使用 Python 调用 Simulink 进行仿真

Aphros 收录于仿真

2025-09-24 2026-01-09 约 3500 字预计阅读 7 分钟 - 次阅读 - 条评论

第 1 节概述

由于工作上的一些需要，需要将 Simulink 部署到服务器上，通过 Restful API 调用，传入参数进行仿真。

Simulink 是 Matlab 的一个模块，属于公司 MathWorks，是一款商业软件。服务的部署有多种方式可选，但是选择的方法不恰当，可能会面临授权和收费的问题。MathWorks 的收费向来很多，显然，通过付费来解决问题并不是我们想要的。

第 2 节部署方式

Matlab 主程序提供了一些部署方法，这些部署方法更加适合对.m文件进行部署。

「代码生成」中的 Matlab Coder 可以将 Matlab 代码编译成原生的 C 语言程序，从而不依赖 Matlab 环境运行，但是其不支持 Simulink 的编译
「应用程序部署」那一类，都需要 Matlab 运行环境，其实现的是使用对应编程语言调用 Matlab 运行环境的接口。

Simulink 子程序中也提供了一些部署方法，这些部署方法是专门给 Simulink 适配的。

其中的 Simulink Coder 可以将 Simulink 模块编译成原生的 C语言程序，从而不依赖 Matlab 环境运行。

2.1 Matlab Production/Web App Server

首先，MathWorks 公司肯定是料想到了它的客户需要将 Matlab 相关服务部署到服务器上运行，于是，它推出了两款产品。

分别是：Matlab Production Server 和 Matlab Web App Server，这两款产品的区别在于，Matlab Production Server 提供的是 Restful API，而 Matlab Web App Server 可以通过可视化的方式在浏览器上运行 Matlab 应用程序。

信息

这两款软件都是商业软件，所以都是要收费的。

编译器的位置如下：

Matlab Production Server

Matlab Production Server 可以直接将 .m文件及其他关联附属文件打包。

打包的过程中使用依赖关系分析器，并将依赖关系用图列举出来：

最终，相关的依赖模块会以各种Addon的形式体现在buildresult.json文件中：

于是在执行相应函数时，只会加载对应的 Addon。

Matlab Web App Server

Matlab Web App Server 不同于 Matlab Production Server，它需要先创建一个 Matlab 的 App 应用，并在其中设计好相应的前端 UI 并绑定函数功能，如下：

由于本人并不打算使用这种方式构建，因而不再进行进一步的功能探索。

2.2 MATLAB Engine API

MATLAB Engine API 是 MathWorks 提供的官方工具，允许在 Python 中调用 MATLAB 函数、脚本和数据。

找到如下路径：[MATLAB安装路径]/extern/engines/python

使用命令安装：

1

python setup.py install

MATLAB Engine API 就相当于在后台打开了一个 matlab 程序，使用 python 执行的命令会原封不动的转变成执行 matlab 命令：

1
2
3
4
5
6
7
8


# 导入库
import matlab.engine
# 在后台打开 matlab 程序
eng = matlab.engine.start_matlab()
# 添加 matlab 项目的目录
eng.addpath('path')
# 执行目录下的 xxx.m 文件定义的函数
result = eng.xxx(1,2)

这种方式只是在 matlab 外套了一层 python 的包装，怎样使用 matlab 就怎样使用 python，不会出现任何的意料之外的报错。

也正因为这样，这种方式需要在服务器上安装完整的 matlab 程序并授权，并且每次服务启动前需要先启动 matlab，执行 simulink 仿真前也会加载相应模块，每次运行前会有好几秒的加载时间，需要进行优化并预先加载资源，所以这种方式不适合部署在服务器上。

2.3 Python 包编译器

Python 包编译器可以直接将 .m文件及其他关联附属文件打包，如下：

安装一下即可：

1

python setup.py install

1
2
3
4
5
6
7


# 导入包
import RPC_ABSmin  

# 初始化包
handle = RPC_ABSmin.initialize()
# 执行包中定义的函数
result = handle.run_RPC_ABSmin(1,2)

这种方式不需要完整安装 matlab 应用，只需要安装 matlab 运行环境，执行函数时只加载依赖的模块，所以速度上是要快上不少的，并且 matlab 的运行环境是不收费且无需授权的，所以这是一种可以考虑的部署方式。

警告

不过，本人在使用这种方式运行 Simulink 仿真的时候遇到了未知的错误，执行sim函数时会报错，因而最终也没有采用这种方式。

2.4 Simulink Coder

使用 Simulink Coder 前需要安装一款合适的 C 编译器，如下：

在「APP」中选择 Simulink Coder，然后在弹出的 C 代码标签页上点击「编译」即可：

这样，便会生成如下的 C Make 项目：

打开文件夹cmake-build-debug，可以看到，matlab 已经为我们编译好了可执行文件。

信息

这种方式不依赖于 Matlab 运行环境，并且因为是原生的 C 语言环境，程序的运行速度也很快，所以最后本人便采用这种方式来编译 Simulink。

第 3 节编译共享链接库

使用 Simulink Coder 编译时，默认生成的是可执行文件，这有一定的局限性。

一方面，执行可执行文件时，不好指定输入，输出也不好获取，对于 Simulink 这样依赖输入输出的仿真应用，非常不方便。
另一方面，可执行文件的中间运算过程是固定的，不方便在仿真的中途修改数据。

所以，需要修改C Make的编译方式，生成共享链接库（Windows 中是 dll 文件，Mac 中是dylib 文件，linux 中是 so 文件）。

找到CMakeLists.txt文件，其中有一行用于生成可执行文件：

1

add_executable(「xxx」  ${MATLAB_ROOT}/rtw/c/src/common/rt_main.c)

将其替换成以下内容：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


# 将原来的add_executable改为add_library并指定为SHARED库  
add_library(「xxx」 SHARED ${MATLAB_ROOT}/rtw/c/src/common/rt_main.c)  
  
# 设置库的属性  
set_target_properties(「xxx」 PROPERTIES PREFIX ""  
        BUILD_WITH_INSTALL_RPATH TRUE  
        INSTALL_RPATH_USE_LINK_PATH TRUE  
        SOVERSION 1)  # 添加版本号  
  
# 修改安装规则，将RUNTIME改为LIBRARY  
install(TARGETS 「xxx」  
        LIBRARY DESTINATION "lib"  # 修改为LIBRARY并指定安装目录  
        ARCHIVE DESTINATION "lib"  # 添加静态库安装目录  
        RUNTIME DESTINATION "bin"  # 可执行文件目录(如果有的话)  
        OPTIONAL)

重新编译即可获得共享链接库。

第 4 节查看 C 代码

因为后续使用 Python 调用共享链接库时，需要执行库中的 C 函数，因而需要了解源码中 C 函数的变量名。

在xxx.h里面，定义了模型的输入和输出，如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


typedef struct {  
  real_T CV11;                         /* '<Root>/CV11' */  
  real_T CV12;                         /* '<Root>/CV12' */  
  real_T CV21;                         /* '<Root>/CV21' */  
  real_T CV22;                         /* '<Root>/CV22' */  
  boolean_T Reduce1;                   /* '<Root>/Reduce1' */  
  boolean_T Reduce2;                   /* '<Root>/Reduce2' */  
  real_T Power;                        /* '<Root>/Power' */  
} ExtU_RPC_ABSmin_T;
typedef struct {  
  real_T Number;                       /* '<Root>/Number' */  
} ExtY_RPC_ABSmin_T;

定义了两个结构体，ExtU_xxx_T是输入，ExtY_xxx_T是输出。

在xxx.c里面，定义了模型的运算过程，如下：

1
2
3


void RPC_ABSmin_initialize(void)  {...}
void RPC_ABSmin_step(void)  {...}
void RPC_ABSmin_terminate(void)  {...}

RPC_ABSmin_initialize是构造函数，RPC_ABSmin_step是迭代函数，而RPC_ABSmin_terminate是析构函数。

如果在模型中指定了仿真的步长和时间，就会在构造函数中看到如下内容：

1
2
3
4


# 步长 0.01 s
RPC_ABSmin_M->Timing.stepSize0 = 0.01;
# 时间 1s
rtmSetTFinal(RPC_ABSmin_M, 1.0);  

迭代函数里面是每个步长中需要执行的运算。

信息

可见 Simulink 就是定义了初始状态和每一步的运算，然后反复迭代的过程。

第 5 节编写 Python 代码

有了上面 C 代码的铺垫，可以编写 Python 代码如下：

首先，定义模型的输入输出形式，对应.h文件：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


import ctypes  
  
class ExtU_RPC_ABSmin_T(ctypes.Structure):  
    _fields_ = [  
        ("CV11", ctypes.c_double),   
        ("CV12", ctypes.c_double),   
        ("CV21", ctypes.c_double),  
        ("CV22", ctypes.c_double),   
        ("Reduce1", ctypes.c_uint8),   
        ("Reduce2", ctypes.c_uint8),   
        ("Power", ctypes.c_double)
    ]  
  
class ExtY_RPC_ABSmin_T(ctypes.Structure):  
    _fields_ = [  
        ("Number", ctypes.c_double)  
    ]

然后，读取共享链接库，并绑定数据：

1
2
3
4


lib = ctypes.CDLL("RPC_ABSmin.dylib")  

RPC_ABSmin_U = ExtU_RPC_ABSmin_T.in_dll(lib, "RPC_ABSmin_U")  
RPC_ABSmin_Y = ExtY_RPC_ABSmin_T.in_dll(lib, "RPC_ABSmin_Y")

最后，执行仿真，对应.c文件：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


lib.RPC_ABSmin_initialize()  

RPC_ABSmin_U.CV11 = 1.0  
RPC_ABSmin_U.CV12 = 1.0  
RPC_ABSmin_U.CV21 = 1.0  
RPC_ABSmin_U.CV22 = 1.0  
RPC_ABSmin_U.Reduce1 = 0  
RPC_ABSmin_U.Reduce2 = 0  
RPC_ABSmin_U.Power = 2000.0  

for i in range(100):  
    lib.RPC_ABSmin_step()  
print("模型输出 Number =", RPC_ABSmin_Y.Number)  

lib.RPC_ABSmin_terminate()

第 6 节移植到其他平台

在完成上述工作以后，需要将项目移植到其他平台，常见的服务器有 Windows 服务器和 Linux 服务器，而架构有 X86 架构和 ARM 架构，需要按照服务器的系统和架构编译对应版本的共享链接库。

由于 CMake 可以跨平台交叉编译，所以只需要进行一定的设置，就可以一次生成全平台的编译结果，方便我们进行移植。

6.1 安装编译器

本人安装过程中主要使用homebrew进行安装。

Windows X86_64 的编译器可以通过homebrew直接安装，方法如下：

1

brew install mingw-w64

Windows ARM64 的编译器无法直接通过homebrew安装，可以在 Github 上下载llvm-mingw的最新版本，然后解压到任意指定位置即可。

可以看到压缩包也包含了Windows X86_64 的编译器，所以也可以直接用这个，homebrew会同时配置好环境变量，更加方便一些。

Linux 的编译器可以通过homebrew直接安装，方法如下：

1

brew install FiloSottile/musl-cross/musl-cross

6.2 编写 `CMakePresets.json`

这个文件中定义了多种编译方式，以及各种编译方式的编译器和相关设置所在的位置：

以上是本人使用的编译方式，从上到下定义了 MacOS、Linux 和 Windows 的多种编译：

MacOS的编译：使用的是本地的编译器，位置在/usr/bin/clang和/usr/bin/clang++，可能会因为安装方式的不同而发生变化，本人的操作系统在如下位置。
Linux和Windows的编译：这里使用了工具链（ToolChain）进行编译，可以看到工具链放在了${sourceDir}/cmake/toolchains/目录下，也就是在项目的根目录下有如下内容：

`linux-x86_64.cmake`

1
2
3
4
5
6
7
8


set(CMAKE_SYSTEM_NAME Linux)  
set(CMAKE_SYSTEM_PROCESSOR x86_64)  
set(CMAKE_C_COMPILER /opt/homebrew/bin/x86_64-linux-musl-gcc)  
set(CMAKE_CXX_COMPILER /opt/homebrew/bin/x86_64-linux-musl-g++)  
set(CMAKE_SYSROOT /opt/homebrew)  
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)  
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)  
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

`linux-arm64.cmake`

1
2
3
4
5
6
7
8


set(CMAKE_SYSTEM_NAME Linux)  
set(CMAKE_SYSTEM_PROCESSOR aarch64)  
set(CMAKE_C_COMPILER /opt/homebrew/bin/aarch64-linux-musl-gcc)  
set(CMAKE_CXX_COMPILER /opt/homebrew/bin/aarch64-linux-musl-g++)  
set(CMAKE_SYSROOT /opt/homebrew)  
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)  
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)  
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

`windows-x86_64.cmake`

1
2
3
4
5
6
7
8


set(CMAKE_SYSTEM_NAME Windows)  
set(CMAKE_SYSTEM_PROCESSOR x86_64)  
set(CMAKE_C_COMPILER /opt/homebrew/bin/x86_64-w64-mingw32-gcc)  
set(CMAKE_CXX_COMPILER /opt/homebrew/bin/x86_64-w64-mingw32-g++)  
set(CMAKE_SYSROOT /opt/homebrew)  
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)  
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)  
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

`windows-arm64.cmake`

1
2
3
4
5
6
7
8


set(CMAKE_SYSTEM_NAME Windows)  
set(CMAKE_SYSTEM_PROCESSOR ARM64)  
set(CMAKE_C_COMPILER   /xxx/llvm-mingw/bin/aarch64-w64-mingw32-clang)  
set(CMAKE_CXX_COMPILER /xxx/llvm-mingw/bin/aarch64-w64-mingw32-clang++)  
set(CMAKE_SYSROOT /xxx/llvm-mingw/aarch64-w64-mingw32)  
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)  
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)  
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

这里llvm-mingw的位置按照安装位置设定。

6.3 执行编译

执行编译的步骤如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


# MacOS-x86_64
cmake --preset macos-x86_64
cmake --build build/macos-x86_64
# MacOS-arm64
cmake --preset macos-arm64
cmake --build build/macos-arm64
# Windows-x86_64
cmake --preset windows-x86_64
cmake --build build/windows-x86_64
# Windows-arm64
cmake --preset windows-arm64
cmake --build build/windows-arm64
# Linux-x86_64
cmake --preset linux-x86_64
cmake --build build/linux-x86_64
# Linux-arm64
cmake --preset linux-arm64
cmake --build build/linux-arm64

使用 Python 调用 Simulink 进行仿真

第 1 节 概述

第 2 节 部署方式

2.1 Matlab Production/Web App Server

Matlab Production Server

Matlab Web App Server

2.2 MATLAB Engine API

2.3 Python 包编译器

2.4 Simulink Coder

第 3 节 编译共享链接库

第 4 节 查看 C 代码

第 5 节 编写 Python 代码

第 6 节 移植到其他平台

6.1 安装编译器

6.2 编写 CMakePresets.json

linux-x86_64.cmake

linux-arm64.cmake

windows-x86_64.cmake

windows-arm64.cmake

6.3 执行编译

第 1 节概述

第 2 节部署方式

第 3 节编译共享链接库

第 4 节查看 C 代码

第 5 节编写 Python 代码

第 6 节移植到其他平台

6.2 编写 `CMakePresets.json`

`linux-x86_64.cmake`

`linux-arm64.cmake`

`windows-x86_64.cmake`

`windows-arm64.cmake`