使用BGFS算法解决min f(x)=1.5xx+0.5yy-xy-2x,初始点为（0，0）用matlab实现并可以应用于任何凸函数，并且给出具体BGFS算法函数和计算结果

BGFS（Broyden-Fletcher-Goldfarb-Shanno）算法是一种迭代优化算法，常用于求解无约束非线性最小化问题，如你提到的那个二次函数 min f(x) = 1.5x^2 + 0.5y^2 - xy - 2x。这个函数是一个凸函数，适合于使用BGFS。

首先，需要明确的是，在MATLAB中，BGFS并不是内置函数，你需要编写自定义函数来实现。以下是一个简单的BGFS算法的伪代码：

function [x, fval] = bgfs(f, x0, options)
% 初始化
x = x0;
df = gradient(f, x);
H = eye(size(x)); % 使用单位矩阵作为初始Hessian近似
alpha = 1;

while true
    % 步长搜索
    alpha_test = 1; % 初始步长
    while f(x + alpha_test*df) > f(x) + alpha_test*df'*H*df
        alpha_test *= 2; % 如果增加步长会导致f值增大，减半步长继续尝试
    end
    alpha = alpha_test / 2; % 更新步长
    
    % 更新位置
    x_new = x + alpha * df;
    
    % Hessian修正
    y = f(x_new) - f(x);
    s = x_new - x;
    B = H - (1/(alpha + df'H*df)) * df' * df;
    H = H + (s*y' - alpha*B*s') / (y' * s); % Shanno formula for the update
    
    % 检查收敛条件
    if norm(df) < options.tol || abs(f(x_new) - f(x)) / abs(f(x)) < options.epsilon
        break;
    end
    
    x = x_new;
    df = gradient(f, x); % 计算新的梯度
end

% 返回最终解和函数值
[fval, ~] = feval(f, x);
end

请注意，这个函数只是一个基本的框架，实际使用时还需要处理边界条件、异常情况以及MATLAB的向量和矩阵操作等细节。你可以根据需要调整选项`options`，比如设置收敛容忍度(`tol`)和相对精度(`epsilon`)。

至于具体的计算结果，这取决于给定的具体函数值f(x0)，在这里我们假设初始点x0为(0,0)，运行上述函数会返回局部最小值的解和对应的函数值。如果你需要模拟计算，请提供初始点或其他特定输入。