解，大部分在实际应用中并不需要同时使用。

• 输出参数：

  • x：求解得到的最优决策变量值。
  • fval：在最优解x处的目标函数值。注意：对于最大化问题，这是-1 * 原始目标函数在x处的值。
  • exitflag：算法终止原因的整数代码。这是最重要的诊断信息之一！正数通常表示成功（例如，1 表示一阶最优性条件满足），0 表示达到最大迭代次数或函数计算次数，负数表示求解失败（例如，-2 表示找不到可行解）。
  • output：一个结构体，包含优化过程的详细信息，如迭代次数、函数计算次数、算法类型、一阶最优性度量等。
  • lambda：在最优解处的拉格朗日乘子（Lagrange multipliers）结构体。lambda.ineqlin对应线性不等式约束，lambda.eqlin对应线性等式约束，lambda.ineqnonlin对应非线性不等式约束，lambda.eqnonlin对应非线性等式约束。乘子的大小可以解释约束的“紧度”或“价值”。
  • grad：在最优解处目标函数的梯度（可选输出）。
  • hessian：在最优解处目标函数的黑塞矩阵（Hessian，可选输出）。

• 输入参数：

  • fun：目标函数句柄。一个 MATLAB 函数文件或匿名函数，输入是决策变量向量x，输出是标量目标函数值f。
  • x0：初始猜测点。这是非线性规划求解的起点，非常重要！不同的起点可能导致算法收敛到不同的局部最优解。
  • A, b：定义线性不等式约束A*x ≤ b。如果没有，用空数组[]代替。
  • Aeq, beq：定义线性等式约束Aeq*x = beq。如果没有，用空数组[]代替。
  • lb, ub：定义决策变量的下界和上界（lb ≤ x ≤ ub）。如果没有，用空数组[]代替。
  • nonlcon：非线性约束函数句柄。一个 MATLAB 函数，输入x，输出两个向量：非线性不等式约束c(x) ≤ 0和非线性等式约束ceq(x) = 0。这里必须写成 ≤0 和 =0 的形式！
  • options：优化选项结构体，用于设置算法参数，如最大迭代次数、函数容差、显示输出等。通常用optimoptions('fmincon', ...)来创建。

2.2 算法选择：fmincon的四种内功心法

fmincon内置了多种算法，通过options中的'Algorithm'选项指定。选择合适的算法对求解效率和成功率至关重要。

1. 'interior-point'（内点法，默认算法）：

   • 原理：通过在可行域内部构造一条路径逼近最优解。它会在目标函数中加入一个“障碍函数”来惩罚接近边界的点，随着迭代，障碍的影响逐渐减小，路径最终收敛到边界上的最优解（如果存在的话）。
   • 优点：对于大规模问题（变量和约束多）通常很有效，尤其擅长处理不等式约束。它通常能很好地从可行域内部开始搜索。
   • 缺点：对于某些非凸问题，可能不如基于梯度的算法精确。
   • 适用场景：大多数中大规模、包含不等式约束的问题的默认选择。

2. 'sqp'（序列二次规划法）：

   • 原理：在每一步迭代，它用二次函数近似目标函数，用线性函数近似约束，从而构造一个二次规划子问题。求解这个子问题得到搜索方向，然后沿此方向进行线搜索。
   • 优点：通常能提供非常高的精度，尤其对于光滑函数。它通常能很好地处理等式约束和活跃的不等式约束。
   • 缺点：对于大规模问题，计算每个子问题的成本可能较高。
   • 适用场景：中小规模、需要高精度解的问题，特别是等式约束较多的问题。

3. 'active-set'（有效集法）：

   • 原理：它猜测哪些不等式约束在最优解处是“活跃的”（即取等号），然后只把这些约束当作等式约束来处理，在由这些活跃约束定义的“面”上进行搜索。如果猜测错了，就调整活跃集。
   • 优点：对于中小规模问题，特别是解位于许多约束边界的情况，可能很有效。
   • 缺点：对于大规模问题，维护和更新活跃集的成本很高。
   • 适用场景：传统算法，现在更多被'interior-point'和'sqp'取代，但在某些特定问题中仍有价值。

4. 'trust-region-reflective'（信赖域反射法）：

   • 原理：在每一步，它在当前点的一个可信赖区域内，用较简单的模型（如二次模型）近似原问题，然后在这个小区域内求解子问题。它要求目标函数能提供梯度信息。
   • 优点：对于大规模无约束或边界约束问题，以及某些特殊的线性等式约束问题非常高效。
   • 缺点：不能处理一般的非线性约束。只能处理边界约束（lb, ub）和线性等式约束（Aeq, beq）。
   • 适用场景：大规模、目标函数可求导、只有边界或线性等式约束的问题。

选择建议：对于初学者和大多数建模问题，直接使用默认的'interior-point'算法即可。如果求解失败或精度不够，可以尝试切换到'sqp'算法。如果问题只有边界约束，可以尝试'trust-region-reflective'。

3. 手把手实现：例题的MATLAB代码与逐行解析

现在，我们回到最初的例题，用 MATLAB 和fmincon来求解。我会把代码分成几个部分，并详细解释每一行。

3.1 第一步：定义目标函数

我们的原始问题是最大化0.1*x1 + 0.15*x2。由于fmincon默认最小化，我们需要将其转换为最小化-1*(0.1*x1 + 0.15*x2)。

我们可以使用匿名函数来简洁地定义：

% 定义目标函数（注意：fmincon求解最小值，所以最大化问题要加负号） objective = @(x) - (0.1*x(1) + 0.15*x(2));

这里，@(x)创建了一个匿名函数，输入变量是x，x(1)对应x1，x(2)对应x2。函数体计算-(0.1*x1 + 0.15*x2)。

3.2 第二步：定义线性约束

我们的线性约束包括一个等式约束和两个不等式约束（非负约束）。

• 等式约束：x1 + x2 = 1。对应Aeq * x = beq，其中Aeq = [1, 1],beq = 1。
• 不等式约束（非负）：x1 ≥ 0,x2 ≥ 0。这属于变量的下界约束，我们用lb参数处理会更方便。所以这里A和b为空。
• 变量下界：lb = [0; 0]。
• 变量上界：没有明确上界，设为空[]。

% 线性等式约束 Aeq * x = beq Aeq = [1, 1]; beq = 1; % 线性不等式约束 A * x <= b （本例中没有，用空数组） A = []; b = []; % 变量的下界和上界 lb = [0; 0]; % x1 >= 0, x2 >= 0 ub = []; % 无上界

3.3 第三步：定义非线性约束

这是关键的一步。非线性约束函数需要单独写成一个函数文件或嵌套函数。它必须返回两个输出：c和ceq，分别表示非线性不等式约束c(x) ≤ 0和非线性等式约束ceq(x) = 0。

我们的风险约束是：0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2 ≤ 0.1。 为了符合c(x) ≤ 0的形式，我们将其改写为：0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2 - 0.1 ≤ 0。 本例中没有非线性等式约束，所以ceq返回空数组[]。

我们创建一个独立的函数文件nonlinear_constraints.m：

function [c, ceq] = nonlinear_constraints(x) % 非线性不等式约束 c(x) <= 0 % 风险约束: 0.2*x1^2 + 0.1*x2^2 + 0.05*x1*x2 <= 0.1 c = 0.2*x(1)^2 + 0.1*x(2)^2 + 0.05*x(1)*x(2) - 0.1; % 非线性等式约束 ceq(x) = 0 （本例中没有） ceq = []; end

或者，如果你希望所有代码在一个脚本里，可以使用嵌套函数或函数句柄。这里展示函数句柄的写法（更简洁）：

% 使用函数句柄定义非线性约束 nonlcon = @(x) deal(0.2*x(1)^2 + 0.1*x(2)^2 + 0.05*x(1)*x(2) - 0.1, []);

deal函数将两个输出分别赋给c和ceq。第一个参数是c，第二个是ceq。

3.4 第四步：设置初始点与选项，并调用fmincon

初始点x0的选择很重要。它应该在可行域内或附近，以帮助算法更快收敛。对于本例，一个简单的选择是等额投资：x0 = [0.5; 0.5]。我们也可以设置一些优化选项，比如显示迭代过程。

% 初始猜测点 (必须在可行域内或附近) x0 = [0.5; 0.5]; % 假设初始投资各一半 % 设置优化选项（可选，但推荐） options = optimoptions('fmincon', ... 'Display', 'iter', ... % 显示每次迭代的信息 'Algorithm', 'interior-point'); % 选择算法，默认就是它，这里显式指定 % 调用 fmincon 求解 [x_opt, fval_opt, exitflag, output] = fmincon(objective, x0, A, b, Aeq, beq, lb, ub, nonlcon, options);

3.5 第五步：结果解读与后处理

求解完成后，我们需要解读输出。

% 显示最优解和最优值 fprintf('最优投资比例：\n'); fprintf(' 股票A (x1) = %.4f\n', x_opt(1)); fprintf(' 股票B (x2) = %.4f\n', x_opt(2)); fprintf(' 总投资比例和 = %.4f (应等于1)\n', sum(x_opt)); % 注意：fval_opt 是转换后目标函数（即 -收益）的最小值 % 所以最大收益 = -fval_opt max_return = -fval_opt; fprintf('\n最大期望收益 = %.4f\n', max_return); % 验证约束是否满足 risk = 0.2*x_opt(1)^2 + 0.1*x_opt(2)^2 + 0.05*x_opt(1)*x_opt(2); fprintf('实际组合风险 = %.6f (约束要求 ≤ 0.1)\n', risk); fprintf('风险约束满足情况：%s\n', (risk <= 0.1+1e-6) ? '满足' : '不满足'); % 加一个小容差 % 检查退出标志 fprintf('\n退出标志 exitflag = %d\n', exitflag); if exitflag > 0 fprintf('优化成功收敛。\n'); elseif exitflag == 0 fprintf('达到最大迭代次数或函数计算次数。\n'); else fprintf('优化未成功。\n'); end % 查看输出信息 fprintf('迭代次数：%d\n', output.iterations); fprintf('函数计算次数：%d\n', output.funcCount);

运行这段完整的代码，你可能会得到类似如下的输出（具体数值可能因算法和版本略有差异）：

Iter Func-count Fval Feasibility Step Length Norm of First-order optimality 0 3 -0.125000 0.000000e+00 1.000e+00 0.000e+00 1.250e-01 1 6 -0.136364 0.000000e+00 1.000e+00 2.500e-01 1.136e-01 2 9 -0.137931 0.000000e+00 1.000e+00 6.250e-02 1.034e-01 3 12 -0.138889 0.000000e+00 1.000e+00 1.562e-02 9.722e-02 ... (更多迭代) 8 27 -0.139241 0.000000e+00 1.000e+00 9.537e-07 9.537e-07 优化已终止: 一阶最优性度量小于 options.OptimalityTolerance， 并且约束违反值小于 options.ConstraintTolerance。 最优投资比例： 股票A (x1) = 0.4483 股票B (x2) = 0.5517 总投资比例和 = 1.0000 (应等于1) 最大期望收益 = 0.1392 实际组合风险 = 0.100000 (约束要求 ≤ 0.1) 风险约束满足情况：满足 退出标志 exitflag = 1 优化成功收敛。 迭代次数：8 函数计算次数：27

结果分析：

1. 最优解：x1 ≈ 0.4483,x2 ≈ 0.5517。这意味着在风险控制下，应将约44.83%的资金投入股票A，55.17%投入收益更高的股票B。
2. 最大收益：0.1392，即13.92%，介于股票A的10%和股票B的15%之间，符合预期。
3. 约束验证：风险恰好等于0.1，说明风险约束是“活跃的”（在最优解处取等号），它有效地限制了我们对高收益但高风险资产B的过度配置。预算约束也严格满足。
4. 算法状态：exitflag=1表示成功收敛，一阶最优性条件得到满足。迭代了8次，计算了27次目标/约束函数，效率很高。

4. 避坑指南与实战经验：为什么我的fmincon跑不出结果？

在实际使用中，你可能会遇到fmincon报错、不收敛、或者结果明显不合理的情况。下面我总结了一些最常见的“坑”及其解决办法。

4.1 初始点x0的选择：一个好的开始是成功的一半

fmincon对初始点非常敏感，尤其是对于非凸问题（有多个局部最优解）。

• 问题：如果x0离可行域太远，或者导致初始约束违反严重，算法可能一开始就失败。
• 对策：
  1. 物理意义法：根据问题的实际背景，给出一个合理的猜测。比如投资问题用均匀分配，工程设计问题用经验值。
  2. 随机初始化+多次尝试：对于复杂问题，可以在可行域内（或大致范围内）随机生成多个初始点，分别运行fmincon，然后选择目标函数值最好的那个解。

     best_x = []; best_fval = inf; num_trials = 20; for i = 1:num_trials x0_rand = rand(2,1); % 生成[0,1]随机数 x0_rand = x0_rand / sum(x0_rand); % 归一化以满足等式约束 [x_temp, fval_temp] = fmincon(objective, x0_rand, A, b, Aeq, beq, lb, ub, nonlcon); if fval_temp < best_fval best_fval = fval_temp; best_x = x_temp; end end

  3. 可行性优先：如果找不到明显可行的点，可以先用一个简单的优化问题（比如最小化约束违反度）来找到一个可行的初始点。

4.2 非线性约束函数的定义：格式错误是万恶之源

这是新手最容易出错的地方。

• 坑1：不等式和等式的顺序。函数必须返回[c, ceq]，c对应c(x) ≤ 0，ceq对应ceq(x) = 0。顺序反了，约束意义就全错了。
• 坑2：约束方向。必须写成≤0和=0的形式。如果你的约束是g(x) ≥ 0，需要转化为-g(x) ≤ 0。
• 坑3：向量化输出。即使只有一个非线性约束，c和ceq也必须是列向量。例如，有两个非线性不等式c1(x)≤0和c2(x)≤0，应该写成c = [c1(x); c2(x)]。
• 坑4：函数未在路径中。如果使用独立的.m文件定义非线性约束函数，确保该文件保存在当前工作目录或 MATLAB 搜索路径中。

检查清单：在调用fmincon前，用初始点x0手动调用一次你的非线性约束函数，检查输出是否符合预期。

[c0, ceq0] = nonlcon(x0); disp('初始点处的非线性不等式约束值 c(x0):'); disp(c0); disp('初始点处的非线性等式约束值 ceq(x0):'); disp(ceq0);

确保c0的各分量 ≤ 0（或接近0），ceq0的各分量 = 0（或接近0）。如果c0有正的大数，说明初始点严重违反约束。

4.3 算法不收敛与参数调优：给fmincon一点耐心和指导

有时算法会因达到最大迭代次数而停止（exitflag=0），或者根本找不到可行解（exitflag=-2）。

• 对策1：调整options。

  options = optimoptions('fmincon', ... 'Display', 'iter-detailed', ... % 显示更详细的迭代信息 'MaxIterations', 1000, ... % 增加最大迭代次数（默认通常是400） 'MaxFunctionEvaluations', 3000, ... % 增加最大函数计算次数 'OptimalityTolerance', 1e-8, ... % 收紧一阶最优性容差，要求更高精度 'ConstraintTolerance', 1e-8, ... % 收紧约束违反容差 'StepTolerance', 1e-10); % 收紧步长容差

  'iter-detailed'显示模式能帮你看到每次迭代的目标值、约束违反度和一阶最优性度量，是诊断问题的利器。如果看到目标值很久不下降，或者约束违反度降不下来，可能就是问题本身或初始点有问题。

• 对策2：尝试不同算法。如果'interior-point'失败了，切换到'sqp'试试。

  options = optimoptions('fmincon', 'Algorithm', 'sqp', 'Display', 'iter');

• 对策3：提供解析导数（梯度、雅可比矩阵）。默认情况下，fmincon用有限差分法数值估算导数，这既慢又不准。如果你能为目标函数和非线性约束提供解析导数，能极大提升速度、精度和稳定性。

  • 通过options设置'SpecifyObjectiveGradient'为true，并让目标函数返回两个输出[f, gradf]。
  • 设置'SpecifyConstraintGradient'为true，并让非线性约束函数返回四个输出[c, ceq, gradc, gradceq]。 这需要一定的数学推导，但对于复杂问题，收益巨大。

4.4 问题尺度与数值稳定性：别让计算机算“糊涂”了

如果决策变量的数量级相差巨大（比如x1在 1e6 级别，x2在 1e-3 级别），或者目标函数的数值非常大/小，都会导致数值计算困难，出现“病态”问题。

• 对策：尺度缩放。尽量通过变量代换，让所有决策变量都在O(1)的数量级附近。例如，如果x1代表以米为单位的长度，范围是几千，可以令x1_scaled = x1 / 1000，将单位变为千米。在模型中相应地调整目标函数和约束系数。求解出x_scaled后，再变换回原始变量x。

4.5 全局最优与局部最优：跳出“洼地”

fmincon找到的通常是局部最优解。对于非凸问题，这可能不是全局最优。

• 对策1：多起点优化。如前所述，从多个随机初始点出发求解，取最好的结果。这是最实用、最常用的方法。
• 对策2：使用全局优化算法。对于确实难以找到全局最优的问题，可以考虑 MATLAB 的全局优化工具箱中的函数，如GlobalSearch或MultiStart。它们会在fmincon的基础上，自动进行多起点搜索。

  problem = createOptimProblem('fmincon', 'objective', objective, 'x0', x0, ... 'Aeq', Aeq, 'beq', beq, 'lb', lb, 'ub', ub, 'nonlcon', nonlcon); gs = GlobalSearch; [x_global, fval_global] = run(gs, problem);

  这相当于一个更系统、更智能的“多起点”方法。

5. 举一反三：非线性规划建模的常见类型与扩展

掌握了基本解法后，我们来看看非线性规划在数学建模中还有哪些常见形态和扩展思路。

5.1 无约束优化：fminunc与fminsearch

如果问题没有约束，就是无约束非线性优化。MATLAB 提供了专门的函数：

• fminunc：适用于光滑函数，可以使用梯度信息。用法与fmincon类似，但不需要约束参数。
• fminsearch：使用 Nelder-Mead 单纯形法，不需要导数信息，适用于非光滑或求导困难的函数，但效率较低，变量不宜过多。

5.2 最小二乘问题：lsqnonlin与lsqcurvefit

当目标函数是若干项的平方和时（例如，曲线拟合问题），就构成了非线性最小二乘问题：min Σ [F_i(x)]^2。

• lsqnonlin：求解非线性最小二乘问题。
• lsqcurvefit：专门用于数据拟合，目标是使模型曲线F(x, xdata)与观测数据ydata的误差平方和最小。

这类问题有特殊的结构，使用这些专用函数通常比通用的fmincon更高效、更稳定。

5.3 多目标优化：帕累托最优解集

现实中很多问题需要同时优化多个相互冲突的目标（如成本最低、性能最好、风险最小）。这没有单一的最优解，而是一组“帕累托最优解”（Pareto optimal solutions），即在不使任何一个目标变差的情况下，无法再改进其他目标。 MATLAB 的全局优化工具箱提供了gamultiobj函数，使用遗传算法来求解多目标优化问题，并绘制帕累托前沿（Pareto front）。

5.4 整数/离散变量：混合整数非线性规划

如果部分决策变量必须是整数（如选择设备的台数、路径规划中的节点选择），问题就变成了混合整数非线性规划。这类问题难度急剧上升。MATLAB 的全局优化工具箱提供了ga（遗传算法）和surrogateopt（代理优化）等函数，可以处理这类问题，但它们属于启发式算法，不能保证找到全局最优解。对于特定结构的问题，也可以使用专门的商业求解器如 Gurobi、BARON（通过 MATLAB 接口调用）。

5.5 从例题到实际建模：思想迁移

我们用的投资组合例题是高度简化的。实际中的马科维茨均值-方差模型，目标函数可能是最大化夏普比率（收益/风险），约束可能包括行业配置上限、不允许做空（lb>=0）、最低持仓比例等，形成一个更复杂的非线性规划。但核心建模步骤不变：

1. 定义决策变量：各资产的投资权重。
2. 建立目标函数：最大化收益、最小化风险或最大化风险调整后收益。
3. 确定约束条件：预算约束、风险约束、法规约束等（线性和非线性）。
4. 选择求解器并实现：根据问题规模（资产数量）和约束类型，选用fmincon或其他工具。
5. 结果分析与验证：检查解是否满足所有约束，是否合理，并进行敏感性分析（例如，改变风险上限，观察最优投资组合如何变化）。

这种“定义变量-建立目标与约束-数值求解-分析结果”的框架，是解决绝大多数优化类建模问题的通用心法。无论是设计工程结构、调度生产资源，还是训练机器学习模型（其损失函数最小化本质上也是一个无约束/有约束优化问题），其底层逻辑都是相通的。理解并熟练运用fmincon这样的工具，就等于掌握了一把打开众多实际问题的钥匙。