Matlab数学建模实战：从优化、微分方程到统计检验全解析

1. 项目概述：为什么数学建模离不开Matlab？

如果你正在准备数学建模竞赛，或者你的课程作业、科研项目涉及到将现实问题转化为数学模型并求解，那么你大概率绕不开一个名字：Matlab。它远不止是一个“高级计算器”，而是一个集成了数学计算、算法开发、数据可视化乃至应用部署的完整环境。对于数学建模而言，Matlab的核心价值在于其“快速原型”能力。你有一个想法，无论是微分方程、优化问题还是统计分析，都能在Matlab中找到对应的、高度优化的函数库，用几行代码快速验证模型的可行性，并生成直观的图表来呈现结果。这让你能将精力集中在模型构建和问题分析上，而不是耗费在底层算法的实现和调试中。无论是全国大学生数学建模竞赛（国赛）、美国大学生数学建模竞赛（美赛），还是亚太杯等赛事，Matlab都是参赛队伍最主流的工具之一。接下来，我将从一个多年建模和Matlab使用者的角度，拆解Matlab在数学建模中的核心应用场景、关键技巧以及那些官方手册里不会写的实战经验。

2. 数学建模全流程中的Matlab核心工具箱解析

数学建模的流程通常包括：问题理解与抽象、模型假设与建立、模型求解与分析、结果验证与论文撰写。Matlab的工具箱（Toolbox）为每个环节都提供了强大的支持。理解这些工具箱的定位，能让你在遇到具体问题时，快速找到“武器库”。

2.1 模型建立与求解：从符号运算到数值计算

在模型建立阶段，你可能会处理公式推导。这时，Symbolic Math Toolbox（符号数学工具箱）是你的得力助手。它允许你进行符号微分、积分、方程求解和公式化简。

注意：符号计算虽然精确，但计算量大，不适合处理复杂或大规模的数值问题。通常用于推导模型的核心公式，之后再将符号表达式转化为数值函数进行求解。

进入求解阶段，根据模型类型，选择就更多了：

• 优化模型：Optimization Toolbox是核心。它提供了线性规划 (linprog)、非线性规划 (fmincon)、整数规划 (intlinprog) 等求解器。对于国赛经典的“优化类”题目（如生产调度、路径规划），这个工具箱是必用的。
• 微分方程模型：无论是常微分方程（ODE）还是偏微分方程（PDE），MATLAB 的 ODE 求解器（如ode45,ode15s）和Partial Differential Equation Toolbox提供了完整的解决方案。例如，在传染病模型（SIR）、种群动力学、物理场仿真中应用极广。
• 统计分析模型：Statistics and Machine Learning Toolbox功能强大。除了基础的描述性统计、假设检验（如你搜索的ttest,ttest2），还包含回归分析、方差分析、聚类分析等。这对于处理海量数据、挖掘数据规律的题目至关重要。

2.2 数据处理与可视化：让结果自己说话

数学建模的原始数据往往杂乱无章。Matlab的数据导入、清洗和预处理功能（通常基于矩阵操作）非常高效。更重要的是，其可视化能力是论文出彩的关键。

• 基础绘图：plot,scatter,histogram,bar等函数足以制作出清晰的二维图表。关键在于对图形对象（如坐标轴axes、线条line）属性的精细控制，包括线型、颜色、标记、字体等，这能让你的图表达到出版级水准。
• 高级可视化：对于三维数据、地理信息或动态过程，可以使用surf,mesh,geoplot,animatedline等函数。例如，2022年国赛C题（古代玻璃制品的成分分析）中，对高维化学成分数据进行降维可视化（如用scatter画主成分分析得分图），能直观展示分类效果。
• 图像处理：如果赛题涉及图像分析（如目标识别、特征提取），Image Processing Toolbox提供了从读写、预处理、分割到特征提取的全套工具。imread,imshow,edge（边缘检测）,regionprops（区域属性提取）是常用函数。

2.3 算法开发与集成：当内置函数不够用时

尽管Matlab函数库丰富，但有时你需要实现一个特定的、新颖的算法。Matlab的脚本（.m文件）和函数编程环境非常适合算法原型开发。你可以轻松地将自己的算法与内置函数结合。此外，通过MATLAB Compiler，你甚至可以将算法打包成独立应用程序或库，供其他语言调用，这在一些需要部署模型的复杂问题中可能用到。

3. 四大核心应用场景代码实战与避坑指南

理论说了很多，现在我们通过四个典型的数学建模代码片段，来具体感受Matlab如何解决问题，并穿插那些我踩过坑后才学到的经验。

3.1 场景一：数据拟合与回归分析——以人口预测为例

假设我们有一组某城市历年人口数据，需要拟合一个增长模型（如逻辑斯蒂增长模型）并进行预测。

% 假设年份数据为year（从2000年开始），人口数据为population year = (2000:2020)'; population = [数据向量]; % 这里填入实际数据 % 1. 定义逻辑斯蒂增长模型函数 % 模型形式：P(t) = K / (1 + (K/P0 - 1)*exp(-r*t)) % 参数 params = [K, r, P0]，其中K是环境容量，r是内禀增长率，P0是初始人口 logisticModel = @(params, t) params(1) ./ (1 + (params(1)/params(3) - 1) * exp(-params(2) * t)); % 2. 初始参数猜测（很重要！直接影响到拟合能否成功） initialGuess = [1500, 0.05, 800]; % 根据数据大致目测K, r, P0 % 3. 使用lsqcurvefit进行非线性最小二乘拟合 options = optimoptions('lsqcurvefit', 'Display', 'iter'); % 显示迭代过程 t = year - year(1); % 将年份转换为以第一年为0的时间序列 fittedParams = lsqcurvefit(logisticModel, initialGuess, t, population, [], [], options); % 4. 计算拟合值并绘图 fittedPopulation = logisticModel(fittedParams, t); figure('Position', [100, 100, 800, 400]) % 设置图形窗口大小 plot(year, population, 'bo', 'LineWidth', 1.5, 'MarkerSize', 8, 'DisplayName', '实际数据'); hold on; plot(year, fittedPopulation, 'r-', 'LineWidth', 2, 'DisplayName', '逻辑斯蒂拟合'); xlabel('年份'); ylabel('人口（万）'); title('城市人口增长拟合'); legend('Location', 'best'); grid on; % 5. 预测未来10年人口 futureYears = (2021:2030)'; futureT = futureYears - year(1); futurePred = logisticModel(fittedParams, futureT); disp('未来十年人口预测：'); disp(table(futureYears, futurePred));

实操心得：

1. 初始猜测值至关重要：对于非线性拟合，糟糕的初始值可能导致算法收敛到局部最优甚至失败。多尝试几组，或者先用简单模型（如指数增长）拟合，再用其结果作为复杂模型的初始值。
2. 数据归一化/中心化：如果数据量级差异大（例如，年份是2000+，人口是百万级），考虑将时间t减去起始年份，或将人口数据除以一个尺度因子，能显著提高数值稳定性和拟合速度。
3. 检查拟合优度：不要只看图。计算一下R平方、均方根误差（RMSE）等指标，定量评估拟合质量。corrcoef函数可以帮忙计算R。

3.2 场景二：线性规划求解——资源分配问题

这是一个经典问题：某工厂生产两种产品，需要消耗两种原料，已知利润和库存，求最大利润的生产计划。

% 问题：最大化利润 f = 3*x1 + 5*x2 % 约束： % 原料A: 2*x1 + 4*x2 <= 100 % 原料B: 3*x1 + 2*x2 <= 90 % 非负: x1 >= 0, x2 >= 0 f = [-3; -5]; % 注意：linprog默认求解最小值，因此最大化问题需要加负号 A = [2, 4; 3, 2]; b = [100; 90]; lb = [0; 0]; % 下界 ub = []; % 无上界 % 调用linprog求解 options = optimoptions('linprog', 'Display', 'final', 'Algorithm', 'dual-simplex'); [x, fval, exitflag, output] = linprog(f, A, b, [], [], lb, ub, options); if exitflag > 0 fprintf('最优解找到！\n'); fprintf('产品1产量 x1 = %.2f\n', x(1)); fprintf('产品2产量 x2 = %.2f\n', x(2)); fprintf('最大利润为：%.2f\n', -fval); % 记得把负号转回来 fprintf('求解迭代次数：%d\n', output.iterations); else fprintf('求解失败。退出标志：%d\n', exitflag); end % 敏感性分析（影子价格） - 使用输出参数lambda % [x, fval, exitflag, output, lambda] = linprog(...); % 修改上面的调用，增加lambda输出 % if exitflag > 0 % fprintf('原料A的影子价格（对偶变量）：%.4f\n', lambda.ineqlin(1)); % fprintf('原料B的影子价格（对偶变量）：%.4f\n', lambda.ineqlin(2)); % end % 影子价格表示该资源每增加一个单位，目标函数（利润）能增加多少，是论文中经济分析的重要部分。

避坑指南：

1. 格式转换：务必先将最大化问题转化为最小化问题（目标函数系数取负）。这是新手最常犯的错误之一。
2. 算法选择：linprog默认算法是 ‘dual-simplex’ 或 ‘interior-point’。对于中小规模问题，dual-simplex通常更快且能提供敏感性分析信息（影子价格）。如果求解失败或很慢，可以尝试切换算法。
3. 结果解读：exitflag大于0表示成功。一定要检查这个标志位，而不是直接相信x的结果。输出结构体output中的迭代次数、算法信息等，可以作为论文中模型求解部分的佐证。

3.3 场景三：微分方程数值解——传染病SIR模型模拟

SIR模型是数模竞赛的常客，用于模拟传染病传播。

% SIR模型微分方程组： % dS/dt = -beta * S * I / N % dI/dt = beta * S * I / N - gamma * I % dR/dt = gamma * I % 其中 S:易感者, I:感染者, R:康复者, N总人口，beta感染率，gamma康复率。 % 1. 定义模型参数和初始条件 N = 1000; % 总人口 I0 = 1; % 初始感染者 S0 = N - I0; % 初始易感者 R0 = 0; % 初始康复者 beta = 0.3; % 感染率（每人每天有效接触率） gamma = 0.1; % 康复率（倒数即平均感染期 1/gamma = 10天） y0 = [S0; I0; R0]; % 初始条件向量 tspan = [0, 150]; % 模拟时间范围，0到150天 % 2. 定义ODE方程组函数 sir_ode = @(t, y) [ -beta * y(1) * y(2) / N; % dS/dt beta * y(1) * y(2) / N - gamma * y(2); % dI/dt gamma * y(2) % dR/dt ]; % 3. 使用ode45求解 [t, y] = ode45(sir_ode, tspan, y0); S = y(:, 1); I = y(:, 2); R = y(:, 3); % 4. 可视化结果 figure('Position', [100, 100, 900, 400]); subplot(1,2,1); plot(t, S, 'b-', 'LineWidth', 2, 'DisplayName', '易感者 S'); hold on; plot(t, I, 'r-', 'LineWidth', 2, 'DisplayName', '感染者 I'); plot(t, R, 'g-', 'LineWidth', 2, 'DisplayName', '康复者 R'); xlabel('时间 (天)'); ylabel('人数'); title('SIR模型动力学模拟'); legend('Location', 'best'); grid on; % 5. 寻找感染高峰（I的最大值） [I_max, idx] = max(I); t_peak = t(idx); fprintf('感染高峰出现在第 %.1f 天，峰值感染人数为 %.1f 人。\n', t_peak, I_max); hold on; plot(t_peak, I_max, 'k*', 'MarkerSize', 15, 'DisplayName', '感染高峰'); % 6. 计算基本再生数 R0 (注意与变量R区分，这里用R0_calc表示) R0_calc = beta / gamma; fprintf('基本再生数 R0 = beta / gamma = %.2f\n', R0_calc); % 7. 敏感性分析：改变beta值看趋势（子图2） subplot(1,2,2); beta_values = [0.2, 0.3, 0.4]; colors = lines(length(beta_values)); % 生成区分度高的颜色 for i = 1:length(beta_values) beta_current = beta_values(i); sir_ode_current = @(t, y) [ -beta_current * y(1) * y(2) / N; beta_current * y(1) * y(2) / N - gamma * y(2); gamma * y(2) ]; [~, y_current] = ode45(sir_ode_current, tspan, y0); I_current = y_current(:, 2); plot(t, I_current, '-', 'Color', colors(i,:), 'LineWidth', 1.5, ... 'DisplayName', sprintf('\\beta = %.1f', beta_current)); hold on; end xlabel('时间 (天)'); ylabel('感染者 I'); title('不同感染率(\beta)下的疫情曲线'); legend('Location', 'best'); grid on;

经验技巧：

1. 函数句柄：使用@(t, y) ...定义匿名函数来表述ODE方程组，比写单独的.m文件更简洁，尤其适合在脚本中快速测试。
2. 求解器选择：ode45是首选的非刚性（Non-stiff）问题求解器。如果模型变量变化速率差异巨大（即“刚性”问题，例如某些化学反应模型），ode45会非常慢甚至失败，这时应换用ode15s或ode23s等刚性求解器。
3. 结果分析：模拟后一定要提取关键指标，如峰值时间、峰值大小、基本再生数R0等。进行参数敏感性分析（如改变beta或gamma）并可视化，是论文模型分析部分的亮点，能体现你对模型的理解深度。

3.4 场景四：统计假设检验——ttest与ttest2的正确使用

你搜索的热词中提到了ttest和ttest2的区别，这确实是统计分析中的常见困惑。它们在数学建模中用于检验数据差异的显著性，例如比较两种算法性能、不同组别的测量值等。

% 生成示例数据：两组测量值 rng(2025); % 固定随机种子，确保结果可复现 group_A = 5 + 1.2*randn(30,1); % 均值5，标准差1.2的30个样本 group_B = 5.5 + 1.2*randn(30,1); % 均值5.5，标准差1.2的30个样本 paired_data_B = group_A + 0.8 + 0.5*randn(30,1); % 用于配对t检验，与groupA相关 % 案例1：单样本t检验 (ttest) % 目的：检验一组数据（group_A）的均值是否与某个理论值（例如5）有显著差异。 [h1, p1, ci1, stats1] = ttest(group_A, 5); % 零假设：group_A的均值等于5 fprintf('--- 单样本t检验 ---\n'); fprintf('h值（是否拒绝原假设）: %d (1=拒绝，0=不拒绝)\n', h1); fprintf('p值: %.4f\n', p1); fprintf('均值95%%置信区间: [%.3f, %.3f]\n', ci1(1), ci1(2)); fprintf('样本均值: %.3f\n', mean(group_A)); if h1 == 1 fprintf('结论：在0.05显著性水平下，group_A的均值与5有显著差异。\n'); else fprintf('结论：在0.05显著性水平下，无法认为group_A的均值与5有显著差异。\n'); end % 案例2：独立双样本t检验 (ttest2) % 目的：检验两个独立样本（group_A和group_B）的均值是否有显著差异。 % 零假设：group_A和group_B的均值相等。 [h2, p2, ci2, stats2] = ttest2(group_A, group_B); % 关键函数是ttest2 fprintf('\n--- 独立双样本t检验 ---\n'); fprintf('h值: %d\n', h2); fprintf('p值: %.4f\n', p2); fprintf('均值差的95%%置信区间: [%.3f, %.3f]\n', ci2(1), ci2(2)); fprintf('group_A均值: %.3f, group_B均值: %.3f\n', mean(group_A), mean(group_B)); % 案例3：配对样本t检验 (ttest) % 目的：检验两组配对或相关样本（如同一批受试者前后测）的均值差是否为0。 % 零假设：配对差的均值为0。 [h3, p3, ci3, stats3] = ttest(group_A, paired_data_B); % 注意，这里用的是ttest，不是ttest2！ fprintf('\n--- 配对样本t检验 ---\n'); fprintf('h值: %d\n', h3); fprintf('p值: %.4f\n', p3); fprintf('配对差均值的95%%置信区间: [%.3f, %.3f]\n', ci3(1), ci3(2)); mean_diff = mean(group_A - paired_data_B); fprintf('配对差均值: %.3f\n', mean_diff); % 可视化：绘制两组数据的箱线图进行直观比较 figure; boxplot([group_A, group_B, paired_data_B], 'Labels', {'Group A', 'Group B (独立)', 'Group B (配对)'}); ylabel('测量值'); title('数据分布箱线图比较'); grid on;

核心区别与选择原则：

1. ttestvsttest2：最根本的区别在于样本关系。
   • ttest2：用于两个独立的、不相关的样本组。例如，随机分组的实验组和对照组。
   • ttest：有两种用途。一是单样本检验（数据 vs 理论值），二是配对样本检验（两组数据一一对应，存在天然关联）。当ttest输入两个向量时，Matlab默认执行配对检验。
2. 如何选择：问自己一个问题：group_A 中的第 i 个数据，和 group_B 中的第 i 个数据，是否有特定的、一对一的对应关系？如果有（如同一个人的前后两次测量、同一地块的两种处理方法），用配对t检验（ttest）。如果没有（如随机抽取的两组人），用独立样本t检验（ttest2）。
3. 前提条件：两种检验都默认数据服从正态分布（或近似正态）。在建模论文中，如果数据严重偏离正态，应考虑使用非参数检验，如曼-惠特尼U检验（ranksum函数）。
4. 结果报告：在论文中，不仅要报告p值（是否显著），还应报告效应量（如Cohen‘s d），它衡量差异的大小，而p值只衡量差异是否由偶然导致。Matlab的ttest2输出不直接提供效应量，需要手动计算：d = (mean(group_A)-mean(group_B)) / pooled_std。

4. 从安装到实战：Matlab数学建模环境搭建与效率心法

4.1 软件获取、安装与关键配置

对于学生，最正规的途径是通过所在院校申请校园版授权。安装过程本身是向导式的，但有几个关键点：

• 工具箱选择：安装时，务必勾选前面提到的核心工具箱：Optimization, Statistics and Machine Learning, Symbolic Math, Curve Fitting。根据你的专业方向，可能还需要 Image Processing, Signal Processing 等。硬盘空间允许的情况下，可以多选，避免日后需要时重新安装的麻烦。
• 路径管理：这是影响使用体验的核心。永远不要将你的项目文件或脚本放在Matlab的安装目录下。建议在文档或D盘建立一个清晰的文件夹结构，例如D:\Matlab_Projects\Competition_2025\Problem_A。然后通过Matlab界面上的“当前文件夹”浏览器导航到该目录，或者使用cd命令。更高级的做法是将常用路径添加到“搜索路径”中（主页 -> 环境 -> 设置路径），这样在任何位置都能调用这些路径下的函数。
• 界面布局：根据习惯调整命令窗口、工作区、当前文件夹和编辑器窗口的布局。我习惯将编辑器放在左侧大面积区域，命令窗口在右下角，工作区和当前文件夹在右上角，便于一边写代码一边观察变量和运行命令。

4.2 高效编程与调试实战技巧

1. 脚本 vs 函数：
   • 脚本（.m文件）：适合线性的、一次性的任务，如数据清洗、绘图、主流程控制。脚本中的变量会留在工作区，方便查看。
   • 函数（function关键字）：将特定功能模块化。函数有独立的变量空间（工作区），通过输入输出参数与外界交互。这使代码更清晰、可复用、易调试。复杂的建模项目，一定要多用函数。
2. 调试利器：
   • 断点：在编辑器行号旁点击，设置红色断点。运行到此处会暂停，你可以查看此时所有变量的值。
   • 步进：暂停后，使用调试工具栏的“步进”（Step In）、“步过”（Step Over）来逐行执行代码，深入函数内部或跳过函数调用。
   • 工作区检查：在调试暂停时，工作区窗口会显示当前函数空间内的所有变量及其值，这是查找逻辑错误的最直接方式。
3. 向量化操作：避免使用循环（尤其是多层循环）来处理数组或矩阵数据。Matlab的底层是高度优化的矩阵运算库，向量化操作比循环快几个数量级。例如，计算一个向量中所有元素的平方，用y = x.^2;而不是for i=1:length(x); y(i)=x(i)^2; end。
4. 预分配内存：如果确实无法避免循环，且循环中会不断增长数组大小，务必先预分配一个足够大的数组（如zeros(n,1)），然后再用索引填充。这能避免Matlab在每次循环迭代中重新分配内存，极大提升速度。

4.3 论文图表制作与结果导出

论文中的图表质量直接影响评委的第一印象。

1. 图表美化：不要用默认的线条颜色和样式。使用set(gca, ...)和set(gcf, ...)精细控制坐标轴和图形属性。例如：

   figure('Color', 'white', 'Position', [100,100,600,400]); % 白底，指定大小 plot(x, y, 'LineWidth', 2, 'Color', [0, 0.4470, 0.7410]); % 指定线宽和RGB颜色 set(gca, 'FontSize', 12, 'FontName', 'Arial', 'LineWidth', 1.5, 'Box', 'on'); xlabel('Time (s)', 'FontSize', 14); ylabel('Amplitude', 'FontSize', 14); title('Professional Looking Plot', 'FontSize', 16); legend('Data', 'Location', 'northwest'); grid on; grid minor; % 打开主网格和次网格

2. 多子图布局：使用subplot或更现代的tiledlayout功能来组合多个相关图表，使对比分析更清晰。
3. 导出高质量图片：用于论文的图片，务必导出为矢量图（如.eps,.pdf）或高分辨率位图（如.png600 dpi）。在图形窗口的“文件”->“另存为”中选择格式，或使用print命令：

   print('-depsc', '-r600', 'my_figure.eps'); % 导出为600dpi的EPS矢量图 print('-dpng', '-r300', 'my_figure.png'); % 导出为300dpi的PNG位图

4. 数据与代码归档：建模结束后，将最终版的代码、数据、生成的图表以及关键的中间结果，按文件夹整理好。在论文附录或提交的代码包中，提供一个README.txt文件，简要说明每个文件的作用和运行顺序。这是一个非常专业的好习惯。

5. 备赛与实战中的高频问题与解决方案

在紧张的比赛或项目周期中，时间就是一切。以下是我和队友们多次参赛后总结的“急救包”。

5.1 程序运行慢如蜗牛，怎么办？

• 第一步：定位瓶颈。使用profile工具。在命令窗口输入profile on，然后运行你的主脚本，再输入profile viewer。它会生成一个详细的报告，告诉你每行代码的执行时间和调用次数，找到最耗时的“热点”。
• 第二步：针对性优化。
  • 向量化：如上所述，这是最大的性能提升点。
  • 避免在循环中动态增长数组：务必预分配。
  • 使用内置函数：内置函数都是用C/C++等编译语言写的，比自己写的循环快得多。
  • 简化计算：检查是否有重复计算可以提取到循环外。
  • 算法层面优化：有时慢是因为算法复杂度高（如O(n^2)），考虑是否有更优的算法（如O(n log n)）可以替换。
• 第三步：并行计算。如果循环各次迭代独立，可以考虑使用parfor替换for进行并行循环。但这需要 Parallel Computing Toolbox，且会占用更多内存。

5.2 遇到陌生的数学问题，不知道用哪个函数？

• 善用文档和帮助：在命令窗口输入doc 关键词（如doc optimization）或lookfor 关键词（模糊搜索）。Matlab的文档是宝藏，不仅有函数说明，还有丰富的例子。
• 按领域搜索：在帮助浏览器的“目录”中，按工具箱分类查找。例如，所有优化函数都在 Optimization Toolbox 目录下。
• 社区和论坛：MathWorks官网的File Exchange（文件交换）社区有大量用户贡献的代码。在中文社区如CSDN、知乎搜索“Matlab + [你的问题]”，通常也能找到相关案例。但切记要理解代码，而不是直接套用。

5.3 模型结果不理想或出错，如何调试？

• 从简单到复杂：先用一个极简的、你知道正确答案的案例来测试你的模型代码。例如，做拟合时，先用一个线性函数y=2x+1加一点噪声来测试，确保你的拟合代码能正确返回[2,1]附近的参数。
• 中间变量可视化：在关键步骤后，将中间变量画出来看看。比如，优化迭代过程中，把每次的目标函数值记录下来并绘图，看是否在下降。
• 检查边界和约束：对于优化问题，解跑到边界上了？可能是约束太紧或问题无解。检查你的约束条件是否合理。
• 检查数据：模型输入的数据是否有异常值（NaN, Inf）？是否需要进行标准化/归一化？用histogram,boxplot看看数据分布。
• 错误信息解读：Matlab的错误信息通常很详细。仔细阅读红色错误提示，它往往会告诉你出错在哪一行，以及错误类型（如“索引超出数组边界”、“未定义函数或变量”）。

5.4 如何将Matlab结果整合到论文（如Word/LaTeX）中？

• 表格：将Matlab中的矩阵或表格（table类型）复制到Excel中稍作整理，再粘贴到Word。或者，使用writetable函数将表格导出为.csv文件，然后在Word中插入。
• 公式：复杂的公式推导结果可以用latex函数将符号表达式转换为LaTeX代码，直接粘贴到LaTeX编辑器中。例如：latex(sym('(a+b)^2'))。
• 图片：如前所述，导出为.eps或.pdf矢量图插入LaTeX，或高分辨率.png插入Word。确保图片中的文字大小在论文中清晰可读。
• 代码片段：论文中需要展示的关键算法代码，可以使用编辑器中的“发布”功能（Publish），或者将代码复制到支持语法高亮的文本编辑器（如VS Code, Notepad++）中，再设置好字体和背景后截图。更优雅的方式是使用LaTeX的listings宏包。

最后，我想分享的一点个人体会是，Matlab在数学建模中的强大，不仅仅在于其丰富的函数库，更在于它提供了一个“思考-实验-验证”的快速闭环。当你有一个模型构想时，你能在极短的时间内看到它的数值表现和图形化结果，这种即时反馈对于迭代优化模型思路至关重要。不要试图在第一次就把所有代码写得完美无缺，而是应该先搭建一个能跑通的简单框架，然后逐步添加细节、完善逻辑、处理异常。把调试和优化的过程，也看作是对问题本身理解加深的过程。