数模中的优化模型

前言

• 本文总结了优化类常见模型，包括：线性规划、非线性规划、多目标规划
• 涉及优化常见方法，包括：linprog函数，fmincon函数，蒙特卡罗法，序贯算法，optimvar和optimproblem函数等
• 缺点：没有实际例子
• 可以作为初学者的数模优化模型学习提纲

一、线性规划

三要素

1. 决策变量：x,y…
2. 目标函数：max y=40x1+30x2
3. 约束条件：s.t....，注意非负数

简介

1. 适用：在一组线性约束条件下，求线性目标函数的最大值或最小值
2. 条件：变量关系都是线性的，即不存在X²,e^x,1/x,sinx,log₂x等等
3. 多目标线性规划模型：如果目标函数多个，则是多目标线性规划模型

适用赛题

1. 生产安排

• 原材料、设备有限制，原利润最大

2. 投资收益

• 涉及资产配置、收益率、损失率、组合投资，总收益最大
• 公式：风险率=投资额*损失率/总资产，收益率=收益/成本
• 辨析：如果要求“总收益最大”，一般可以用线性规划，如果要求“总收益率最大”，一般是非线性规划（c是负一次方 ）（不绝对）。判断标准：看所有变量是否一次方
• 合理简化：对“总风险尽可能小”进行定值，转化为不等式，最后再模型改进，多次设定值；投资都大于额定投资费。
• 常见思路：固定收益，极小化风险；固定风险，极大化收益；赋予风险和收益相应权重

3. 销售运输

• 产地、销地、产量、销量、运费，总运费最省

4. 车辆安排

• 路线、起点终点、承载量、时间点，车次安排最合理

代码求解

1. linprog函数

• 形式：[x,fal]=linprog(f,A,b,Aeq,beq,lb,ub)

• 名称	含义
  f	目标函数的系数向量
  A,b	不等式约束条件的变量系数矩阵和常数项矩阵
  Aeq,beq	等式约束条件的系数矩阵和常数项矩阵
  lb,ub	决策变量的最小取值和最大取值
  x	返回最优解的变量取值
  fval	返回目标函数的最优值

• matlab标准型：模型的目标函数是求最小值、约束条件都是小于等于号或者等号（如果求最大值w，则是求-w的最小值，化为标准型）

二、蒙特卡罗法

简介

1. 随机抽样，统计试验：当无法求精确解时，进行随机抽样，根据统计试验求近似解
2. 适用：可行域过大，没有通用方法求出精确解
3. 构成统计意义：抽样越多，越接近。
4. 不同问题有不同的概率分布
5. 如果有求精确解的方法，不要用该方法

代码求解

1. 求pi的近似解思路

• 随机投点（循环）在2*2的正方形中（中间有半径为1的圆形），看在半径为1的圆形中点所占比例，4乘以比例即为pi

2. 常用rand产生随机数

三、非线性规划

简介

1. 适用：模型中至少一个变量是非线性
2. 形式与线性规划类似
3. 一般来说，只能求近似解：线性规划的最优解只存在于可行域的边界上；非线性规划的最优解则可能在可行域内的任意一点

适用赛题

1. 比值问题

• 投资收益率，病毒传播率，经济增长率等

2. 空间问题

• 空间运动：曲线、角度变换。常用三角函数、指数函数和变量比值等
• 角度选择：电影院最佳视角问题等

3. 选址问题

• 已知坐标、运送物品，求如何设置新位置使运量最多/最省等等
• 点与点的距离公式属于非线性关系
• 合理假设：任意两点可以直达

代码求解

1. fmincon函数

• 形式：[x,fal]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nunlcon)

• 名称	含义
  fun	单独脚本文件里定义的目标函数
  x0	决策变量的初始值(影响最终结果)
  A,b	线性约束的不等式变量系数矩阵和常数项矩阵(<=
  Aeq,beq	线性约束的等式变量系数矩阵和常数项矩阵
  lb,ub	决策变量的最小取值和最大取值
  nonlcon	非线性约束，包括不等式和等式
  x	返回理想的变量取值
  fval	返回目标函数的理想值

• fun如果是同一文件的函数，写成：@+函数名
• 可多次设不同初始值分别求多个解

2. 蒙特卡罗法

• 选址问题的思路：在一定范围生成随机数(所有决策变量)，判断是否近似满足约束条件，满足的和前一个满足的比较，循环取最值的x，以该x矩阵为初始x0带入fmincon函数，可以的到比单独使用fmincon函数更精确

3. 其他方法：二次规划、罚函数法、梯度法等等

四、多目标规划

简介

1. 适用：既要…，又要…，还要…等等
2. 需要衡量每个目标的完成情况，如果存在冲突，要在主观上区分三个目标的重要性，使得整体的完成情况尽量好（确定优先因子p_k）
3. 约束分为：绝对约束、目标约束。目标约束允许有偏差

代码求解

1. 正偏差变量：d_i⁺=max{f_i-d_i⁰,0} 为实际值超过目标值的部分
2. 负偏差变量：d_i^-=-min{f_i-d_i⁰,0} 为实际值未达到目标值的部分
3. 运用偏差变量

• 不超过：min d_i⁺
• 不超过又不少于(且等权)：min (d_i⁺+d_i^-)
• 不超过又不少于(且不等权)：例min (2d_i⁺+d_i^-)
• 目标函数可以转化成为：偏差变量在优先因子加权下的和
• 多退少补：x1+x2>=18 等价于 x1+x2+d_i^--d_i⁺=18,这样就可以把不等式化为等式，作为约束条件

4. 优先因子

• 序贯算法中，优先因子只是用来区分目标的相对重要性，不需要具体数值
• 线性加权法中，需要确定具体数值，该方法过于简单、适用性小，不建议用

5. 序贯算法

• 根据模型中各个目标的优先级（优先因子），确定各目标的求解次序
• 求第一级单目标规划的最优值
• 以第一级单目标等于最优值为新的约束，求第二级目标最优值
• 递推，直到所有目标都求完，或者不存在可行解为止
• 注意：优先因子只是用于确定求解次序，而非数值，防止主观性过大
• 使用matlab中的优化变量optimvar和优化问题optimproblem