数学建模_规划类问题_优化与控制【线性规划】【整数规划】

最新推荐文章于 2024-08-13 14:56:28 发布

文丽737

最新推荐文章于 2024-08-13 14:56:28 发布

阅读量1.6k

点赞数 55

文章标签：数学建模 python

本文链接：https://blog.csdn.net/2302_78966864/article/details/140880641

版权

数学建模题型与知识框架总览

题型：

1.数据处理 2.关联与分析 3.分类与判别 4.评价与决策 5.预测与预报 6.优化与控制

优化与控制：

通过数学模型和算法，寻找最优解的过程

知识框架：

1.线性规划 2.整数规划 3.动态规划 4.非线性规划 5.多目标规划 6.启发式算法

线性规划

判断

目标函数和约束条件均为线性函数--------------所有变量都是一次方

处理方法

1、lindo

（1）打开lindo

（2）步骤

输入目标函数，使用 MAX 或 MIN 关键字开始。
输入约束条件，使用 ST 或 SUBJECT TO 关键字开始。
每个约束条件单独一行，使用 <=, >=, 或 = 表示不等式类型。
最后，使用 END 关键字结束模型输入。

（3）查看结果

点击小靶子运行求解

点击“是”，进行敏感性分析

查看指标

最优解信息

LP OPTIMUM FOUND AT STEP      2

线性规划的最优解在算法在两次迭代后找到。表明问题相对简单或模型结构良好。

目标函数值

OBJECTIVE FUNCTION VALUE
1)      26.00000

最优解的目标函数值为26.00000。

决策变量值和减少成本

VARIABLE        VALUE          REDUCED COST
X1         2.000000          0.000000
X2         4.000000          0.000000
X1,X2         0.000000          0.000000

X1 的最优值为2.000000，其减少成本为0.000000，表示在当前最优解下，X1 的目标函数系数变化不会影响最优解。

X2 的最优值为4.000000，其减少成本同样为0.000000，表明X2 的目标函数系数变化也不会影响最优解。

X1,X2 的值为0.000000，可能是非基变量或辅助变量，其减少成本为0.000000，表示这些变量在最优解中不起作用。

约束条件的松弛或剩余及对偶价格

ROW   SLACK OR SURPLUS     DUAL PRICES
2)         0.000000          2.333333
3)         0.000000          0.333333
4)         0.000000          0.000000

第2个约束条件的松弛变量值为0.000000，表明这个约束是紧约束，其对偶价格为2.333333，表示如果该约束的右端值增加1个单位，目标函数值将增加2.333333。

第3个约束条件的松弛变量值为0.000000，也是紧约束，其对偶价格为0.333333，表示如果该约束的右端值增加1个单位，目标函数值将增加0.333333。

第4个约束条件的松弛变量值为0.000000，其对偶价格为0.000000，可能表示这个约束不是紧约束，或者它是一个冗余约束。

迭代次数

NO. ITERATIONS=       0

迭代次数为0，这可能表明问题非常简单，或者使用了特定的算法（如单纯形法）在找到最优解之前没有进行任何迭代。

目标函数系数的范围

OBJ COEFFICIENT RANGES
VARIABLE         CURRENT        ALLOWABLE        ALLOWABLE
               COEF          INCREASE         DECREASE
X1        3.000000         7.000000         0.500000
X2        5.000000         1.000000         3.500000
X1,X2        0.000000         0.000000         INFINITY

X1 的当前系数为3.000000，系数可以增加至7.000000而不改变最优解，可以减少至0.500000而不改变最优解。

X2 的当前系数为5.000000，系数可以增加至1.000000而不改变最优解，可以减少至3.500000而不改变最优解。

X1,X2 的当前系数为0.000000，系数可以无限减少而不影响最优解。

约束条件右端值的范围

RIGHTHAND SIDE RANGES
ROW         CURRENT        ALLOWABLE        ALLOWABLE
           RHS          INCREASE         DECREASE
2       10.000000         6.000000         6.000000
3        8.000000        12.000000         3.000000
4        0.000000         0.000000         INFINITY

第2个约束条件的当前右端值为10.000000，可以增加至16.000000而不改变最优解，可以减少至4.000000而不改变最优解。

第3个约束条件的当前右端值为8.000000，可以增加至20.000000而不改变最优解，可以减少至5.000000而不改变最优解。

第4个约束条件的当前右端值为0.000000，可以增加至0.000000而不改变最优解，可以减少至0.000000而不改变最优解。

整数规划

判断

是将部分或全部决策变量限制为整数的规划问题

处理：

1、python

构建模型：

import pulp

# 创建LP最小化问题
prob = pulp.LpProblem("Integer Programming Problem", pulp.LpMaximize)

# 定义变量，变量x1，x2，下界为零，整数
x1 = pulp.LpVariable('x1', lowBound=0, cat='Integer')  # Non-negative integer variable
x2 = pulp.LpVariable('x2', lowBound=0, cat='Integer')  # Non-negative integer variable

# Objective function
prob += 3 * x1 + 5 * x2

# Constraints
prob += x1 + 2 * x2 <= 10
prob += 2 * x1 + x2 <= 8

# Solve the problem
prob.solve()

# Print the results
print("Status:", pulp.LpStatus[prob.status])
print("Optimal values:")
print("x1 =", pulp.value(x1))
print("x2 =", pulp.value(x2))
print("Optimal objective value:", pulp.value(prob.objective))