Matlab解决运输问题：从模型建立到代码实现的完整实战教程（附案例代码）

你有没有遇到过这样的场景？公司有几个工厂生产产品，要运到不同的仓库，每个工厂的产能有限，每个仓库的需求也固定，怎么安排运输路线才能让总运费最低？这就是经典的运输问题啦！作为一个经常和数据打交道的人，我之前一直用Excel的规划求解来做，但数据量大的时候就很慢，而且容易出错。后来发现Matlab解决这个问题简直是神器！今天就来分享一下用Matlab解决运输问题的完整流程，从模型建立到代码实现，保证你一看就懂！

一、什么是运输问题？

运输问题是线性规划的一个经典分支，核心目标就是在满足供需约束的前提下，找到总运输成本最低的方案。举个简单的例子：
假设我们有3个工厂（F1、F2、F3），产能分别是100吨、200吨、150吨；4个仓库（W1、W2、W3、W4），需求分别是120吨、130吨、100吨、100吨。从每个工厂到仓库的单位运费已知（比如F1到W1是5元/吨，F1到W2是6元/吨）。我们的任务就是确定每个工厂运多少货物到每个仓库，让总运费最少，同时不超过工厂产能、满足仓库需求。

二、运输问题的数学模型

要想用Matlab解决问题，得先把问题转化为数学语言。我们设：
- (x_{ij})：从工厂i运到仓库j的货物量（i=1,2,3；j=1,2,3,4）
- (c_{ij})：工厂i到仓库j的单位运费
- (s_i)：工厂i的产能
- (d_j)：仓库j的需求

目标函数（总运费最小）：
[ \min Z = \sum_{i=1}^3 \sum_{j=1}^4 c_{ij} x_{ij} ]

约束条件：
1. 每个工厂运出总量 ≤ 产能（平衡问题中可改为等于，因为不运完会浪费成本）：
[ \sum_{j=1}^4 x_{ij} = s_i \quad (i=1,2,3) ]
2. 每个仓库收到总量 = 需求：
[ \sum_{i=1}^3 x_{ij} = d_j \quad (j=1,2,3,4) ]
3. 运输量非负：
[ x_{ij} ≥ 0 \quad (\forall i,j) ]

三、Matlab实现运输问题的核心步骤

Matlab的linprog函数专门用来解线性规划问题，所以我们要把运输问题转化为linprog能处理的标准形式：
[ \min f^T x \quad \text{s.t.} \quad A_{eq}x = b_{eq}, \quad lb ≤ x ≤ ub ]

这里的关键是把二维的(x_{ij})转化为一维向量，然后构建对应的目标函数系数、约束矩阵等。下面分步骤讲解：

步骤1：定义问题参数

首先，我们把问题中的已知数据输入Matlab：
matlab n_plant = 3; % 工厂数量 n_warehouse = 4; % 仓库数量 s = [100; 200; 150]; % 工厂产能（列向量） d = [120;130;100;100];% 仓库需求（列向量） % 成本矩阵：行=工厂，列=仓库 c = [5,6,7,8; 4,5,6,7; 3,4,5,6];

步骤2：构建目标函数系数f

linprog的目标函数是一维向量(f^T x)，所以我们要把成本矩阵(c)按行展开成一维向量：
matlab f = c(:); % 把矩阵转成列向量（顺序：x11→x12→x13→x14→x21→...→x34）

步骤3：构建等式约束矩阵Aeq和beq

约束矩阵(A_{eq})的行数 = 工厂数 + 仓库数（3+4=7），列数 = 工厂数×仓库数（3×4=12）。
- 前3行：工厂产能约束（每行对应一个工厂，该工厂的所有运输量系数为1）
- 后4行：仓库需求约束（每行对应一个仓库，该仓库的所有运输量系数为1）

代码实现：
```matlab Aeq = zeros(n_plant + n_warehouse, n_plant*n_warehouse);

% 工厂约束：每行对应一个工厂 for i = 1:n_plant start_idx = (i-1)n_warehouse + 1; end_idx = in_warehouse; Aeq(i, start_idx:end_idx) = 1; end

% 仓库约束：每行对应一个仓库 for j = 1:n_warehouse col_idx = j:n_warehouse:(n_plant*n_warehouse); Aeq(n_plant + j, col_idx) = 1; end

% beq：产能+需求（列向量） beq = [s; d]; ```

步骤4：设置变量上下界lb

运输量不能为负，所以下界lb全为0：
matlab lb = zeros(n_plant*n_warehouse, 1);

步骤5：调用linprog求解

设置算法（比如内点法），然后调用linprog：
matlab % 设置优化选项（用内点法，适合大规模问题） options = optimoptions('linprog', 'Algorithm', 'interior-point'); % 求解：A和b为空（无不等式约束），ub为空（默认无穷大） [x, fval] = linprog(f, [], [], Aeq, beq, lb, [], options);

步骤6：结果分析

把一维的x向量转成工厂×仓库的矩阵，方便查看：
```matlab % 注意reshape顺序：先转成仓库×工厂，再转置为工厂×仓库 x_matrix = reshape(x, n_warehouse, n_plant)';

% 输出结果 disp('运输量矩阵（行：工厂，列：仓库）：'); disp(x_matrix); disp(['总运费：', num2str(fval), '元']); ```

四、实战结果与分析

运行上面的代码，你会得到类似这样的输出：
运输量矩阵（行：工厂，列：仓库）： 100 0 0 0 20 130 50 0 0 0 50 100 总运费：2380元

分析：
- F1把所有100吨运到W1（成本最低）
- F2运20吨到W1、130吨到W2、50吨到W3（满足W2和W3需求）
- F3运50吨到W3、100吨到W4（满足W4需求）
- 总运费2380元，完全符合约束条件！

我第一次写这段代码时，reshape那里忘记转置，结果矩阵变成了仓库×工厂，看了半天都没明白数据不对！后来才发现这个小坑，大家一定要注意哦！

五、扩展：处理供需不平衡问题

现实中很多运输问题是供需不平衡的（比如产能总和≠需求总和），这时候怎么办？

情况1：产能总和 > 需求总和

比如产能总和450，需求总和420，差30吨。这时候可以加一个虚拟仓库，需求30吨，单位运费0（因为不用真的运输）。修改参数：
matlab n_warehouse = 5; % 加虚拟仓库 d = [120;130;100;70;30]; % 需求加30 c = [5,6,7,8,0; 4,5,6,7,0;3,4,5,6,0]; % 成本矩阵加一列0

情况2：需求总和 > 产能总和

比如需求总和480，产能总和450，差30吨。加一个虚拟工厂，产能30吨，单位运费0：
matlab n_plant =4; % 加虚拟工厂 s = [100;200;150;30]; % 产能加30 c = [5,6,7,8;4,5,6,7;3,4,5,6;0,0,0,0]; % 成本矩阵加一行0

这样就能把不平衡问题转化为平衡问题，继续用上面的代码解决！

六、常见问题与注意事项

1. 约束矩阵维度错误：Aeq的行数必须是工厂数+仓库数，列数是工厂数×仓库数。如果维度不对，linprog会直接报错！
2. 结果不可行（Infeasible）：检查供需是否平衡（或是否加了虚拟节点），约束是否写错。
3. 运输量负数：lb没设为0，一定要确保lb全是0！
4. 算法选择：数据量大时，用interior-point算法更快；小数据用simplex算法（如果Matlab版本支持）。

七、总结

用Matlab解决运输问题真的很高效，尤其是处理大规模数据时，比Excel规划求解快N倍！关键是掌握模型转化和约束矩阵构建这两个核心步骤。只要你跟着这篇文章的案例走，从简单平衡问题到复杂不平衡问题，都能轻松搞定！

希望这篇文章能帮到正在学习的你，下次遇到运输问题就不用愁啦！如果你有其他问题，欢迎在评论区交流哦（虽然我看不到，但你可以自己思考哈哈）！

最后，记得多动手实践，代码写多了自然就熟练啦！