在MATLAB中编写优化程序，通常可以使用内置的优化函数，如`fmincon`。以下是一个使用`fmincon`函数的优化程序示例：
```matlab
% 定义目标函数
fun = @（x） x（1）^2 + x（2）^2；
% 定义初始猜测值
x0 = [1； 1]；
% 定义线性约束条件
A = [1 1； -1 -1]；
b = [2； -2]；
% 定义变量的下限和上限
lb = [0； 0]；
ub = [10； 10]；
% 定义非线性约束条件（可选）
nonlcon = @（x） x（1） * x（2） - 1；
% 设置优化选项
options = optimoptions（'fmincon', 'Display', 'iter'）；
% 调用fmincon函数进行优化
[x, fval, exitflag, output, lambda, grad, hessian] = fmincon（fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options）；
% 输出结果
disp（'最优解向量：'）；
disp（x）；
disp（'目标函数在最优解向量处的值：'）；
disp（fval）；
disp（'退出标志：'）；
disp（exitflag）；
disp（'输出结构体包含的信息：'）；
disp（output）；
```
在这个示例中，我们定义了一个简单的二次目标函数`fun`，并设置了初始猜测值`x0`。我们还定义了线性约束条件`A`和`b`，以及变量的下限和上限`lb`和`ub`。非线性约束条件`nonlcon`是可选的，这里我们定义了一个简单的乘积约束。
我们使用`optimoptions`函数设置了优化选项，以便在优化过程中显示迭代信息。最后，我们调用`fmincon`函数并输出优化结果，包括最优解向量、目标函数值、退出标志以及输出结构体中的信息。
优化技巧
预分配内存：
对于大数据处理，预先分配内存可以显著提高程序运行速度。
向量化运算：
尽量使用MATLAB的向量化运算功能，避免使用循环，以提高代码执行效率。
使用Profiler工具：
利用MATLAB自带的Profiler工具找出程序中的性能瓶颈。
通过这些技巧和示例代码，你可以编写出高效且易于维护的MATLAB优化程序。