优化：线性规划,整数规划应用及模板

  优化类问题在国赛与美赛中都比较常见，尤其国赛，一般都有一道运筹优化类。优化类问题涉及内容很多，再结合图论相关的算法，加在一起是难点也是重点。例如21年国赛C题，考点很清晰，数据处理内容：插值拟合，降维。结合运筹的多目标规划与动态规划，最终利用启发式搜索遗传，模拟退火等等求解。

线性规划

  理论部分并不难，接口也很容易。
  但是，一般不会直接考查。为了体现区分度，会涉及一些技巧。对于线性规划问题而言，目标函数以及约束条件必须都是线性函数。而对于部分问题，可以转换为线性规划问题求解。
接着，上应用


  一道简单的例题，题目要求收益最大且总体风险尽量小。显然，可以构建多目标规划模型。对于收益的衡量可以利用，利率与投资计算。对于风险，可以假设利用本次投资中的最大风险计算。可以构建出多目标规划模型：

  对于多目标规划问题，我们可以利用接口求解(简便)，也可以利用启发式算法求解(advanced)。一般在国赛中，国一国二一般都用启发式。具体求解，后续更新。本节我们只考虑线性规划。
  对于多目标规划问题，可以转化单目标规问题。本题，可以转换为线性规划。方式有3种。


构建的模型一与模型二是类似的，都是将目标函数转化为约束条件。都借助常数实现。
求解模板如下，一般需要遍历多组解并对结果进行分析。求解模型一：

clear
clc
f=[-0.05 -0.27 -0.19 -0.185 -0.185]; %目标函数,记得要转换为min
Aeq = [1 1.01 1.02 1.045 1.065]; %一个等式因此一行,n个等式矩阵就为n行
beq = [1];
A=[0 0 0 0 0;0 0.025 0 0 0;0 0 0.015 0 0;0 0 0 0.055 0;0 0 0 0 0.026]; %构造不等式
lb=[0;0;0;0;0];
hold on %作图
for a=0:0.001:0.05
  b=[0;a;a;a;a];
  [x,fval] = linprog(f,A,b,Aeq,beq,lb); %调用接口,
  fval = -1 * fval;  %变换得到最大
  plot(a,fval,'*k') %调用plot做二维图
end
xlabel('a');
ylabel('fval');

接着，需要对图像进行分析。着重分析拐点加结论。

整数规划

  整数规划中要求约束变量取值为整数，它增加了约束条件。目前还没有一种有效的求解算法，所流行的求解算法，一般都是求解整数线性规划。
在整数规划中需要注意的技巧：
  引入松弛变量。一般而言，对于整数线性规划问题。可以通过引入松弛变量，将原问题的不等式约束转换为等式约束。引入松弛变量的目的在与：可以扩大可行域。例如：

min z = 2x1 + 3x2
3x1 + 5x2 <= 10
x1,x2 >=0 且取整数

%引入松弛变量
 min z = 2x1 + 3x2
3x1 + 5x2 + x3 = 10
x3 >= 0
x1,x2 >=0 且取整数

  互斥约束条件，要求从给定的p个约束条件中，恰好选择q个。思想：引入大整数M处理不需要的约束条件。
如上图所示，两个工序选其一，代表着互斥条件选择一个。假定y=1，那么对于约束条件(2)而言，右边的常数项为无穷大，相当于约束没有作用。对于多互斥条件还可以推广。

  求解：通常由分支定界法与隔平面法。它们都不是万能的,That is,有些问题可能只适用于分支定界法而不适用于隔平面法反之亦然。当然，也可以采用Matlab提供的接口intprog。分支定界法求解的思想是：在求解原问题的松弛问题时，得的非整数解，将非整数解通过取上整与取下整构成两种分支，不断迭代求解。
0-1整数规划：对于决策变量，只取0,1。也称为指派问题。

在变量不多的情况下，根据题意。直接建模，利用linprog求解即可。
也可以采用匈牙利算法求解匈牙利算法接口已经做的比较完善。

对于非标准问题，可以进行转换。