加工奶制品的生产计划

最新推荐文章于 2024-04-12 11:44:12 发布
最新推荐文章于 2024-04-12 11:44:12 发布
阅读量5.3k 收藏 66
点赞数 8
分类专栏： 数学建模 Gruobi 文章标签： 算法 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kilig___/article/details/120621671
版权

例1： 加工奶制品的生产计划

问题一:奶制品加工厂用牛奶生产 A 1 A_1 A1​, A 2 A_2 A2​两种奶制品,1桶牛奶可以在甲类设备上用12 h加工成3 kg A 1 A_1 A1​,或者在乙类设备上用8 h加工成4 kg A 2 A_2 A2​,.根据市场需求,生产的 A 1 A_1 A1​, A 2 A_2 A2​、全部能售出,且每千克 A 1 A_1 A1​，获利24元,每千克 A 2 A_2 A2​获利16元.现在加工厂每天能得到50桶牛奶的供应,每天正式工人总的劳动时间为480 h,并且甲类设备每天至多能加工100 kg A 1 A_1 A1​,乙类设备的加工能力没有限制.试为该厂制订一个生产计划,使每天获利最大,并进一步讨论以下3个附加问题:

1)若用35元可以买到1桶牛奶,应否作这项投资?若投资,每天最多购买多少桶牛奶?

2）若可以聘用临时工人以增加劳动时间,付给临时工人的工资最多是每小时几元?

3）由于市场需求变化,每千克 A 1 A_1 A1​的获利增加到30元,应否改变生产计划?1

针对原始问题，我们可以假设生产 A 1 . A 2 A_1.A_2 A1​.A2​所消耗牛奶的桶数分别为 x 1 , x 2 x_1,x_2 x1​,x2​利润为 y y y那么即可建立模型
M a x y = 24 ∗ 3 ∗ x 1 + 16 ∗ 4 ∗ x 2 S . T . { x 1 + x 2 < = 50 12 ∗ x 1 + 8 ∗ x 2 < = 480 3 ∗ x 1 < = 100 x 1 , x 2 > = 0 Max\quad y = 24*3*x_1 + 16*4*x_2\\ S.T.\left\{ \begin{aligned} x_1+x_2<=50\\ 12*x_1+8*x_2<=480\\ 3*x_1<=100\\ x_1,x_2>=0\\ \end{aligned} \right. Maxy=24∗3∗x1​+16∗4∗x2​S.T.⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧​x1​+x2​<=5012∗x1​+8∗x2​<=4803∗x1​<=100x1​,x2​>=0​

原始问题结果最终由代码求解（代码1-1）得到

目标函数值是： 3360.0
 x_1 = 20.0
 x_2 = 30.0

故原始问题用20桶牛奶生产 A 1 30 桶 牛 奶 生 产 A 2 A_130桶牛奶生产A_2 A1​30桶牛奶生产A2​即可得到利润的最大值为3360

第一个附加问题将目标函数进行适当改动即可,假设购买了 x 3 x_3 x3​桶牛奶
M a x y = 24 ∗ 3 ∗ x 1 + 16 ∗ 4 ∗ x 2 − 35 ∗ x 3 S . T . { x 1 + x 2 < = 50 + x 3 12 ∗ x 1 + 8 ∗ x 2 < = 480 3 ∗ x 1 < = 100 x 1 , x 2 > = 0 Max\qquad y = 24*3*x_1 + 16*4*x_2 - 35*x_3\\ S.T.\left\{ \begin{aligned} x_1+x_2<=50+x_3\\ 12*x_1+8*x_2<=480\\ 3*x_1<=100\\ x_1,x_2>=0\\ \end{aligned} \right. Maxy=24∗3∗x1​+16∗4∗x2​−35∗x3​S.T.⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧​x1​+x2​<=50+x3​12∗x1​+8∗x2​<=4803∗x1​<=100x1​,x2​>=0​
由代码1-2重新求解得到

目标函数值是： 3438.0
x_1 = 8.0
x_2 = 48.0
x_3 = 6.0

可得应该做这笔投资，增加6桶牛奶的购买量即可

影子价格

增加了6桶牛奶的量，利润增加了3438-3360=78。每增加1桶牛奶可增加13的利润，在问题中，13即为牛奶的影子价格。为投资购买牛奶时牛奶桶数即为限制利润变的更大的主要因素，为紧约束

gurobipy有相关影子价格求解的相关函数2 因此对于附加问题1不用重新求解，求解影子价格进行分析即可，在代码1-1的基础上进行输出即可，详见代码1-3

  • 结果：Variable X
     x_1           20 
     x_2           30
  • Slack：当前解的约束松弛
    machine_Time           40
  • 影子价格
    Milk           48 
    Time            2

对于Slack

machine_Time为40对应的约束条件为x1*3<=100，这就说明，甲机器在此生产情况下仍有40h的剩余。
表明原料、劳动时间已用完,而甲类设备的能力有余.一般称“资源”剩余为0的约束为紧约束(有效约束).

对于影子价格

目标函数可以看作“效益”,成为紧约束的“资源”一旦增加,“效益”必然跟着增长.输出第影子价格给出这3种资源在最优解下“资源”增加1个单位时“效益”的增量:原料[MILK]增加1个单位(1桶牛奶)时利润增长48元,劳动时间[TIME]增加1个单位( 1h)时利润增长2元,而增加非紧约束[ CPCT]甲类设备的能力显然不会使利润增长.这里,“效益”的增量可以看作“资源”的潜在价值,经济学上称为影子价格,即1桶牛奶的影子价格为48元,1 h劳动的影子价格为2元,甲类设备的影子价格为0.
由此可得若可以聘用临时工人以增加劳动时间,付给临时工人的工资最多是每小时几元。而牛奶的影子价格也与改变模型重新求解得到的结果一致

以下为目标函数中的系数发生变化时最优解条件不变，目标系数的变化范围

x_1为64-96   x_2为48-72   注意:x_1系数的允许范围需要x_2系数64不变,反之亦然.
  • Variable SAObjLow
     x_1           64 
     x_2           48
  • Variable SAObjUp
     x_1           96 
     x_2           72

以下为约束条件右端常数项的变化范围

  • Constraint SARHSLow
    Milk      43.3333 
    Time          400 
    machine_Time           60
  • Constraint SARHSUp
    Milk           60 
    Time      533.333 
    machine_Time          inf
  • 对于影子价格，也是有限度的。超过了限度及时增加对应的“资源”，收益也不会得到相应的增长。约束条件右端常数项的变化范围就给出了“影子价格”的变化范围

由此可回答上述问题三问

(1)Milk影子价格48 大于一桶牛奶的成本。应该做这项投资，最多可购买10桶牛奶。
(2)Time的影子价格为2，说明每增加1h的工作时间可带来2r的收益。则雇用临时工人的最高工资为2r/h
(3)每千克𝐴1的获利增加到30元,那么目标函数中A1的系数就变为了 30*3 = 90 < 96 可不更改原来的生产计划。

代码1-1

import gurobipy as grb

model = grb.Model("Milk_1_1")
# 定义变量
x1 = model.addVar(lb=0,ub=50,vtype=grb.GRB.INTEGER, name='x_1')
x2 = model.addVar(lb=0,ub=50,vtype=grb.GRB.INTEGER, name='x_2')
# 添加约束
model.addConstr(x1+x2<=50)
model.addConstr(12*x1+8*x2<=480)
model.addConstr(x1*3<=100)
# 目标函数
model.setObjective(24*3*x1+16*4*x2, grb.GRB.MAXIMIZE)
# 求解
model.optimize()
print('目标函数值是：', model.objVal)
for v in model.getVars():
    print(v.varName, '=', v.x)

输出：

Gurobi Optimizer version 9.1.2 build v9.1.2rc0 (win64)
Thread count: 4 physical cores, 8 logical processors, using up to 8 threads
Optimize a model with 3 rows, 2 columns and 5 nonzeros
Model fingerprint: 0x39cf0539
Variable types: 0 continuous, 2 integer (0 binary)
Coefficient statistics:
  Matrix range     [1e+00, 1e+01]
  Objective range  [6e+01, 7e+01]
  Bounds range     [5e+01, 5e+01]
  RHS range        [5e+01, 5e+02]
Found heuristic solution: objective 3016.0000000
Presolve removed 1 rows and 0 columns
Presolve time: 0.00s
Presolved: 2 rows, 2 columns, 4 nonzeros
Variable types: 0 continuous, 2 integer (0 binary)

Root relaxation: objective 3.360000e+03, 2 iterations, 0.00 seconds

    Nodes    |    Current Node    |     Objective Bounds      |     Work
 Expl Unexpl |  Obj  Depth IntInf | Incumbent    BestBd   Gap | It/Node Time

*    0     0               0    3360.0000000 3360.00000  0.00%     -    0s

Explored 0 nodes (2 simplex iterations) in 0.04 seconds
Thread count was 8 (of 8 available processors)

Solution count 2: 3360 3016 

Optimal solution found (tolerance 1.00e-04)
Best objective 3.360000000000e+03, best bound 3.360000000000e+03, gap 0.0000%
目标函数值是： 3360.0
x_1 = 20.0
x_2 = 30.0

代码1-2

import gurobipy as grb

model = grb.Model("Milk_1_2")
# 定义变量
x1 = model.addVar(lb=0,ub=50,vtype=grb.GRB.INTEGER, name='x_1')
x2 = model.addVar(lb=0,ub=50,vtype=grb.GRB.INTEGER, name='x_2')
x3 = model.addVar(lb=0,ub=50,vtype=grb.GRB.INTEGER, name='x_3')
# 添加约束
model.addConstr(x1+x2<=50+x3)
model.addConstr(12*x1+8*x2<=480)
model.addConstr(x1*3<=100)
# 目标函数
model.setObjective(24*3*x1+16*4*x2-35*x3, grb.GRB.MAXIMIZE)
# 求解
model.optimize()
print('目标函数值是：', model.objVal)
for v in model.getVars():
    print(v.varName, '=', v.x)

输出

Gurobi Optimizer version 9.1.2 build v9.1.2rc0 (win64)
Thread count: 4 physical cores, 8 logical processors, using up to 8 threads
Optimize a model with 3 rows, 3 columns and 6 nonzeros
Model fingerprint: 0x990a2b23
Variable types: 0 continuous, 3 integer (0 binary)
Coefficient statistics:
  Matrix range     [1e+00, 1e+01]
  Objective range  [4e+01, 7e+01]
  Bounds range     [5e+01, 5e+01]
  RHS range        [5e+01, 5e+02]
Found heuristic solution: objective 3016.0000000
Presolve removed 1 rows and 0 columns
Presolve time: 0.00s
Presolved: 2 rows, 3 columns, 5 nonzeros
Variable types: 0 continuous, 3 integer (0 binary)

Root relaxation: objective 3.446667e+03, 1 iterations, 0.00 seconds

    Nodes    |    Current Node    |     Objective Bounds      |     Work
 Expl Unexpl |  Obj  Depth IntInf | Incumbent    BestBd   Gap | It/Node Time

     0     0 3446.66667    0    2 3016.00000 3446.66667  14.3%     -    0s
H    0     0                    3430.0000000 3446.66667  0.49%     -    0s
H    0     0                    3438.0000000 3446.66667  0.25%     -    0s
     0     0 3446.66667    0    2 3438.00000 3446.66667  0.25%     -    0s

Explored 1 nodes (1 simplex iterations) in 0.04 seconds
Thread count was 8 (of 8 available processors)

Solution count 3: 3438 3430 3016 

Optimal solution found (tolerance 1.00e-04)
Best objective 3.438000000000e+03, best bound 3.438000000000e+03, gap 0.0000%
目标函数值是： 3438.0
x_1 = 8.0
x_2 = 48.0
x_3 = 6.0

代码1-3

import gurobipy as grb
from gurobipy import *

model = grb.Model("Milk_1_1")
# 定义变量
x1 = model.addVar( name='x_1')
x2 = model.addVar( name='x_2')
# 添加约束
model.addConstr(x1+x2<=50,"Milk")
model.addConstr(12*x1+8*x2<=480,"Time")
model.addConstr(x1*3<=100,"machine_Time")
# 目标函数
model.setObjective(24*3*x1+16*4*x2, grb.GRB.MAXIMIZE)
# 求解
model.optimize()
print('目标函数值是：', model.objVal)
for v in model.getVars():
    print(v.varName, '=', v.x)
#print("影子价格:",model.Pi)
if model.status == GRB.OPTIMAL:
    model.printAttr('X')
    model.printAttr('Slack')
    model.printAttr('Pi')
    model.printAttr('SAObjLow')
    model.printAttr('SAObjUp')
    model.printAttr('SARHSLow')
    model.printAttr('SARHSUp')
    
#注意：vtype=grb.GRB.INTEGER, vtype=grb.GRB.INTEGER,在固定变量类型之后，求解Pi会报错
#

输出：

Using license file C:\Users\mzq\gurobi.lic
Gurobi Optimizer version 9.1.2 build v9.1.2rc0 (win64)
Thread count: 4 physical cores, 8 logical processors, using up to 8 threads
Optimize a model with 3 rows, 2 columns and 5 nonzeros
Model fingerprint: 0x31f8b533
Coefficient statistics:
  Matrix range     [1e+00, 1e+01]
  Objective range  [6e+01, 7e+01]
  Bounds range     [0e+00, 0e+00]
  RHS range        [5e+01, 5e+02]
Presolve removed 1 rows and 0 columns
Presolve time: 0.02s
Presolved: 2 rows, 2 columns, 4 nonzeros

Iteration    Objective       Primal Inf.    Dual Inf.      Time
       0    3.6000000e+03   2.416667e+01   0.000000e+00      0s
       2    3.3600000e+03   0.000000e+00   0.000000e+00      0s

Solved in 2 iterations and 0.04 seconds
Optimal objective  3.360000000e+03
目标函数值是： 3360.0
x_1 = 20.0
x_2 = 30.0

    Variable            X 
-------------------------
         x_1           20 
         x_2           30 

  Constraint        Slack 
-------------------------
machine_Time           40 

  Constraint           Pi 
-------------------------
        Milk           48 
        Time            2 

    Variable     SAObjLow 
-------------------------
         x_1           64 
         x_2           48 

    Variable      SAObjUp 
-------------------------
         x_1           96 
         x_2           72 

  Constraint     SARHSLow 
-------------------------
        Milk      43.3333 
        Time          400 
machine_Time           60 

  Constraint      SARHSUp 
-------------------------
        Milk           60 
        Time      533.333 
machine_Time          inf

例2

奶制品的生产销售计划

例1:给出的 A 1 A_1 A1​, A 2 A_2 A2​两种奶制品的生产条件、利润及工厂的“资源”限制全都不变.为增加工厂的获利,开发了奶制品的深加工技术:用2 h和3元加工费,可将1kg A 1 A_1 A1​加工成0.8 kg高级奶制品 B 1 B_1 B1​,也可将1 kg A 2 A_2 A2​加工成0.75 kg高级奶制品 B 2 B_2 B2​,每千克 B 1 B_1 B1​能获利44元,每千克 B 2 B_2 B2​能获利32元.试为该厂制订一个生产销售计划,使每天的净利润最大,并讨论以下问题:

(1）若投资30元可以增加供应1桶牛奶,投资3元可以增加1 h劳动时间,应否作这些投资?若每天投资150元,可赚回多少?
(2）每千克高级奶制品$B_1$,$B_2$,的获利经常有10%的波动,对制订的生产销售计划有无影响?若每千克$B_1$的获利下降10% ,计划应该变化吗?
(3）若公司已经签订了每天销售10 kg $A_1$的合同并且必须满足,该合同对公司的利润有什么影响?

在原来的模型基础上进行改动，假设变量 x 1 , x 2 , x 3 , x 4 , x 5 , x 6 x_1,x_2,x_3,x_4,x_5,x_6 x1​,x2​,x3​,x4​,x5​,x6​

x 1 , x 2 , x 3 , x 4 x_1,x_2,x_3,x_4 x1​,x2​,x3​,x4​对应 A 1 , A 2 , B 1 , B 2 A_1,A_2,B_1,B_2 A1​,A2​,B1​,B2​的产量，其中 x 5 x_5 x5​的 A 1 A_1 A1​用来生产 B 1 B_1 B1​， x 6 x_6 x6​的 A 2 A_2 A2​用来生产 B 2 B_2 B2​那么可建立模型如下

M a x q q u a d y = 24 ∗ x 1 + 16 ∗ x 2 + 44 ∗ x 3 + 32 ∗ x 4 − 3 ∗ ( x 5 + x 6 ) S . T . { x 1 + x 5 3 + x 2 + x 6 4 < = 50 12 ∗ x 1 + x 5 3 + 8 ∗ x 2 + x 6 4 + 2 ∗ ( x 5 + x 6 ) < = 480 x 1 + x 5 < = 100 0.8 ∗ x 5 = x 3 0.75 ∗ x 6 = x 4 x 1 , x 2 , x 3 , x 4 , x 5 , x 6 > = 0 Max \\qquad y = 24*x_1 + 16*x_2 + 44*x_3 + 32*x_4 - 3*(x_5+x_6)\\ S.T.\left\{ \begin{aligned} \frac{x_1+x_5}{3}+\frac{x_2+x_6}{4}<=50\\ 12*\frac{x_1+x_5}{3}+8*\frac{x_2+x_6}{4} + 2*(x_5+x_6)<=480\\ x_1+x_5<=100\\ 0.8 * x_5 = x_3\\ 0.75 * x_6 = x_4\\ x_1,x_2,x_3,x_4,x_5,x_6>=0\\ \end{aligned} \right. Maxqquady=24∗x1​+16∗x2​+44∗x3​+32∗x4​−3∗(x5​+x6​)S.T.⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧​3x1​+x5​​+4x2​+x6​​<=5012∗3x1​+x5​​+8∗4x2​+x6​​+2∗(x5​+x6​)<=480x1​+x5​<=1000.8∗x5​=x3​0.75∗x6​=x4​x1​,x2​,x3​,x4​,x5​,x6​>=0​

目标函数值是： 3460.8

  • Variable X
     x_2          168 
     x_3         19.2 
     x_5           24
  • Constraint Slack
  Machine_Time           76
  • Constraint Pi
  Milk_Num        37.92 
  Worker_Time         3.26 
  bound1          -44 
  bound2          -32
  • Variable SAObjLow
     x_1         -inf 
     x_2         13.9 
     x_3      40.8333 
     x_4         -inf 
     x_5     -5.53333 
     x_6         -inf
  • Variable SAObjUp
     x_1        25.68 
     x_2        24.15 
     x_3        63.75 
     x_4      34.0267 
     x_5         12.8 
     x_6        -1.48
  • Constraint SARHSLow
Milk_Num      26.6667 
Worker_Time          400 
Machine_Time           24 
bound1         -inf 
bound2         -inf
  • Constraint SARHSUp
Milk_Num           60 
Worker_Time      733.333 
Machine_Time          inf 
bound1         19.2

最终求解得到结果：

目标函数值：3460.8
 x_2          168 
 x_3         19.2 
 x_5           24

而第一问：

(1）若投资30元可以增加供应1桶牛奶,投资3元可以增加1 h劳动时间,应否作这些投资?若每天投资150元,可赚回多少?

  根据求解得到的影子价格，一桶牛奶的影子价格为37.92 > 30 1h工作时间的影子价格为 3.26 > 3故应该做这些投资。而若拥有150元，根据灵敏性分析中的SARHSLow（约束条件右端常数最小值）SARHSUp （约束条件右端常数最大值）可得，影子价格有效的范围为
  Milk_Num:[26.6667,60]    Worker_Time:[400,733.333]。
  故在150r的范围内，影子价格均有效。故可用来增加5桶牛奶增加189.6的收益

而第二问：

(2）每千克高级奶制品$B_1$,$B_2$,的获利经常有10%的波动,对制订的生产销售计划有无影响?若每千克$B_1$的获利下降10% ,计划应该变化吗?

    根据灵敏性分析中的SAObj，x_3.x_4 的在计划不变的情况下系数变化范围分别为[40.8333,63.75],[0,34.0267]，而原来 x_3,x_4 的系数分别为44和32。 所以当 B_1 的获利向下波动 10% ,或B_2的获利向上波动10%时,上面得到的生产销售计划将不再一定是最优的,应该重新制订.如若每千克B,的获利下降10% ,应将原模型式中x_3,的系数改为39.6,重新计算,见代码2-2 得到的最优解。可见计划变化很大,这就是说,(最优)生产计划对B_1或B_2,获利的波动是很敏感的.
    新计划：
    目标函数值是： 3400.0
  • Variable X
     x_2          160 
     x_4           30 
     x_6           40

而第三问:

(3）若公司已经签订了每天销售10 kg $A_1$的合同并且必须满足,该合同对公司的利润有什么影响?
(Reduce Cost 的意义以及应用  列出最优单纯形表中判别数所在行的变量的系数，表示当变量有微小变动时，目标函数的变化率。)
可重新求解，也可利用 Reduce Cost 直接得出结果，此部分有待完善

代码2-1

import gurobipy as grb
from gurobipy import *

model = grb.Model("Milk_2_1")
# 定义变量
x1 = model.addVar(lb=0, name='x_1')
x2 = model.addVar(lb=0, name='x_2')
x3 = model.addVar(lb=0, name='x_3')
x4 = model.addVar(lb=0, name='x_4')
x5 = model.addVar(lb=0, name='x_5')
x6 = model.addVar(lb=0, name='x_6')
# 添加约束
model.addConstr((x1+x5)/3 + (x2+x6)/4 <= 50,"Milk_Num")
model.addConstr(12*(x1+x5)/3 + 8*(x2+x6)/4 + 2*(x5+x6)<= 480,"Worker_Time")
model.addConstr((x1+x5)<=100,"Machine_Time")
model.addConstr(0.8*x5 == x3,"bound1")
model.addConstr(0.75*x6 == x4,"bound2")
# 目标函数
model.setObjective(24*x1 + 16*x2 + 44*x3 + 32*x4 -3*(x5+x6), grb.GRB.MAXIMIZE)
# 求解
model.optimize()
print('目标函数值是：', model.objVal)
#for v in model.getVars():
#    print(v.varName, '=', v.x)
if model.status == GRB.OPTIMAL:
    model.printAttr('X')
    model.printAttr('Slack')
    model.printAttr('Pi')
    model.printAttr('SAObjLow')
    model.printAttr('SAObjUp')
    model.printAttr('SARHSLow')
    model.printAttr('SARHSUp')
    model.printAttr('RC')
#注意：vtype=grb.GRB.INTEGER, vtype=grb.GRB.INTEGER,在固定变量类型之后，求解Pi会报错
#

输出

Gurobi Optimizer version 9.1.2 build v9.1.2rc0 (win64)
Thread count: 4 physical cores, 8 logical processors, using up to 8 threads
Optimize a model with 5 rows, 6 columns and 14 nonzeros
Model fingerprint: 0xec6a1c4f
Coefficient statistics:
  Matrix range     [3e-01, 6e+00]
  Objective range  [3e+00, 4e+01]
  Bounds range     [0e+00, 0e+00]
  RHS range        [5e+01, 5e+02]
Presolve removed 2 rows and 2 columns
Presolve time: 0.01s
Presolved: 3 rows, 4 columns, 10 nonzeros

Iteration    Objective       Primal Inf.    Dual Inf.      Time
       0    4.8300000e+03   7.370950e+01   0.000000e+00      0s
       3    3.4608000e+03   0.000000e+00   0.000000e+00      0s

Solved in 3 iterations and 0.01 seconds
Optimal objective  3.460800000e+03
目标函数值是： 3460.8

    Variable            X 
-------------------------
         x_2          168 
         x_3         19.2 
         x_5           24 

  Constraint        Slack 
-------------------------
Machine_Time           76 

  Constraint           Pi 
-------------------------
    Milk_Num        37.92 
 Worker_Time         3.26 
      bound1          -44 
      bound2          -32 

    Variable     SAObjLow 
-------------------------
         x_1         -inf 
         x_2         13.9 
         x_3      40.8333 
         x_4         -inf 
         x_5     -5.53333 
         x_6         -inf 

    Variable      SAObjUp 
-------------------------
         x_1        25.68 
         x_2        24.15 
         x_3        63.75 
         x_4      34.0267 
         x_5         12.8 
         x_6        -1.48 

  Constraint     SARHSLow 
-------------------------
    Milk_Num      26.6667 
 Worker_Time          400 
Machine_Time           24 
      bound1         -inf 
      bound2         -inf 

  Constraint      SARHSUp 
-------------------------
    Milk_Num           60 
 Worker_Time      733.333 
Machine_Time          inf 
      bound1         19.2 

    Variable           RC 
-------------------------
         x_1        -1.68 
         x_6        -1.52

代码2-2

import gurobipy as grb
from gurobipy import *

model = grb.Model("Milk_2_2")
# 定义变量
x1 = model.addVar(lb=0, name='x_1')
x2 = model.addVar(lb=0, name='x_2')
x3 = model.addVar(lb=0, name='x_3')
x4 = model.addVar(lb=0, name='x_4')
x5 = model.addVar(lb=0, name='x_5')
x6 = model.addVar(lb=0, name='x_6')
# 添加约束
model.addConstr((x1+x5)/3 + (x2+x6)/4 <= 50,"Milk_Num")
model.addConstr(12*(x1+x5)/3 + 8*(x2+x6)/4 + 2*(x5+x6)<= 480,"Worker_Time")
model.addConstr((x1+x5)<=100,"Machine_Time")
model.addConstr(0.8*x5 == x3,"bound1")
model.addConstr(0.75*x6 == x4,"bound2")
# 目标函数
model.setObjective(24*x1 + 16*x2 + 39.6*x3 + 32*x4 -3*(x5+x6), grb.GRB.MAXIMIZE)
# 求解
model.optimize()
print('目标函数值是：', model.objVal)
#for v in model.getVars():
#    print(v.varName, '=', v.x)
if model.status == GRB.OPTIMAL:
    model.printAttr('X')

输出

Using license file C:\Users\mzq\gurobi.lic
Gurobi Optimizer version 9.1.2 build v9.1.2rc0 (win64)
Thread count: 4 physical cores, 8 logical processors, using up to 8 threads
Optimize a model with 5 rows, 6 columns and 14 nonzeros
Model fingerprint: 0x06e710c1
Coefficient statistics:
  Matrix range     [3e-01, 6e+00]
  Objective range  [3e+00, 4e+01]
  Bounds range     [0e+00, 0e+00]
  RHS range        [5e+01, 5e+02]
Presolve removed 2 rows and 2 columns
Presolve time: 0.01s
Presolved: 3 rows, 4 columns, 10 nonzeros

Iteration    Objective       Primal Inf.    Dual Inf.      Time
       0    4.3020000e+03   7.370950e+01   0.000000e+00      0s
       2    3.4000000e+03   0.000000e+00   0.000000e+00      0s

Solved in 2 iterations and 0.03 seconds
Optimal objective  3.400000000e+03
目标函数值是： 3400.0

    Variable            X 
-------------------------
         x_2          160 
         x_4           30 
         x_6           40 
​

参考文献

  1. 数学模型（第五版） ．高等教育出版社 --姜启源、谢金星、叶俊 ↩︎

  2. Python最优化算法实战 北京大学出版社 --苏振裕 ↩︎

Kilig*
关注
  • 8
    点赞
  • 踩
  • 66
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
matlab某奶制品加工厂,奶制品加工问题-数学建模
weixin_39634898的博客
03-19 1684
《数学实验》课程综合实验奶制品加工问题一、问题重述一奶制品加工厂用牛奶生产A1, A2两种初级奶制品，它们可以直接出售，也可以分别深加工成B1, B2两种高级奶制品再出售。按目前技术每桶牛奶可加工成2公斤A1和3公斤A2,每桶牛奶的买入价为10元，加工费为 5元，加工时间为15小时。每公斤A1可深加工成0.8公斤B1，加工费为4元，加工时间为12小时；每公斤A2可深加工成0.7公斤B2，加工费为3...
数学建模：线性规划—奶制品的生产销售计划模型 (Python 求解)
Charles Leclerc's blog
04-26 6337
Python 数学建模 线性规划—奶制品的生产销售计划模型 奶制品的生产销售计划一 (粗加工)1. 制订生产计划, 使每天获利最大2. 35 元可买到 1 桶牛奶, 买吗? 若买, 每天最多买多少?3. 可聘用临时工人，付出的工资最多是每小时几元?4. A1A_1A1​的获利增加到 30 元/kg, 应否改变生产计划?奶制品的生产销售计划二 (深加工)1. 制订生产计划, 使每天净利润最大2. 30 元可增加 1 桶牛奶, 3 元可增加 1 h 时间,
加工奶制品的生产计划。LINGO lingo
最新发布
m0_73563553的博客
04-12 452
输出结果与教材p100的标准答案相同结果分析：上面输出的2-6行当前系数对应的Allowable Increase和Allowable Decrease给出了最优解不变条件下目标函数系数的允许变化范围：x1系数的变化范围（72-8,72+24），即（64,96）；上面输出的7-12行，Current RHS（当前右端项）对应的Allowable Increase和Allowable Decrease给出了影子价格有意义条件下约束右端项的限制范围：原料最多增加10桶牛奶，劳动时间最多增加53.3h。
matlab数学规划常见题目代码.zip
06-08
钢管下料最省、货机装运、加工奶制品的生产与销售计划、切割模式进行限制、选课策略（课程数目最少、课程数目最少且学分最高）、自来水输送等常见优化问题的matlab程序。亲测可用。
加工奶制品的生产与销售计划.m
06-08
某奶制品加工厂用牛奶生产 ， 两种奶制品，1桶牛奶可以在设备甲上用12小时加工成3公斤 ，在设备乙上用8小时加工成4公斤 。根据市场需求，生产的 ， 全部能售出，且每公斤 获利24元，每公斤 获利16元。现在加工厂每天能得到50桶牛奶的供应，每天正式工人总的劳动时间为480小时，并且设备甲每天至多能加工100公斤 ，设备乙的加工能力没有限制。试为该厂制订一个生产计划，使每天获利最大。
食品加工问题的数学建模论文
09-01
原料油的采购与精炼安排是否合理，直接影响着食品公司所获得的总利润。本文针对食品加工问题，建立了线性规划模型，并依据所给条件，制定了一套最优采购方案和精炼方案，使得公司获得最大利润，并就原料油市场价格的波动对利润的影响作了全面计划。 模型Ⅰ 对问题1建立了线性规划模型。本文用LINDO和LINGO对问题1进行了编程求解，结果一致，得到公司获得的最大利润为 元。 模型Ⅱ 对问题2建立模型。考虑如下的价格变化方式：2月份植物油价上升 ，非植物油上升 ；3月份植物油价上升 ，非植物油上升 ；其余月份保持这种线性的上升势头。对不同的值 （直到20），采用MATLAB编程法计算出变动后的价格矩阵，再将计算出的价格矩阵代入到模型1中求出相应的最大利润。最大利润如表2。 表3 价格波动 与最大利润 的对应关系 1 948222.2 10 -1759.259 2 818018.5 11 -26425.93 3 687814.8 12 -51092.59 4 557611.1 13 -70574.07 5 429907.4 14 -87074.07 6 316796.3 15 -91574.07 7 204485.2 16 -96074.07 8 115848.1 17 -100574.1 9 51411.85 18 -105074.1 19 -109574.1 20 -114074.1 本文针对模型Ⅱ所求的结果进行了拟合，并且拟合函数具有很高的可决系数，因此所拟合的函数能够较好的反应公司所获得的总利润与原料油价格上涨之间的关系。针对原料油价格上涨这一问题，拟合得到的函数为公司提供了很好的生产调整方案，具有很高的实用价值。
奶制品的生产与销售模型数学建模作业
04-22
奶制品的生产与销售模型数学建模作业
数学建模--Lingo求解线性规划问题
爱学习的小刘芒的博客
05-24 5731
Lingo求解数学建模中的线性规划问题
奶制品生产与销售matlab,奶制品生产和销售
weixin_29454359的博客
03-18 756
实验名称：奶制品的生产与销售实验日期：2015年 5月 12日星期二,周次：11课节：5-6实验目的：通过本实验掌握数学规划模型的数学思想，设计算法，使用Matlab编程解决奶制品的生产与销售问题。实验内容：1.一奶制品加工厂用牛奶生产A1,A2两种奶制品，1桶牛奶可以在甲类设备上用12小时加工成3公斤A1，或者在乙类设备上用8小时加工成4公斤A2。根据市场需求，生产的A1,A2全部能售出，且每公...
奶制品生产与销售matlab,奶制品的生产与加工
weixin_32557787的博客
03-18 1993
实验名称奶制品的生产与销售班级学号姓名实验地点完成日期成绩(一)实验目的与要求目的：建立数学模型来解决企业在无深加工和可深加工的情况下生产与销售最优的计划方案。要求：1)学习掌握决策变量、约束条件并能运用；2)建立模型解决实际优化问题；3)会用数学软件求解，对结果进行分析。(二)实验内容一奶加工厂用牛奶生产A1,A2两种奶制品，1桶牛奶可以在甲设备上用12小时生产成3公斤A1，或者在乙设备上用8小...
用LINGO求解线性规划的例子
weixin_30673715的博客
06-04 6721
附1：用LINGO求解线性规划的例子 一奶制品加工厂用牛奶生产A1、A2两种奶制品，1桶牛奶可以在设备甲上用12小时加工成3公斤A1，或者在设备乙上用8小时加工成4公斤A2。根据市场需求，生产的A1、A2能全部售出，且每公斤A1获利24元，每公斤A2获利16元。现在加工厂每天能得到50桶牛奶的供应，每天正式工人总的劳动时间为480小时，并且设备甲每天至多能加工100公斤A1，设备乙的加工能...
数学模型与数学建模奶制品的生产与销售PPT课件.pptx
10-12
数学模型与数学建模奶制品的生产与销售PPT课件.pptx
乳制品加工技术--国内外乳品加工业生产现状.pptx
09-28
乳制品加工技术--国内外乳品加工业生产现状.pptx
乳制品加工技术国内外乳品加工业生产现状.pptx
09-30
乳制品加工技术国内外乳品加工业生产现状.pptx
奶及奶制品在生产加工中的食品安全问题论文.doc
10-08
奶及奶制品在生产加工中的食品安全问题论文.doc
matlab求解非线性整数规划_数学建模之规划模型：奶制品的生产与销售
weixin_39924779的博客
11-28 1321
点击上方「蓝字」关注我们今天，我为大家分享数学建模第4章数学规划模型的第一个例子：奶制品的生产与销售。数学规划的“规划”对应于英文就是programming，规划和优化的区别是规划强调了约束条件。上一章的模型是无约束优化，即没有约束条件，只需要求目标函数的最大值或最小值。这种问题是非常简单的，只需要微积分的知识就可以求解。而这一章讲的是数学规划问题，如线性规划、非线性规划、整数规划等，需...
matlab某奶制品加工厂,奶制品加工问题 - 数学建模.doc
weixin_33401529的博客
03-19 3180
奶制品加工问题 - 数学建模《数学实验》课程综合实验奶制品加工问题一、问题重述一奶制品加工厂用牛奶生产A1, A2两种初级奶制品，它们可以直接出售，也可以分别深加工成B1, B2两种高级奶制品再出售。按目前技术每桶牛奶可加工成2公斤A1和3公斤A2,每桶牛奶的买入价为10元，加工费为 5元，加工时间为15小时。每公斤A1可深加工成0.8公斤B1，加工费为4元，加工时间为12小时；每公斤A2可深加工...
数学建模期末复习
weixin_47020721的博客
06-13 1260
数学建模期末复习
数学建模（MATLAB入门）
qq_43524132的博客
05-10 1277
meshgrid()------向量转化为矩阵 x=-3:1:3 y=1:1:5 [X,Y]=meshgrid(x,y) clc------清空命令行窗口屏幕 clear------清空数据 surf函数 绘制可以得到的是着色的三维曲面。 shading函数 函数说明：是阴影函数控制曲面和图形对象的颜色着色，即用来处理色彩效果的，包括以下三种形式: shading faceted：默认模式，在曲面或图形对象上叠加黑色的网格线； shading flat：是在shading faceted的基础上去掉图上
加工奶制品的生产计划matlab代码
11-10
加工奶制品的生产计划可以使用Matlab代码来实现。首先，我们需要确定奶制品的生产数量和生产时间，以及每个奶制品的原材料需求和生产成本。然后，根据市场需求和销售预测，确定每个时间段内的奶制品销售数量和售价。 接下来，我们可以编写Matlab代码来进行生产计划的优化。首先，定义一个目标函数，可以是最大化利润或者最小化总成本。然后，定义变量，包括每个奶制品在每个时间段内的生产数量。 使用Matlab的优化工具箱，可以通过设置约束条件，来限制每个时间段内的总生产数量、原材料的供应限制和库存限制等。同时，还可以设置销售量的约束条件，确保每个时间段内的销售量不超过市场需求。 将目标函数和约束条件输入到Matlab中的优化函数中，可以得到最优的生产计划。优化结果包括每个时间段内的生产数量以及相应的成本和利润。 在实际应用中，还可以将其他因素考虑进来，例如设备利用率、生产效率等，来进一步优化生产计划。通过不断调整参数和约束条件，可以得到最优的生产计划，从而提高奶制品生产的效率和盈利能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Kilig*

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值