在MATLAB中编程求解最优解，通常涉及以下几个步骤：
定义目标函数
目标函数是你要最小化或最大化的函数。例如，可以定义一个简单的目标函数：
```matlab
f = @（x） x^2 + 2*x + 1；
```
其中，`x` 是待优化的参数。
选择优化算法
MATLAB提供了多种优化算法，如梯度下降法、共轭梯度法、牛顿法、拟牛顿法等。例如，可以使用 `fminsearch` 函数来实现梯度下降法：
```matlab
x0 = ； % 初始值
x = fminsearch（f, x0）；
```
其中，`x0` 是初始值，`fminsearch` 函数会寻找使目标函数最小的 `x` 值。
设置优化参数
在进行最优化之前，需要设置一些优化参数，如最大迭代次数、容差等。可以使用 `optimset` 函数来设置优化参数：
```matlab
options = optimset（'MaxIter', 1000, 'TolFun', 1e-6）；
```
其中，`MaxIter` 表示最大迭代次数，`TolFun` 表示目标函数的容差。
进行最优化
在设置好优化参数后，可以使用 `fminunc` 函数来进行最优化：
```matlab
[x, fval] = fminunc（f, x0, options）；
```
其中，`x` 是最优解，`fval` 是目标函数在最优解处的值。
使用Cplex求解线性规划问题
对于线性规划问题，可以使用MATLAB与Cplex接口来求解。首先需要安装Matlab和Cplex，并将Cplex的路径添加到Matlab的搜索路径中。然后，编写脚本调用Cplex函数来创建和求解优化问题：
```matlab
f = [3； 5； 2]； % 目标函数系数
A = [1 -1 1； 3 2 4]； % 不等式约束系数
b = [20； 42]； % 不等式约束右端项
lb = []； % 变量下界
ub = []； % 变量上界
[x, fval, exitflag, output] = cplexmilp（f, A, b, lb, ub, [], problem）；
disp（['最优解为：', num2str（x）]）；
disp（['目标函数值为：', num2str（fval）]）；
disp（['退出信息为：', output.cplexstatusstring]）；
```
其中，`cplexmilp` 是Cplex的函数，用于求解混合整数线性规划问题。
使用全局优化算法
对于全局优化问题，可以使用MATLAB提供的全局优化工具箱中的算法，如MultiStart、GlobalSearch、模拟退火算法和模式搜索等。例如，使用MultiStart进行全局优化：
```matlab
opts = optimoptions（'MultiStart', 'Display', 'iter'）；
x = MultiStart（f, x0,opts）；
```
其中，`x0` 是初始点，`opts` 是优化选项。
通过以上步骤，你可以在MATLAB中编程求解最优解。选择合适的优化算法和参数设置对于获得好的优化结果至关重要。同时，对于非线性规划问题，可以考虑使用MATLAB的优化工具箱中的函数，如 `fminunc`、`fmincon` 等，这些函数提供了多种优化算法和更灵活的参数设置。