LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。 §1 LINGO快速入门 当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口： 外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要 在该窗口内编码实现。下面举两个例子

结构化稀疏线性判别分析

由于稀疏性，直接聚类高维数据仍然是一个难题。 因此，通过降维获得它们的低维紧凑表示是对高维数据进行聚类的有效方法。 但是，大多数现有的降维方法最初都是为分类（例如线性判别分析）或恢复高维数据的几何结构（称为流形）（例如局部线性嵌入）而开发的，而不是为了聚类的目的而开发的。 因此，提出了一种新的基于谱正则化的降维非线性判别聚类算法。 该方法的贡献有两个方面：（1）可以获得非线性的低维表示，可以恢复固有的流形结构并增强原始高维数据的聚类结构。 （2）也可以在降维过程中获得聚类结果。 首先，将所需的低

边际Fisher分析（MFA）是一种有效的降维方法，可以提取有用的判别特征进行图像识别。 由于稀疏学习可以实现更好的泛化能力并减少识别任务中的计算量，因此本文将稀疏性引入MFA，并提出了一种新颖的稀疏改进MFA（SMMFA）方法用于面部表情识别。 SMMFA的目标是通过使用所得的稀疏投影矩阵来提取判别特征。 首先，提出了一种改进的MFA，以找到原始的投影矩阵。 与MFA相似，修改后的MFA还定义了类内图和类间图，以分别描述同一类中的几何结构和不同类之间的局部判别结构。 此外，修改后的MFA会删除