优化题型整理

连续：（决策变量可以在某个范围内取任意实数值）离散：（不连续）

1. 线性规划模型
2. 非线性规划模型
3. 整数规划模型（线性非线性：0-1规划模型、运输模型、网络流模型、调度问题、选址问题、项目选择、最短路径问题、旅行商问题、贪心算法、图论问题）
4. 混合整数规划模型（某些决策变量取整数值，而其他决策变量可以取连续值）

启发式算法

也有一种方式（在某本书上看见的）： 

 例题

（一些自己的小白的，新手的，不成熟的，完全做笔记来着的笔记，后面就可以不必看了）

一、2024华数杯C题

2024华数杯C题——要求50个城市，已知城市之间的距离S，城市通过高铁贯通，高铁速度300km/h，高铁费用0.5km/人公里，城市游玩费用A，城市游玩时间B，城市综合评价C， 要求时间限制在144小时内，要求旅游的城市尽可能多，旅游城市综合评价尽可能高，规定了初始城市为广州。

是一道单约束双目标规划题目，有点像旅行商问题，但是“旅游的城市尽可能多”说明了不可能把所有城市逛完，即不能预设旅行了多少城市，得像蚂蚁闯迷宫一样一次次试这个城市行不行或者枚举。

先通过线性加权法将多目标转为单目标。

“有点像旅行商问题”——旅行商问题（一个售货员必须访问n个城市，恰好访问每个城市一次，并最终回到出发城市。）除了回到初始位置，和不能走完全部城市，非常相似！

“不能预设旅行了多少城市”——不能使用遗传算法，（可能可以，但我不会）因为不能预设初始种群。其他的启发式算法能用吗？至少蚁群和粒子群好像需要预设。（我发现，模拟退火好像……可以期待一下，但是我不会哈哈）

“得像蚂蚁闯迷宫一样一次次试这个城市行不行或者枚举。”——贪心算法（每一步都做出在当前看来是最好的选择，以此来寻找全局最优解。这种方法简单直观，但在某些情况下可能无法得到最优解。）——那么原本的最短路径转化为目标函数成为每个城市的权重。

“单约束双目标规划题目”——很显然，如果可以使用非线性规划也是选择——但我不知道选择的顺序，因此不能计算目标函数的旅行时间和费用，除非我选择50*50的决策变量——好多（T-T)。

1，旅行商问题

一个售货员必须访问n个城市，恰好访问每个城市一次，并最终回到出发城市。

动态规划：A出发，找到最短距离B，则下一步就是从B到其他点（除开AB)的最短距离，就是最优子结构。复杂度O（2^N*N^2），问题规模即使是50就不能做到。

贪心算法：从A一步步试探出去，每次最短路径，并且始终不用返回往前走。复杂度O(n^2)，但找到的是局部最优解。思路和生成最小生成树的思路一样，由于是完全图稠密图，所以使用prim算法更好。以TSP为例，假设我们有四个城市 A、B、C 和 D。假设从城市 A 开始，贪心算法会选择距离 A 最近的城市 B，然后是 C，最后是 D。这样形成的路径可能是 A → B → C → D → A。但是，如果存在一种更好的路径顺序，比如 A → D → B → C → A，只是 A → D 距离稍微长了一点，贪心算法就不会发现这条更优的路径。

2，贪心算法

经典：Dijkstra算法和Prim算法、Kruskal算法

Dijkstra算法（A点到其他每个点的最短路径）：选择A延申的最短距离（假设链接B），确定AB最短距离，更新A到其他点的最短距离，然后再选择一个最短距离，例如C点，确认AC，以此往复，确认A到所有点的最短距离。（可以找其他人的博客看看，有很详细的解释）

Prim算法（选择图上最短的树）（不一定能一次性走完）：选择A延申的最短距离（假设链接B），则AB为一体，再选择延申出去最短距离，直到遍历所有点。

Kruskal算法（同上）：选择图上最短的边，不能形成圈，遍历所有点为止。

以上都不能用，但Prim算法很符合我们这题，延申出去的想法，只要记得每次只能从A点延申。

3，解决办法

使用旅行商贪心算法，此外在这道题里，出于不保证找到全局最优解，但能够在有限时间内找到一个接近最优解的方法——也可以称为启发式算法。

二、2023国赛C题

问题2：补货蔬菜品类，（已知过去携带时间的销售量、单价、批发价、退货，已知恒定的损耗率），要求得到定价与销售量的关系，给出未来一周品类的补货计划和定价策略，使收益最大。

这个问题可以拆解成三个小问题：

1、通过过去数年的销售量和单价和退货详情，得到定价与销售量的关系。

2、预测未来一周我们需要的数据。

3、给出未来一周品类的补货计划和定价策略，使收益最大。

第一个问题，数量关系的求解可以通过拟合插值来得到函数，两个定量数据也可以通过相关系数求解。

第二个问题，服务于第三个问题，假设已知未来数据，规划收益最大（销售量*定价-成本—>假设补货-损耗=销售—>销售量*定价-损耗a和销售量*批发价s），销售量和定价还有关系。这里要求给出未来一周品类的补货计划和定价策略，也就是说补货（损耗+销售量）是我们要决策的变量，定价和销售量有关系——>销售量是决策变量X。那么目标函数变为max；X*F(X)-(a+X)*s，损耗a恒定，批发价s是我们要预测的。

第三个问题，规划问题，决策变量为各品类销售量X（这里是X1，X2，X3等的矩阵，其他字符亦同），目标函数为max；X*F(X)-(a+X)*s，（F，a，s已知），决策变量连续，限制在过去补货的maxmin之间，F是约束也是限制（限制在过往的定价里，这是一个容易忘记的点，记得审查所有的数据用到没有，是否还有未知的限制）。属于单目标线性规划问题。

问题3：补货蔬菜单品，（已知过去携带时间的销售量、单价、批发价、退货，已知恒定的损耗率），要求可售单品总数控制在27-33个，且各单品订购量满足最小陈列量2.5千克的要求。根据2023年6月24-30日的可售品种，给出7月1日的单品补货量和定价策略，在尽量满足市场对各品类蔬菜商品需求的前提下，使得商超收益最大。

是上题的变体，从品类变为单品，先预测未来一日的批发价，我们仍然设各销售量X，目标函数为max；X*F(X)-(a+X)*s，（F定价，a损耗，s批发价已知），决策变量连续，限制在过去补货的maxmin之间，F是约束也是限制（限制在过往的定价里，这是一个容易忘记的点，记得审查所有的数据用到没有，是否还有未知的限制），此外订购量满足最小陈列量2.5千克的要求，即X+a约束，可售单品总数控制在27-33个，即对于每个单品再增加0-1决策变量A，总和约束。尽量满足市场对各品类蔬菜商品需求即目标函数要求A对应的品类B应该尽量多(对应每个B的A相乘为1)。这是双目标线性规划，应该使用线性加权或约束或其他方法转变为单目标规划。

注意日期——这段时间的单品可售品种为49个左右——决策变量不算多。（累）

这类规划问题，可以使用简单的求解，配合启发式算法比较。