数学建模part（2）：整数，非线性规划

🌅整数规划

🧠本篇只包含软件求解，算法尚未了解

整数规划：数学规划中的变量限制为整数

• 纯整数规划 ：决策变量都是整数
  • 0-1整数规划 （指派问题）
• 混合整数规划：部分决策变量取整数
  • 混合0-1整数规划
• 整数规划特点：
  • 原线性规划最优解为整数，则整数规划最优解与之一致
  • 原线性规划有最优解，整数规划未必有可行解
• 求解算法：
  • 分枝定界法：纯或混合整数规划✅
  • 割平面法：纯或混合整数规划✅
  • 隐枚举法 ：求解0-1整数规划
    • 过滤隐枚举法
    • 分枝隐枚举法
  • 匈牙利法（指派问题：0-1整数规划）
  • Monte Carlo 法：求解各种类型规划

求解整数规划

• lingo 🎯

  • @bin(x(k)) 0-1整数
  • @gin(x(k)) 限制为整数

• python cvxpy

  • 设置决策变量为整数

  x=cp.Variable(2,integer=True)#将2个决策变量设置为整数
  

  • 对于0-1 整数规划：

  constrain=[x>=0,x<=1,...]#注意声明的x的维度
  

• matlab (对应的数学模型)：
  $$\begin{gathered} maxz=f^{T}x \\ x(intcon)为整数 \\ s.t.\{\begin{array}{rl}& Ax\le b,\\ & Aeq\cdot x=beq,\\ & lb\le x\le ub.\end{array} \end{gathered}$$

  • 调用函数intlinprog()必须要把高维决策变量转化为一维决策变量

  • 可以据此求解混合整数规划（未必有可行解）

  [x,fval]=intlinprog(f,intction,A,b,Aeq,beq,lb,ub)
  %f 为价值系数
  %inction ：一维向量，向量元素指的是作为整数的决策变量 如：1：3（x1,x2,x3为整数）
  %对于0-1整数规划可以在lb,ub进行限制（zeros(n,1),ones(n,1)）
  

互斥约束条件

m个互斥的约束条件：

$a_{i1}{x}_1+\cdots +a_{in}{x}_n\le b_i,i=1,2,\dots ,m$ ,但这m个互斥的条件只有一个起作用，引入m个0-1变量y

约束条件变形为：

$a_{i1}{x}_1+\cdots +a_{in}{x}_n\le b_i+(1-y_i)M,i=1,2,\dots ,m$

${\sum }_{i=1}^m{y}_i=1$

其中M趋近与$\infty$ ,所以这m个$y_i$只能有一个取1（因为和为1），而其他取0后等式的右边都趋于$\infty$ ,该约束失效

固定费用问题

目标函数在变化，会随着决策变量的改变而发生变化

$i=1,2,\cdots ,n$ 代表n种生产方式

$x_i$表示采用第$i$种生产方式的产量

$c_i$表示采用第$i$种方式时的变动成本

$k_i$表示采用第$i$种方式时的固定成本

所以采用各种方式的总成本为：
$$P_i=\{\begin{array}{rl}& k_i+c_i{x}_i,当x_i>0,\\ & 0,当x_i=0,i=1,2,\dots ,n\end{array}$$
$y_i$取0或1代表（不）采用第 i种生产方式

所以目标函数：$minz=(k_1{y}_1+c_1{x}_1)+\cdots +(k_n{y}_n+c_{n<}$