【数学建模暑期培训】配送中心选址问题

问题描述

某省共有92个城市,城市位置、标号,公路交通网数据见附件1。
某企业在该省标号前20位的城市建立了直销中心,各直销中心负责所在城市的销售,销售量见附件1。该企业欲在该省设立一个配送中心负责给直销中心配送产品,配送中心建设成本为30万元。每吨公里运费2元,每吨产品的销售利润为300元。
试建立数学模型分析研究下面的问题:

符号说明

符号说明
d i j dij dij表示从第i个城市到第j个城市到距离
s j sj sj表示第j个直销中心的每月销量
pi={1,0}1:在第i个城市建立配送中心 0:不在第i个城市建立配送中心
qi={1,0}1:在第j个城市建立配送中心 0:不在第j个城市建立配送中心
aij={1,0}1:配送中心i向配送中心j配送 0:配送中心i不向配送中心配送
cij={1,0}1:第j个直销中心管理第i个城市 0:第j个直销中心不管理第i个城市

问题一

为了降低运输成本,配送中心应选在哪个城市?
模型: m i n ∑ j = 1 20 ( 2 ∗ d i j ∗ s j ) min\sum_{j=1}^{20}(2*d_{ij}*s_j) minj=120(2dijsj)
Matlab画图求解
在这里插入图片描述
答案:35

问题二

请为该企业制定一个成本最小的5年产品配送计划:应设立几个配送中心、各设在何处?
模型: m i n ∑ i = 1 92 ( 30 ∗ p i + ∑ j = 1 20 0.012 ∗ a i j ∗ d i j ∗ s j ) min\sum_{i=1}^{92}(30*p_i+\sum_{j=1}^{20}0.012*a_{ij}*d_{ij}*s_j ) mini=192(30pi+j=1200.012aijdijsj)
在这里插入图片描述
lingo求解后答案为:
在这里插入图片描述

问题三

如果该企业考虑重新为20个直销中心选址,请给出最佳的5年产品销售、配送计划。
m a x ( ∑ j = 1 92 ( 1.8 ∗ q j ∗ s j ) − ∑ i = 1 92 ( p i ∗ 30 + ∑ j = 1 20 0.012 ∗ a i j ∗ d i j ∗ s i j ) ) max(\sum_{j=1}^{92}(1.8*q_j*s_j)-\sum_{i=1}^{92}(p_i*30+\sum_{j=1}^{20}0.012*a_{ij}*d_{ij}*s_{ij} ) ) max(j=192(1.8qjsj)i=192(pi30+j=1200.012aijdijsij))
在这里插入图片描述
上面约束应该是qj,打错了。
lingo求解
在这里插入图片描述

问题四

假定没有直销中心城市的客户按就近的原则购买产品,请重新考虑问题(3)。
m a x ( ∑ j = 1 92 ( 1.8 ∗ q j ∗ s j ) − ∑ i = 1 92 ( p i ∗ 30 + ∑ j = 1 20 0.012 ∗ a i j ∗ d i j ∗ ( s j + c i j ∗ s i ) ) ) max(\sum_{j=1}^{92}(1.8*q_j*s_j)-\sum_{i=1}^{92}(p_i*30+\sum_{j=1}^{20}0.012*a_{ij}*d_{ij}*(s_j+c_{ij}*s_i) ) ) max(j=192(1.8qjsj)i=192(pi30+j=1200.012aijdij(sj+cijsi)))
在这里插入图片描述
lingo求解
在这里插入图片描述
代码

参考文章
0-1规划的lingo求解
数学规划之选址问题
配送选址中心问题

  • 2
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
逻辑回归算法是一种用于解决监督学习问题的学习算法,主要用于二分类问题中。它通过使用逻辑回归模型对输入的数据进行分类,并对分类结果进行概率估计。逻辑回归的目标是最小化训练数据的标签值与预测值之间的误差。与线性回归不同的是,逻辑回归使用了特殊的函数来将预测值映射到的概率范围内。 逻辑回归使用了sigmoid函数来实现这种映射,该函数将任意实数值映射到的范围内。通过在线性回归模型的基础上使用sigmoid函数,逻辑回归可以得到一个函数,将输入数据映射为“y=1”的概率。这个概率可以理解为事件发生的概率。 逻辑回归的参数计算方法是梯度下降法,与线性回归的最小二乘法不同。梯度下降法是一种优化算法,通过迭代更新参数,使得模型的预测结果与真实标签尽可能接近。 总结来说,逻辑回归是一种用于解决二分类问题的学习算法,通过使用逻辑回归模型和sigmoid函数,对输入数据进行分类并进行概率估计。逻辑回归使用梯度下降法来计算参数,以最小化预测值与真实标签之间的误差。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [数学建模——Logistic Regression逻辑回归算法(二分类及多分类的Python代码实现)](https://blog.csdn.net/qq_36384657/article/details/107895666)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *3* [数学建模暑期集训11:逻辑回归(Logistic Regression)处理二分类问题](https://blog.csdn.net/qq1198768105/article/details/118946281)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

Lydia.na

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
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