数学建模预备知识——整数规划

最新推荐文章于 2023-09-30 14:40:07 发布

L.A.M～F.C.B

最新推荐文章于 2023-09-30 14:40:07 发布

阅读量587

点赞数 2

分类专栏：数学建模预备知识文章标签：数学建模 matlab

本文链接：https://blog.csdn.net/NKU_lyx/article/details/118882807

版权

数学建模预备知识专栏收录该内容

6 篇文章 2 订阅

订阅专栏

整数规划

概论

整数规划的定义

当数学规划问题中的变量限制为整数的时候，就称为整数规划。若在线性规划模型中，变量限制为整数，则称为整数线性规划。目前流行的求解整数规划的方法往往只适用于整数线性规划，

整数规划的分类

整数线性规划模型一般可以分为两类：

变量全部限制为整数时，称为完全整数规划
变量部分限制为整数时，称为混合整数规划

整数规划的求解方法

分支定界法——可以求完全和混合整数线性规划
割平面法——可以求完全和混合整数线性规划
隐枚举法——可以求“0-1”整数规划
- 过滤隐枚举法
- 分枝隐枚举法
匈牙利法——解决指派问题（“0-1”规划的特殊形式）
蒙特卡洛法——求解各种类型的规划问题

0-1整数规划

相互排斥的约束条件

当问题中有 $m$ 个相互排斥的约束条件的时候
$\begin{cases} a_{11}x_1+\cdots+a_{1n}x_n \leq b_1 \\ \quad \quad \quad \quad \quad \vdots \\ a_{m1}x_1+\cdots+a_{mn}x_n \leq b_n \end{cases}$
为了保证这些限制条件相互排斥，引入 $m$ 个0-1变量 $y_i(i=1,\cdots,m)$ 和一个充分大的数 $M$

$y_i= \begin{cases} 1,第i个约束条件起作用\\ 0，第i个约束条件不起作用\\ \end{cases}$
此时之前的 $m$ 个相互排斥的限制条件就转化为
$\begin{cases} a_{11}x_1+\cdots+a_{1n}x_n \leq b_1+(1-y_1)M \\ \quad \quad \quad \quad \quad \quad \quad \vdots \\ a_{m1}x_1+\cdots+a_{mn}x_n \leq b_m+(1-y_m)M \\ \sum\limits_{i=1}^{m}y_i=1 \end{cases}$
这个限制条件表明，这 $m$ 个0-1变量 $y_i$ 只能由一个是1，也就是上面的 $m$ 个不等限制条件，只有1个真正有意义，其余的都是小于一个充分大的数，可以认为其永远成立

固定费用的问题

在讨论线性规划的时候，有些问题是要求使成本最小。那么，就可以固定成本为一个常数，并在线性规划的模型中不必明显列出。但是有些固定费用的问题不能用一般的线性规划来描述，而可以改变为混合整数规划来解决

某个工厂为了生产某种产品，有几种不同的生产方式可以选择，如选定的生产方式投资高，由于产量大，因而分配到每件产品的变动成本反而降低；反之，如果选定的生产方式投资低，将来分配到每件产品的变动成本可能增加。所以必须全面考虑，设有三种可供选择，令

$j = 1, 2, 3$ 分别表示三种生产方式

$x_j$ 表示采用第 $j$ 种生产方式时的产量

$c_j$ 表示采用第 $j$ 种生产方式时每件产品的变动成本

$k_j$ 表示采用第 $j$ 种生产方式时的固定成本

为了说明成本的特点，暂不考虑其他约束因素。采用各种生产方式的总成本分别为
$P_i= \begin{cases} k_j+c_jx_j,&当x_j>0 \\ 0,&当x_j=0 \end{cases}$

为了表示某种生产方式是否投资，引入0-1变量 $y_j$ ，令
$y_j= \begin{cases} 1,&当采用第j种生产方式，&即x_j>0\\ 0,&当不采用第j种生产方式，&即x_j=0\\ \end{cases}$
此时目标函数变为
$\min z=(k_1y_1+c_1x_1)+(k_2y_2+c_2x_2)+(k_3y_3+c_3x_3) \\ s.t. \begin{cases} y_1\varepsilon\leq x_1 \leq y_1M \\ y_2\varepsilon\leq x_2 \leq y_2M \\ y_3\varepsilon\leq x_3 \leq y_3M \\ \end{cases} {\quad 其中\varepsilon是一个充分小的正常数, M是一个充分大的正常数}$
在限制条件中，当 $x_j>0$ 时， $y_j=1$ ，当 $x_j=0$ 时， $y_j=0$ 。

指派问题的数学模型

拟分配 $n$ 人去做 $n$ 项工作，每人做且仅做一项工作，若分配第 $i$ 人去做第 $j$ 项工作，需要花费 $c_{ij}$ 单位时间，问应该如何分配工作，才能使工人花费的总时间最少。

容易看出，要给出一个指派问题的实例，只需要给出矩阵 $C=(c_{ij})$ ，称为指派问题的系数矩阵。

引入0-1变量
$x_{ij}= \begin{cases} 1,&第i人做第j项工作 \\ 0,&第i人不做第j项工作 \\ \end{cases}$
上述指派问题的数学模型为
$\min \quad \sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}c_{ij}x_{ij} \\ s.t. \begin{cases} \sum \limits _{j=1}^{n}x_{ij}=1, &i=1,2,\cdots,n\\ \sum \limits _{i=1}^{n}x_{ij}=1, &j=1,2,\cdots,n\\ x_{ij}=0or1,&i,j=1,2,\cdots,n \end{cases}$

蒙特卡洛法（Monte Carlo)

蒙特卡洛方法也成为计算机随机模拟方法，他是机遇对大量事件的统计结果来实现一些确定性问题的计算。使用蒙特卡洛方法必须使用计算机生成相关分布的随机数。

例： $y=x^2,y=12-x$ 与 $x$ 轴在第一象限内围成一个曲边三角形，设计一个随机试验，求该三角形面积的近似值

设计随机试验的思想如下，在矩形区域 $[0,12]\times [0,9]$ 上产生服从均匀分布的 $10^7$ 个测试点，统计随机点落在曲边三角形内的频数，则曲边三角形的面积近似为上述矩形的面积乘以频率

x=unifrnd(0,12,[1,10000000])
y=unifrnd(0,9,[1,10000000])
p=(sum(y<x.^2&x<=3)+sum(y<12-x&x>=3))*(10^-7)
S=12*9*p

尽管整数规划由于限制变量为整数增加了难度，但是由于整数解是有限个，于是为枚举法提供了方便。当然，在自变量维数很大和取值范围和宽泛的时候，显枚举法计算出最优解是不太现实的，但是应用概率理论可以证明，在一定的计算量的情况下，用蒙特卡洛法完全可以得到一个满意解

求解非线性整数规划
$\max z=x_1^2+x_2^2+3x_3^2+4x_4^2+2x_5^2-8x_1-2x_2-3x_3-x_4-2x_5 \\ s.t. \begin{cases} 0 \leq x_i \leq 99,i=1,\cdots ,5\\ x_1+x_2+x_3+x_4+x_5\leq400\\ x_1+2x_2+2x_3+x_4+6x_5\leq800\\ 2x_1+x_2+6x_3\leq200\\ x_3+x_4+5x_5\leq200 \end{cases}$

如果用显枚举法进行试探，显然其计算量是非常大的，操作起来不太现实。然而应用蒙特卡洛法去随机计算 $10^6$ 个点，便可以找到满意的解。

先编写.m文件来定义目标函数 $f$ 和约束向量函数 $g$ 。

function[f,g]=mengte(x);
f=x(1)^2+x(2)^2+3*x(3)^2+4*x(4)^2+2*x(5)^2-8*x(1)-2*x(2)-3*x(3)-x(4)-2*x(5);
g=[sum(x)-400
x(1)+2*x(2)+2*x(3)+x(4)+6*x(5)-600
2*x(1)+x(2)+6*x(3)-200
x(3)+x(4)+5*x(5)-200];

在编写Matlab程序求解问题

rand('state',sum(clock))  %初始化随机数生成器
z=0
tic  %计时开始
for i=1:10^6
	x=randi([0,99],1,5)  %生成一个每个元素都在0~99之间的1行5列的矩阵
    [f,g]=mengte(x)
    if all(g<=0)
    	if f>z
    		x0=x,z=f
        end
     end
end
x0
z
toc  %计时结束

整数线性规划的计算机求解

整数规划问题的求解可以使用Matlab中的intlinprog函数进行求解，但是使用Matlab进行求解的时候要注意：需要把所有的决策变量化为一维决策向量，实际上对于多维变量的数学规划问题需要做一个变量替换，把多维决策变量化为一维决策向量。而当使用Lingo求解数学规划问题的时候不需要进行变换，使用起来相对比较容易

Matlab求解混合整数线性规划的命令为
$[x, f v a l] = i n t l i n p r o g (f, i n t c o n, A, b, A e q, b e q, l b, u b)$
其中， $f,x,intcon,b,b_{eq},lb,ub$ 均为列向量， $A,A_{eq}$ 均为矩阵

$f$ ：表示价值向量

$i n t c o n$ ：表示整数参数的位置

$A$ ：表示不等关系约束矩阵

$b$ ：表示不等关系约束资源向量

$A_{eq}$ ：表示等式关系约束矩阵

$b_{eq}$ ：表示等式关系资源向量

$l b, u b$ ：表示变量约束的上下限

其对应的标准模型为
$\min \limits _x f^Tx \\ s.t. \begin{cases} x(intcon)为整数 \\ A\cdot x \leq b \\ A_{eq}\cdot x = beq \\ lb \leq x \leq bu \end{cases}$

例：求解下列指派问题，已知指派系数矩阵
$\left[ \begin{matrix} 3&8&2&10&3\\ 8&7&2&9&7\\ 6&4&2&7&5\\ 8&4&2&3&5\\ 9&10&6&9&10 \end{matrix} \right]$
解：
A=[3 8 2 10 3
8 7 2 9 7
6 4 2 7 5
8 4 2 3 4
9 10 6 9 10]
A=A(:)
a=zeros(10,25)
intcon=1:25
for i=1:5
	a(i,(i-1)*5+1:5*i)=1
	a(5+i,i:5:25)=1
end
b=ones(10,1)
lb=zeros(25,1)
ub=ones(25,1)
[x,fval]=intlinprog(A,intcon,[],[],a,b,lb,ub)
x=reshape(x,[5,5])
fval
结果如下
$\left[\begin{matrix} 0&0&0&0&1\\ 0&0&1&0&0\\ 0&1&0&0&0\\ 0&0&0&1&0\\ 1&0&0&0&0 \end{matrix}\right]\\ fval=21$

下面看一个混合整数规划问题

例：求解下列混合整数规划问题
$\min z=-3x_1-2x_2-x_3\\ s.t. \begin{cases} x_1+x_2+x_3\leq7\\ 4x_1+2x_2+x_3=12\\ x_1,x_2\geq0\\ x_3=0or1 \end{cases}$
解
f=[-3;-2;-1]
intcon=3
A=[1,1,1]
b=7
Aeq=[4,2,1]
beq=12
lb=[0;0;0]
ub=[inf;inf;1]
[x,fval]=intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)
结果如下
$\left[ \begin{matrix} 0\\5.5\\1 \end{matrix} \right]\\ z=-12$

L.A.M～F.C.B

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
数学建模预备知识——整数规划

整数规划概论整数规划的定义当数学规划问题中的变量限制为整数的时候，就称为整数规划。若在线性规划模型中，变量限制为整数，则称为整数线性规划。目前流行的求解整数规划的方法往往只适用于整数线性规划，整数规划的分类整数线性规划模型一般可以分为两类：变量全部限制为整数时，称为完全整数规划变量部分限制为整数时，称为混合整数规划整数规划的求解方法分支定界法——可以求完全和混合整数线性规划割平面法——可以求完全和混合整数线性规划隐枚举法——可以求“0-1”整数规划过滤隐枚举法分枝隐枚举法
复制链接

扫一扫