简介：这份资源面向参加数学建模竞赛的学生与需要求解离散优化问题的学习者，聚焦0-1型整数线性规划这一线性规划特例，帮助读者在MATLAB环境中完成从模型抽象到数值求解的完整流程。包内共6个文件，以m脚本与asv自动备份文件为主，压缩包约3KB，脚本涉及0-1型整数规划的建模与求解示例，备份文件则保留了编辑过程中的中间版本，便于对照理解代码演进。已有4347人学习下载，说明其在赛前准备与课堂练习中具有一定参考价值。读者可从中获得intlinprog函数的调用范式、目标函数系数与不等式/等式约束的矩阵组织方式，以及整数变量索引、上下界设定等关键参数的配置思路，并借此体会初始点选择、约束校验、精度调整与剪枝策略对求解效率的影响，从而在有限时间内搭建可复用的求解框架。
1. 0-1型整数线性规划：一个开关决定一件事做不做
你有没有遇到过这种纠结：手头预算就那么多，几个项目看着都不错，到底选哪几个？或者排班时每个人只能上一班，怎么安排才最省成本？这类“做还是不做”“选还是不选”的决策，在数学建模里有个非常贴切的名字——0-1型整数线性规划。名字听着唬人，拆开看其实很朴素：0和1代表“不做”和“做”，整数代表结果不能是半个，线性规划代表约束和目标都是一次方的加减关系。它之所以值得搞懂，是因为现实里大量资源分配问题，本质都是在一堆“要不要”的开关之间找最优组合。而用 MATLAB 来解这类问题，恰好能把建模思路和求解工具串成一条线，是数学建模里性价比很高的一块内容。
2. 为什么偏偏是0和1：离散决策的数学表达
2.1 从“连续”到“离散”的那道坎
普通的线性规划，变量可以取任意实数。比如生产多少吨钢材、分配多少小时工时，答案是 3.7 吨、2.5 小时都合理。但很多决策天然是离散的：一个项目要么上要么不上，一台机器要么开要么关，一个人要么排早班要么排晚班。你没法“上 0.6 个项目”，也没法“开 0.3 台机器”。这时候如果还让变量取小数，解出来的结果在现实中根本没法执行。
0-1型整数线性规划就是给这类决策量身定做的表达方式。它把每个“要不要”的决策压缩成一个变量，取值只能是 0 或 1。0 表示不选、不做、不开；1 表示选、做、开。多个这样的变量组合起来，就能描述一整套选择方案。打个比方，这就像一排电灯开关，每个开关只有开和关两个状态，你要在满足用电限制的前提下，让亮着的灯带来的总收益最大。
这种表达的好处是，模型和现实之间几乎没有翻译损耗。你写下的每一个变量，对应现实里一个明确的动作；你写下的每一条约束，对应现实里一条明确的规则。建模时不容易跑偏，求解后也容易解释。
2.2 目标函数和约束长什么样
用 MATLAB 的视角看，0-1型整数线性规划的标准形式可以写成：目标函数是一个线性表达式，约束也是一组线性等式或不等式，变量被限定在 0 和 1 之间且取整数。用数学符号说，就是求一组 x 使得 c'x 最小（或最大），同时满足 A·x ≤ b、Aeq·x = beq，且每个 x 只能取 0 或 1。
这里的关键在于“线性”两个字。目标里不能出现 x 的平方，约束里不能出现两个变量相乘。一旦出现非线性项，就不属于这个模型的范畴了。很多初学者建模时不小心写出 x1 乘以 x2 这样的约束，求解器会直接报错或者给出莫名其妙的结果，这是后面要专门说的坑。
在 MATLAB 里，这类问题通常交给 intlinprog 这个函数处理。它的调用方式大致是给定目标系数向量、整数变量的下标、不等式约束矩阵和向量、等式约束矩阵和向量、变量的上下界。对于 0-1 规划，上下界分别设为 0 和 1，再把所有变量标记为整数变量，模型就完整了。下面是一段示意性的代码，帮助理解参数是怎么摆进去的：
% 目标：最小化 c'*x，这里 c 是各决策的代价系数 c = [4; 5; 6; 3]; % 整数变量下标：四个变量全部要求取整数 intcon = [1, 2, 3, 4]; % 不等式约束 A*x <= b，例如总资源不能超过上限 A = [2, 3, 1, 4]; b = 10; % 等式约束留空 Aeq = []; beq = []; % 下界全为0，上界全为1，即0-1变量 lb = zeros(4, 1); ub = ones(4, 1); % 调用求解器 [x, fval] = intlinprog(c, intcon, A, b, Aeq, beq, lb, ub);这段代码里，c 是每个决策的代价，A 和 b 描述资源上限，lb 和 ub 把变量锁死在 0 和 1 之间，intcon 告诉求解器哪些变量必须是整数。求解结果 x 里每个分量非 0 即 1，直接对应“选或不选”。参数改动的空间很大：约束多一条就多一行 A，决策多一个就多一列，上下界也可以针对个别变量单独调整。理解了这个骨架，后面遇到具体问题只是往里填数。
2.3 为什么它比“先算小数再四舍五入”靠谱
有人会想，既然普通线性规划算得快，那我先让它算出小数解，再把接近 1 的取 1、接近 0 的取 0，不就行了？这个想法很自然，但经常翻车。原因在于，四舍五入之后得到的组合，很可能违反原来的约束。比如预算约束刚好卡在边界上，你把某个 0.4 舍成 0、某个 0.6 入成 1，总花费可能就超了。更麻烦的是，你没法保证舍入后的方案是“最优”的，甚至没法保证它是“可行”的。
0-1型整数线性规划的价值就在于，它在整个离散组合空间里系统地搜索，保证找到的解既满足所有约束，又是在这个模型下目标值最好的。代价是计算量比普通线性规划大，因为组合数量会随变量个数指数增长。但对于数学建模里常见的几十个决策变量，现代求解器配合分支定界之类的策略，通常能在可接受的时间内给出结果。这也是为什么建模时更愿意把问题老老实实写成 0-1 模型，而不是事后补救。
3. 建模时最容易踩的几类坑：易混概念与常见误区
3.1 误区一：把“整数规划”和“0-1规划”当成一回事
易混点在于，两者都带“整数”二字，很多人以为只要变量取整数就是 0-1 规划。为什么混？因为教材里常把它们放在同一章讲，名字又挨得近。怎么区分？看变量的取值范围。整数规划的变量可以取 0、1、2、3 等任意整数，比如“安排几个人”可以是 3 个人；而 0-1 规划的变量被严格限制在 0 和 1 两个值，只表达“是或否”。在 MATLAB 里，两者的区别就体现在上下界：整数规划的上界可能是正无穷或某个大数，0-1 规划的上界固定为 1。建模时如果某个决策天然可以取多个整数值，却硬套 0-1 变量，就会把问题写错，解出来的方案也不符合现实。
3.2 误区二：约束里出现变量相乘还以为是线性的
易混点在于，很多现实规则听起来像“如果选 A 就不能选 B”，初学者会直接写成 xA 乘以 xB 等于 0。为什么混？因为这句话的逻辑确实是“两者不能同时为 1”，而乘法恰好能表达这个意思。但一旦写出乘积项，模型就不再是线性的，intlinprog 这类求解器无法直接处理。怎么区分？看表达式里有没有两个决策变量相乘。正确的做法是用线性约束来表达互斥关系，比如 xA + xB ≤ 1，这一条就等价于“最多选一个”。类似地，“选了 A 才能选 B”可以写成 xB ≤ xA。把逻辑关系翻译成加减和不等式，是 0-1 建模的一项基本功，也是区分新手和老手的地方。
3.3 误区三：忘了给变量设上界，解出大于 1 的数
易混点在于，有人只记得把变量标记为整数，却忘了把上界设成 1。为什么混？因为“整数变量”这个说法容易让人以为取整数就够了，忽略了 0-1 规划还需要额外的边界限制。怎么区分？看求解结果里有没有出现 2、3 这样的值。如果出现了，说明上界没锁死。在 MATLAB 里，ub 必须显式设为全 1 的向量，否则求解器只保证整数，不保证不超过 1。这个坑很隐蔽，因为模型可能照样跑出结果，只是结果不符合 0-1 的语义，后面解释方案时就会露馅。
3.4 误区四：目标函数方向搞反，最大最小傻傻分不清
易混点在于，intlinprog 默认求最小化，而很多建模题写的是“收益最大”“利润最高”。为什么混？因为题目描述和目标函数的方向不一定一致，初学者容易直接把收益系数填进去就跑。怎么区分？看求解结果的数值是不是明显不对。如果题目要最大化，而你把收益系数原样放进最小化框架，解出来的往往是“什么都不选”这种极端方案。正确做法是把目标系数取负，求最小化，再把结果的目标值取负回来；或者用求解器支持的最大化参数。这个细节不影响模型结构，但直接影响答案对不对，属于典型的“一失足成千古恨”。
3.5 误区五：把“可行解”当成“最优解”
易混点在于，求解器返回了一个满足约束的 0-1 组合，有人就以为大功告成。为什么混？因为可行和最优是两回事，尤其在约束较多时，可行组合可能有很多个，目标值差别很大。怎么区分？看求解器输出的状态信息和目标值，确认它报告的是最优而不是仅仅可行。建模报告里如果只写“得到一组方案”，而不说明这组方案在目标上的表现，说服力会大打折扣。养成检查求解状态、对比目标值的习惯，能避免把“能跑通”误当成“做对了”。
4. 拿到一个问题，怎么判断该不该用0-1模型
4.1 三个信号帮你快速判断
第一个信号是决策的离散性。如果问题里的核心动作是“选哪些”“安排谁”“开哪台”，而且每个动作只有做和不做两种状态，那 0-1 模型几乎是首选。第二个信号是约束的线性可表达性。如果规则能用加减和不等式说清楚，比如总量不超过上限、每项至少选一个、某些项互斥，那就能落进线性框架。第三个信号是规模可控。决策变量在几十到几百这个量级，现代求解器通常扛得住；如果变量上千且约束复杂，就要考虑求解时间，必要时做简化或分阶段处理。
反过来，如果决策本身是连续的，比如分配多少资金比例、设定多高的温度，硬套 0-1 变量反而会把问题写拧。还有一种情况是目标或约束里天然带非线性关系，比如收益随投入呈平方增长，那也不属于这个模型的适用范围，需要换用其他方法。判断的标准不是“哪个高级用哪个”，而是“哪个贴合问题的真实结构”。
4.2 一个具体例子：预算有限时的项目选择
设想某团队有一笔固定预算，面前有若干候选项目，每个项目需要一定投入、预期带来一定收益，问怎么选才能使总收益最大。这个场景里，每个项目对应一个 0-1 变量，投入和收益都是线性相加，预算上限是一条不等式约束。模型写出来非常干净：目标系数是各项目收益（取负后求最小），约束矩阵是各项目投入，右端是预算总额，变量上下界锁在 0 和 1。用 MATLAB 求解后，结果为 1 的项目就是建议上马的项目。
这个例子的价值在于，它把 0-1 建模的几个要素都串起来了：离散决策、线性目标、线性约束、边界限制。实际建模题往往在此基础上加料，比如项目之间有依赖关系（选了 A 才能选 B）、有互斥关系（A 和 B 不能同时上）、有数量限制（最多选三个）。这些都能用线性约束表达，模型骨架不变，只是约束矩阵多几行。理解了这个骨架，遇到变体就不容易慌。
4.3 什么时候别硬上：边界与替代思路
0-1 模型不是万能的。当决策变量数量很大、约束又错综复杂时，求解时间可能长到不实用，这时候要考虑问题是否真的需要精确最优，还是可以接受启发式方法给出的近似解。另外，如果问题里的不确定性很强，比如收益本身是个随机变量，那单纯的确定性 0-1 模型就不够用，需要引入其他建模范式。还有一种常见情况是，约束里存在明显的非线性逻辑，硬转成线性会引入大量辅助变量，模型变得臃肿难维护，这时要权衡表达清晰度和求解效率。
我的习惯是，每次动手写模型前，先把决策、目标、约束三样东西用大白话列一遍，确认每个决策都能落成 0-1 变量、每条规则都能落成线性式，再打开 MATLAB 填参数。有一次我跳过这一步，直接把一个带互斥条件的排班问题塞进求解器，结果因为约束写成了乘积形式，反复报错，折腾半天才回头补上线性表达。从那以后我每次建模都强制走一遍“白话清单”，确认没有非线性项再动手。希望这些经验能帮你在遇到 0-1 型整数线性规划时，少走一点弯路。这份资料把建模思路和 MATLAB 实现放在一起，适合边看边对照自己的问题往里套。
本文还有配套的精品资源，点击获取
