数学规划模型（四）

        在数学规划模型中，还有几种其他的分类，虽然出现频率不是很高，但对于特定的问题求解是很有帮助的。

一.最大最小化模型

        首先我们要先知道什么是最大最小化模型。在实际情况中，尤其是在对策论里，那么什么是对策论呢，对策论其实就是博弈论，我们常常可能会遇到这样的问题：要求我们在最不利的条件下，寻求最有效的策略，这就是最大最小化模型的雏形。

        我们在后面也举出了几个例子，比如求到所有地点最大距离的最小值，或是在投资中确定最大风险时的最低限度的亏损。因此，相比于常规的线性规划和非线性规划，可见约束条件是没有什么区别的，唯一区别的就是目标函数是求一个函数集的最大值。

        具体来看我们的例题，说是一个选址问题。要求我们选一个物品的供应中心，使它到最远需求点的距离尽可能小，可以识别出来，这是一个最大最小化模型的问题。其中，需要注意的是，题目中说明道路网与坐标轴平行，彼此正交，因此这里我们求两个目标的距离应采用沿道路行走计算距离，也就是曼哈顿距离。同时，供应中心的坐标我们是可以取小数的，因为题目已经要求了我们供应中心坐标的约束条件，如果不能取小数的话，我们完全可以用枚举法求出最终的结果。

        这是我们用matlab求解最大最小化模型的函数，可见相比于求解非线性规划问题，唯一有区别的是目标函数，在这里我们的目标函数是用一个函数向量来表示。

        具体的来看我们的代码。

%% 最大最小化模型  :   min{max[f1,f2,···,fm]}
x0 = [6, 6];      % 给定初始值
lb = [3, 4];  % 决策变量的下界
ub = [8, 10];  % 决策变量的上界
[x,feval] = fminimax(@Fun,x0,[],[],[],[],lb,ub)
max(feval)
% x =
%     8.0000    8.5000
% feval =
%    13.5000    5.5000    5.5000   12.5000    8.5000    8.5000    5.5000   13.5000    9.5000    0.5000
% 结论：
% 在坐标为(8,8.5)处建立供应中心可以使该点到各需求点的最大距离最小，最小的最大距离为13.5单位。

function f = Fun(x)
    a=[1 4 3 5 9 12 6 20 17 8];
    b=[2 10 8 18 1 4 5 10 8 9];
    %  函数向量
    f=zeros(10,1);
    for i = 1:10
        f(i) = abs(x(1)-a(i))+abs(x(2)-b(i));  
    end
% f(1) = abs(x(1)-a(1))+abs(x(2)-b(1));  
% f(2) = abs(x(1)-a(2))+abs(x(2)-b(2));
% f(3) = abs(x(1)-a(3))+abs(x(2)-b(3));
% f(4) = abs(x(1)-a(4))+abs(x(2)-b(4));
% f(5) = abs(x(1)-a(5))+abs(x(2)-b(5));
% f(6) = abs(x(1)-a(6))+abs(x(2)-b(6));
% f(7) = abs(x(1)-a(7))+abs(x(2)-b(7));
% f(8) = abs(x(1)-a(8))+abs(x(2)-b(8));
% f(9) = abs(x(1)-a(9))+abs(x(2)-b(9));
% f(10) = abs(x(1)-a(10))+abs(x(2)-b(10));
end 

二.多目标规划模型

        顾名思义，多目标规划模型就是在一个规划问题中有多个目标，即多个目标函数。具体我们用一个例题来理解。

        我们举出了一个例子，要求我们企业在保证利润最大的同时也要保证生产时的污染最少。这种情况就是一个多目标规划的例子，我们有两个目标，一个是利润最大，另一个是污染最少。遇到这种情况，我们需要把多目标函数进行加权组合，使问题变成单目标规划。

        需要注意的是，我们在进行加权组合时，需要把目标函数统一成最大化或最小化问题，比如在我们的例子中，利润最大是最大化问题，污染最少是最小化问题，我们需要把其中一个先转化成另一种形式。

        其次，如果目标函数的量纲不相同，需要将其进行标准化再进行加权。很容易理解，如果目标函数的量纲不同。那么我们进行加权相加是毫无意义的。最后，既然我们要进行加权组合，我们就需要得到各个目标函数的权重。一般这个权重是由专家确定的，但我们在比赛的时候是没有专家的，我们仍可以用之前学过的层次分析法或熵权法来确定权重，但在实际建模中，若无特殊说明，我们可令权重相同。

        我们用具体的一个例题来理解。可见求解起来的步骤与我们常规的线性规划与非线性规划并无区别。具体的求解步骤就用我们的代码来理解。

        这里我们引出了一个概念叫敏感性分析，这有利于我们更好的确定我们的权重。具体的理解参考ppt。

%%  多目标规划问题
w1 = 0.4;  w2 = 0.6;  % 两个目标函数的权重  x1 = 5  x2 = 2
w1 = 0.5;  w2 = 0.5;  % 两个目标函数的权重  x1 = 5  x2 = 2
w1 = 0.3;  w2 = 0.7;  % 两个目标函数的权重  x1 = 1  x2 = 6
c = [w1/30*2+w2/2*0.4 ;w1/30*5+w2/2*0.3];  % 线性规划目标函数的系数
A = [-1 -1];  b = -7; % 不等式约束
lb = [0 0]'; ub = [5 6]'; % 上下界
[x,fval] = linprog(c,A,b,[],[],lb,ub)
f1 = 2*x(1)+5*x(2)
f2 = 0.4*x(1) + 0.3*x(2)


%% 敏感性分析
clear;clc
W1 = 0.1:0.001:0.5;  W2 = 1- W1;  
n =length(W1);
F1 = zeros(n,1);  F2 = zeros(n,1);   X1 = zeros(n,1);  X2 = zeros(n,1);   FVAL = zeros(n,1);
A = [-1 -1];  b = -7; % 不等式约束
lb = [0 0]; ub = [5 6]; % 上下界
for i = 1:n
    w1 = W1(i);  w2 = W2(i);
    c = [w1/30*2+w2/2*0.4 ;w1/30*5+w2/2*0.3];  % 线性规划目标函数的系数
    [x,fval] = linprog(c,A,b,[],[],lb,ub);
    F1(i) = 2*x(1)+5*x(2);
    F2(i) = 0.4*x(1) + 0.3*x(2);
    X1(i) = x(1);
    X2(i) = x(2);
    FVAL(i) = fval;
end

% 「Matlab」“LaTex字符汇总”讲解：https://blog.csdn.net/Robot_Starscream/article/details/89386748
% 在图上可以加上数据游标，按住Alt加鼠标左键可以设置多个数据游标出来。
figure(1) 
plot(W1,F1,W1,F2)
xlabel('f_{1}的权重') 
ylabel('f_{1}和f_{2}的取值')
legend('f_{1}','f_{2}')

figure(2)
plot(W1,X1,W1,X2)
xlabel('f_{1}的权重') 
ylabel('x_{1}和x_{2}的取值')
legend('x_{1}','x_{2}')

figure(3)
plot(W1,FVAL)  % 看起来是两个直线组合起来的下半部分
xlabel('f_{1}的权重') 
ylabel('综合指标的值')