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/johanl/yalmip/?n=
set is
obsolete and should not be used.
Simply use additions or concatenations to define constraints.
F = [x
>= 0, x
<= 32];
F = [F,
x^2 <= 1];
F = F + [y
<= 10, [x
y;y 1] >= 0];
F = F + [1 <=
z <= 5]
F = [F, [x z;z x+y] >= 0, norm([x;y]) <=
z]
C = [];
for i = 1:5
C = [C, x+y(i)+z(6-i) == i];
end
D = [F,C]
..
其他具体函数用法(可以忽略set)：
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。