数学建模 | 第一章线性规划

九又四分之三(9¾)站台

已于 2023-07-19 10:10:30 修改

阅读量277

点赞数 1

文章标签：数学建模算法

于 2023-07-19 10:07:01 首次发布

本文链接：https://blog.csdn.net/m0_62876521/article/details/131784864

版权

第一章线性规划目录

🐈1.1 线性规划问题
🐈1.2 整数线性规划
🐈1.3 线性规划问题模型（重点）✨

🐈1.1 线性规划问题

🐈‍⬛1.1.1 线性规划的定义

🐱线性规划问题：指在一组线性约束条件的限制下，求一组线性目标函数最大或最小的问题

在解决实际问题时，把问题归结成一个线性规划数学模型时很重要的一步，模型建立的是否恰当直接影响到求解，选择适当的决策变量是建立有效模型的关键之一。线性规划问题中目标函数和约束条件都是线性的。

🐱三个要素：目标函数、约束条件、决策变量

目标函数：可以是求最大值，也可以是求最小值；【max或min】
约束条件：不等号可以是小于等号也可以是大于等号；【s.t.】
决策变量：线性规划问题中影响目标值（最大最小值）的变量。【x₁，x₂，…】

🐈‍⬛1.1.2 线性规划问题的解的概念

🐱一般线性规划问题的标准型

在这里插入图片描述

式中：b_i>=0；i=1,2,…，m

🐱可行解

满足约束条件s.t.的解 $x$ $=$ [ $x$ ₁,…, $x$ _n]^T 称为线性规划问题的可行解，而使目标函数达到最大值的可行解叫最优解。

🐱可行域

所有可行解构成的集合称为问题的可行域，记为R 。

🐈‍⬛1.1.3 线性规划的Matlab标准形式及求解

🐱Matlab中线性规划的标准形式

Matlab中线性规划的标准形式

式中：c，x，b，beq，lb，ub为列向量，其中c称为价值向量，b称为资源向量，A、Aeq为矩阵

！！！记住标准形式是求最小值！！！

🐱Matlab中求解线性规划的命令

[x,fval] = linprog(c,A,b)

[x,fval] = linprog(c,A,b,Aeq,beq)

[x,fval] = linprog(c,A,b,Aeq,beq,lb,ub)

🦈式中：
x 返回决策变量的取值，
fval 返回目标函数的最优值，
c 为价值向量；
A和b 对应线性不等式约束；
Aeq和beq 对应线性等式约束；
lb和ub 分别对应决策向量的下界向量和上界向量（即最优解的范围）

🐱例题

➡️例1：求解下列线性规划问题

线性规划问题1

👀答案：求得的最优解为x₁=6.4286，x₂=0.5714，x₃=0，对应的最优值z=14.5714

求解的Matlab程序：

c=[-2;-3;5]; 
a=[-2,5,-1;1,3,1]; 
b=[-10;12]; 
aeq=[1,1,1]; 
beq=7; 
[x,y]=linprog(c,a,b,aeq,beq,zeros(3,1)) 
x,y=-y 
% 最终解加负号，转换为最大值

求解的Lingo程序：

model:

sets:
row/1..2/:b;
col/1..3/:c,x;
lingks(row,col):a;
endsets

data:
c = 2 3 -5;
a = -2 5 -1 1 3 1;
b = -10 12;
enddata

max=@ sum(col:c*x);
@ for(row(i):@ sum(col(j):a(i,j)*x(j))<b(i));
@ sum(col:x)=7;

end

➡️例2：求解下列线性规划问题

线性规划问题2

👀答案：求得的最优解为x₁=0.8066，x₂=1.7900，x₃=0.0166，对应的最优值z=7.0000

求解的Matlab程序：

c=[2;3;1]; 
a=[1,4,2;3,2,0]; 
b=[8;6];  
[x,y]=linprog(c,-a,-b,[],[],zeros(3,1)) %这里没有等式约束，所以为两个【】【】

求解的Lingo程序：

model:

sets:
row/1..2/:b;
col/1..3/:c,x;
lingks(row,col):a;
endsets

data:
c = 2 3 1;
a = 1 4 2 3 2 0;
b = 8 6;
enddata

min=@ sum(col:c*x);
@ for(row(i):@sum(col(j):a(i,j)*x(j))>b(i));

end

🐈‍⬛1.1.4 可以转化为线性规划的问题

🐱类型一：

转化类型一

🐱类型二：
转化类型二
➡️例题：求解下列数学规划问题

数学规划问题

👀答案：求得的最优解为x₁=-2，x₂=x₃=x₄=0，对应的最优值z=2

求解的Matlab程序：

clc,clear %清空数据防止干扰
c=1:4; c=[c,c]'; %构造价值列向量
a=[1 -1 -1 1;1 -1 1 -3;1 -1 -2 3];
a=[a,-a]; %构造变换后新的系数矩阵
b=[-2 -1 -1/2]';
[y,z]=linprog(c,a,b,[],[],zeros(8,1)) %这里没有等式约束，对应的矩阵为空矩阵
x=y(1:4)-y(5:end) %变换到原问题的解，x=u-v

求解的Lingo程序：

model:

sets:
col/1..4/:c,x;
row/1..3/:b;
links(row,col):a;
endsets

data:
c=1 2 3 4;
b=-2 -1 -0.5;
a=1 -1 -1 1 1 -1 1 -3 1 -1 -2 3;
enddata

min=@ sum(col:c*@ abs(x));
@ for(row(i):@ sum(col(j):a(i,j)*x(j))<b(i));
@ for(col:@ free(x)); !x的分量可正可负

end

🐈1.2 整数线性规划

🐈‍⬛1.2.1 整数规划的定义

数学规划中的变量（部分或全部）限制为整数时，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。

🐈‍⬛1.2.2 整数规划的分类

如不加特殊说明，则一般指整数线性规划。整数线性规划模型大致可分为两类：

变量全限制为整数时，称纯（完全）整数规划。
变量部分限制为整数时，称混合整数规划。

🐈‍⬛1.2.3 整数规划的特点

原线性规划有最优解，当自变量限制为整数后，其整数规划解出现下述情况。
- 原线性规划最优解全是整数，则整数规划最优解与线性规划最优解一致。
- 整数规划无可行解。
- 整数规划有可行解，但最优解变差。
整数规划最优解不能按照实数最优解简单取整而获得。

🐈‍⬛1.2.4 整数线性规划的Matlab数学模型及求解

🐱Matlab中整数线性规划的标准形式

Matlab中整数线性规划的数学模型

式中： $f$ ， $x$ ，intcon， $b$ ，beq，lb，ub为列向量； $A$ ，Aeq为矩阵

🐱Matlab中求解线性规划的命令

[x,fval] = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)

🐈1.3 线性规划问题模型（重点）✨

🐈‍⬛1.3.1 运输问题

运输问题模型描述：某商品有m 个产地、n个销地，各产地的产量分别为a₁,a₂,…,a_m，各销地的需求量分别b₁,b₂,…,b_n。若该商品由i产地运到j销地的单位运价为c_ij，问应该如何调运才能使总运费最省？

（引入变量x_ij，其取值为由i产地运往j销地的该商品数量）

（1）产销平衡： $\sum\limits_{i=1}^m{a_i}$ = $\sum\limits_{j=1}^n{b_j}$

（2）产销不平衡： $\sum\limits_{i=1}^m{a_i}$ > $\sum\limits_{j=1}^n{b_j}$

🐈‍⬛1.3.2 对偶理论

对偶问题

对偶问题的性质：

对称性：对偶问题的对偶是原问题。
弱对偶性：若 $\overline{x}$ 是原问题的可行解， $\overline{y}$ 是对偶问题的可行解。则存在c^T $\overline{x}$ <b^T $\overline{y}$
无界性：若原问题（对偶问题）为无界解，则其对偶问题（原问题）无可行解。
可行解是最优解时的性质：设x是原问题的可行解，y是对偶问题的可行解，当c^Tx=b^Ty时，x、y是最优解。
对偶定理：若原问题有最优解，那么对偶问题也有最优解；且目标函数值相同。
互补松弛性：若x、y分别是原问题和对偶问题的最优解，则 y^T(Ax-b)=0，x^T(A^Ty-c)=0

相关学习博客：https://blog.csdn.net/LoraRae/article/details/115858297
（感谢大佬！！！）

🐈‍⬛1.3.3 0-1型整数规划

🐱1.3.3.1 相互排斥的约束条件

如果有m个互相排斥的约束条件：

a_i1x₁+…+a_inx_n<=b_i，i=1,2,…,m

为了保证这m个约束条件只有一个起作用，引入m个0-1变量

$y_i=\begin{cases}1, 第i个约束起作用\\0, 第i个约束不起作用\\ \end{cases}$
$i$ =1,2,…,m

再引入一个充分大的常数M，则下面这一组m+1个约束条件符合上述要求

a_i1x₁+…+a_inx_n<=b_i+(1-y_i)M，i=1,2,…,m,
y₁+…+y_m=1

🐱1.3.3.2 固定费用问题

固定费用问题模型描述：某工厂为了生产某种产品，有几种不同的生产方式可供选择，如选定的生产方式投资高（选购自动化程度高的设备），由于产量大，因而分配到每件产品的变动成本就降低；反之，如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j种方式可供选择，x_j表示采用第j种方式时的产量；c_j表示采用第j种方式时每件产品的变动成本；k_j表示采用第j种方式时的固定成本。
（非纯max或者min型，改变为混合整数规划）

固定费用问题

🐱1.3.3.3 指派问题

指派问题模型描述：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，需花费c_ij单位时间，问应如何分配工作才能使工人花费的总时间最少?
（引入0-1变量x，若分配第i人做第j项工作，则取x_ij=1；若分配第i人不做第j项工作，则取x_ij=0。）

要给出一个指派问题的实例，只需给出矩阵C=(c_ij)，C被称为指派问题的系数矩阵。

上述指派问题的数学模型为：

上述指派问题的可行解可以用一个矩阵表示，其每行每列均有且只有一个元素为 1，其余元素均为 0；可以用 1,…,n 中的一个置换表示。

🐈‍⬛1.3.4 蒙特卡洛法（随机取样法）

蒙特卡洛方法也称为计算机随机模拟方法，它源于世界著名的赌城一一摩纳哥的Monte Carlo(蒙特卡洛）。它是基于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。

尽管整数规划由于限制变量为整数而增加了难度；又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很宽的情况下，企图用显枚举法（即穷举法）计算出最优值是不现实的，但是应用概率理论可以证明，在一定计算量的情况下，用蒙特卡洛法完全可以得出一个满意解。

🐈‍⬛1.3.4 投资的收益和风险

🐱1.3.4.1 问题提出

问题提出

🐱1.3.4.2 符号规定和基本假设

符号规定

🐱1.3.4.3 模型的分析与建立

模型建立

🐱1.3.4.4 模型简化

在这里插入图片描述

🐱1.3.4.5 模型一的求解

模型一为：min $f = [- 0.05, - 0.27, - 0.19, - 0.185, - 0.185] \cdot [x 0, x 1, x 2, x 3, x 4]$ ^T
模型一求解
由于a是任意给定的风险度，不同的投资者有不同的风险度。下面从a=0开始，以步长0.001进行循环搜索，编制的程序如下：

clc,clear 
a=0; 
hold on 
while a<0.05     
    c=[-0.05,-0.27,-0.19,-0.185,-0.185];     
    A=[zeros(4,1),diag([0.025,0.015,0.055,0.026])];     
    b=a*ones(4,1);     
    Aeq=[1,1.01,1.02,1.045,1.065];     
    beq=1;     
    LB=zeros(5,1);     
    [x,Q]=linprog(c,A,b,Aeq,beq,LB);     
    Q=-Q;     
    plot(a,Q,'*r');     
    a=a+0.001; 
end 
xlabel('a'),ylabel('Q')