如何在LINGO中构建线性优化模型，并通过MATLAB求解器进行求解？请提供一个具体的问题案例以及操作步骤。

要利用LINGO和MATLAB解决线性优化问题，你可以遵循以下步骤。首先，你需要定义你的优化问题，包括目标函数和约束条件。以运输问题为例，假设我们有一个生产工厂要将产品运输到多个仓库，需要最小化总运输成本。我们将问题定义为LP问题，使用LINGO来建模并求解。

参考资源链接：[LINGO与MATLAB入门教程：轻松解决线性优化问题](https://wenku.csdn.net/doc/3nyen7o0n8?spm=1055.2569.3001.10343)

在LINGO中，首先需要声明决策变量、目标函数和约束条件。例如：

! 定义变量;
SETS:
  SUPPLY /SUP1*SUP3/: supply, cost;
  DEMAND /DEMAND1*DEMAND2/: demand, revenue;
ENDDO;
DATA:
  supply = ***;
  demand = 300 450;
  cost = 10 12;
  revenue = 20 15;
END

! 目标函数;
MIN = @SUM(SUPPLY(s): cost(s) * supply(s));

! 约束条件;
@FOR(DEMAND(d):
  @SUM(SUPPLY(s): supply(s) * transport(s,d)) = demand(d));

! 非负约束;
@FOR(SUPPLY(s): supply(s) >= 0);

在上述代码中，我们定义了两个集合：SUPPLY和DEMAND。SUPPLY集合包含供应点的信息，包括供应量和运输成本；DEMAND集合包含需求点的信息，包括需求量和收入。目标函数是最小化运输成本，而约束条件确保供应与需求相匹配。

接下来，在MATLAB中，我们可以使用Optimization Toolbox提供的线性规划求解器`linprog`来求解此问题。首先，我们需要从LINGO模型窗口导出目标函数和约束条件的系数，然后在MATLAB中使用这些系数构建`linprog`函数的输入参数：

% 目标函数系数（注意：linprog是最小化，而LINGO是最大化，因此取负号）
f = -[cost; revenue];

% 约束矩阵
A = sparse([transport; diag(revenue)]);

% 约束条件的右边项
b = [demand; zeros(size(revenue))];

% 变量的下界（非负约束）
lb = zeros(length(cost) + length(revenue), 1);

% 求解线性规划问题
options = optimoptions('linprog','Algorithm','dual-simplex');
[x, fval] = linprog(f, A, b, [], [], lb, [], options);

% 输出结果
disp('最优运输量：');
disp(x);
disp('最小总成本：');
disp(-fval);

在上述MATLAB代码中，`linprog`函数被用来求解线性规划问题。我们首先定义目标函数系数`f`，约束矩阵`A`和右边项`b`。接着，我们设置变量的下界`lb`，由于运输问题中的变量都是非负的。最后，调用`linprog`函数求解，并输出最优运输量和最小总成本。

通过这种方式，你可以将LINGO模型与MATLAB求解器结合使用，利用两者的优点来解决复杂的线性优化问题。

参考资源链接：[LINGO与MATLAB入门教程：轻松解决线性优化问题](https://wenku.csdn.net/doc/3nyen7o0n8?spm=1055.2569.3001.10343)