网上例子：　

假设我们要用matlab解决如下线性规划问题：

max 4x1 + 2x2 + x3
s. t. 2x1 + x2 <= 1
x1 + 2x3 <= 2
x1 + x2 + x3 = 1
x1 >= 0
x1 <= 1
x2 >= 0
x2 <= 1
x3 >= 0
x3 <= 2

如果用yalmip的话，只需要如下简单几句：

　　>> x = sdpvar(3, 1);
　　>> f = [4 2 1] * x;
　　>> F = set(2*x(1) + x(2) <= 1);
　　>> F = F + set(x(1) + 2 * x(3) <= 2);
　　>> F = F + set(x(1) + x(2) + x(3) == 1);
　　>> F = F + set(0 <= x(1) <= 1) + set(0 <= x(2) <= 1) + set(0 <= x(3) <= 2);
　　>> ops = sdpsettings('solver', 'lpsolve', 'verbose', 2);
　　>> result = solvesdp(F, -f, ops);

　　如果你想用 cplex 求解器求解，只需要将以上的‘solver’参数的‘lpsolve’改成‘cplex’，其他任何地方都不需要做改动。

　　除此以外，yalmip还支持几乎所有其他的求解算法，在matlab下输入yalmiptest命令可以得到所有支持的算法以及它们的安装状态（其中cplex和lpsolve是我安装的，其他status为found的表示默认支持，not found表示支持但matlab中还未安装）：

运行这个代码，会在set处提示错误，查阅认为，可能新版yalmip不再用set函数，所以将原代码改为

x = sdpvar(3, 1);

f = [4 2 1] * x;

F = [2*x(1) + x(2) <= 1,x(1) + 2 * x(3) <= 2];    %%%不再用set

F = [F,x(1) + x(2) + x(3) == 1];

F = [F, 0 <= x(1) <= 1, 0 <= x(2) <= 1,0 <= x(3) <= 2];

ops = sdpsettings('solver', 'cplex', 'verbose', 2);

result = solvesdp(F, -f, ops);

double(f)     %%显示结果

double(x)

运行成功，这个例子的结果是：

目标函数
　　f =
    2.5000
变量
　　x =
    　　0.5000
         　　0
    　　0.5000

具体有关约束条件F的设置，参见http://users.isy.liu.se/johanl/yalmip/pmwiki.php?n=Commands.set

其他具体函数用法（可以忽略set）：

（网址：http://www.cnblogs.com/kane1990/p/3428129.html）

1. 创建决策变量：

　　>> x = sdpvar(m, n [, option])：创建m*n的连续型决策变量矩阵，option是对矩阵的一些参数指定。

　　相应的，如果要创建整型或二值型决策变量，matlab语句分别为：　　

　　>> x = intvar(m, n, [option])

　　>> x = binvar(m, n, [option])

2. 添加约束：

　　>> F = set(constraint [, tag])：创建一个以constraint指定的约束，可选参数tag可以给该约束指定一个字符串标记。重要的是constraint的表达也非常简单，例如如果有 x1 + x2 + x3 <= 3 的约束，直接写：

　　>> x = sdpvar(3, 1);

　　>> F = set(x(1) + x(2) + x(3) <= 3, 'cost bound1');

　　如果要继续添加约束也非常简单，支持用+直接相连：

　　>> F = F + set(constraint1 [, tag1]);

　　>> F = F + set(constraint2 [, tag2]);……

　　例如，如果继续限制 x 只能取[0, 1]之间的值，则：

　　>> F = F + set(0 <= x <= 1, ‘upper and lower bound’);

　　一句话就搞定了，是不是非常简单。！

3. 参数配置

　　这个比较简单，语句如下：

　　>> ops = sdpsettings(option1, value1, option2, value2, ……)

　　例如语句

　　>> ops = sdpsettings('solver', 'lpsolve', 'verbose', 2);

　　'solver' 参数指定程序用lpsolve求解器（如果已经安装，否则会报错），如果不指定 ‘solver’ 参数，他会根据决策变量类型自动挑选已安装的、最适合的求解器；'verbose' 指定显示冗余度（冗余度越大，你就可以看到越详细的求解过程信息）。

4. 求解

　　这个也只有一句话：

　　>> result = solvesdp(F, f, ops) 求解一个数学规划（最小化）问题，该问题的目标函数由 f 指定，约束由 F 指定，ops指定求解参数，最后的结果存储在result结构体中。