运输问题的建模优化（三）——MindOpt_物流运输问题建模与优化三道典型计算优化题-CSDN博客

本文链接：https://blog.csdn.net/mindopt_003/article/details/130504692

文章目录

1. 问题描述和数学规划模型

比上一篇问题02进一步复杂化，我们把1种产品增加为3种产品，并且限制了货运量的总和。

本篇为第三篇，往期如下：
运输问题（一）
运输问题（二）
运输问题（三）

1. 问题描述和数学规划模型

某公司打算在GARY,CLEV,PITT 三个地方生产三种产品：bands，coils，plate。具体生产数量如下表所示：

	GARY	CLEV	PITT
bands	400吨	700吨	800吨
coils	800吨	1600吨	1000吨
plate	200吨	300吨	300吨

这些产品将被运送到7个地点去销售，每个地点对这三个产品的需求各不相同，具体如图所示：

	FRA	DET	LAN	WIN	STL	FRE	LAF
bands	300吨	300吨	100吨	75吨	650吨	225吨	250吨
coils	500吨	750吨	400吨	250吨	950吨	850吨	500吨
plate	100吨	100吨	0吨	50吨	200吨	100吨	250吨

已知将每吨不同的产品从不同的产地运送到不同的目的地的成本各不相同：

	bands	coils	plate
GARY , FRA	30元/吨	39元/吨	41元/吨
GARY, DET	10元/吨	14元/吨	15元/吨
GARY , LAN	8元/吨	11元/吨	12元/吨
GARY, WIN	10元/吨	14元/吨	16元/吨
GARY , STL	11元/吨	16元/吨	17元/吨
GARY , FRE	71元/吨	82元/吨	86元/吨
GARY , LAF	6元/吨	8元/吨	8元/吨
CLEV , FRA	22元/吨	27元/吨	29元/吨
CLEV , DET	7元/吨	9元/吨	9元/吨
CLEV , LAN	10元/吨	12元/吨	13元/吨
CLEV , WIN	7元/吨	9元/吨	9元/吨
CLEV , STL	21元/吨	26元/吨	28元/吨
CLEV ,FRE	82元/吨	95元/吨	99元/吨
CLEV , LAF	13元/吨	17元/吨	18元/吨
PITT , FRA	19元/吨	24元/吨	26元/吨
PITT , DET	11元/吨	14元/吨	14元/吨
PITT, LAN	12元/吨	17元/吨	17元/吨
PITT , WIN	10元/吨	13元/吨	13元/吨
PITT , STL	25元/吨	28元/吨	31元/吨
PITT , FRE	83元/吨	99元/吨	104元/吨
PITT , LAF	15元/吨	20元/吨	20元/吨

现规定某起点到某个目的地运输三种商品的货量总和不得超过625吨，请问该如何分配运输到每个目的地的产品使得总成本最低？

2. 数学规划模型

以上问题，我们可以建立线性规划的数学模型如下。

集合

起点集合 $O$
目的地集合 $D$
产品集合 $P$
混合集合 $I$ (由前三个集合组合形成）

参数

起点 $\in O$ 生产的商品 $\in P$ 的数量 $s_{op}$
目的地 $\in D$ 所需商品 $\in P$ 的数量 $w_{dp}$
每吨商品 $\in P$ 从起点 $\in O$ 运输到目的地 $\in D$ 的成本 $c_{odp}$
起点 $\in O$ 运送商品到目的地 $\in D$ 的最大量为 $l_{od}$

决策变量

起点 $\in O$ 运送商品 $\in P$ 到目的地 $\in D$ 的数量 ${\rm Trans}_{odp}\geq0$

目标函数

最小化公司运输成本 $\min$ $\sum_{o, d,p \in I} c_{odp} \cdot \mathrm{Trans}_{odp}$

约束

起点 $\in O$ 运送到各个目的地 $\in D$ 的商品 $\in P$ 的总量等于其商品的产量 $\sum_{d \in D}\mathrm{Trans}_{odp} =s_{op}$
不同起点 $\in O$ 运送到目的地 $\in D$ 的商品 $\in P$ 的总量等于目的地商品的需求 $\sum_{o \in O}\mathrm{Trans}_{odp} =w_{dp}$
起点 $\in O$ 到目的地 $\in D$ 运输的三种商品 $\in P$ 的总量和 $\sum_{p \in P }\mathrm{Trans}_{odp} \leq l_{od}$

2. 使用MindOpt APL进行建模和求解

MindOpt建模语言(MindOpt Algebra Programming Language, MindOpt APL达摩院自己的建模语言，简称为MAPL)是一种高效且通用的代数建模语言。当前主要用于数学规划问题的建模，并支持调用多种求解器求解。下面将演示如何使用MAPL将上面的数学模型公式和数据输入，生成一个求解器可求解的问题，再调用求解器去进行求解。

阿里巴巴达摩院：https://damo.alibaba.com/

方法1：cell中直接输入建模代码运行

在求解数独问题时，MindOpt APL可以将其建模代码直接输入如下cell里运行。请注意内核（kernel）需要选MAPL。
其中，有一行我们增加do check的语句来进行验证，确保总产量等于总需求。

clear model;#清除model，多次run的时候使用
option modelname model/transport_03;#方便与方法2的中间文件生成在同一个目录

#---------建模-----------------
# transport_03.mapl

set ORIG := {"GARY", "CLEV", "PITT"};                             # origins
set DEST := {"FRA",  "DET", "LAN", "WIN", "STL", "FRE", "LAF"};   # destinations
set PROD := {"bands", "coils", "plate"};                          # products
set ODP := ORIG * DEST * PROD;

# 产地的各产品的生产数量
param supply[PROD * ORIG] :=
         |"GARY",  "CLEV",  "PITT"|
|"bands" | 400,     700,     800  |
|"coils" | 800,     1600,    1800 |
|"plate" | 200,     300,     300  |;

# 目的地的需求量
param demand[PROD * DEST] :=
         |"FRA",  "DET",  "LAN",  "WIN",  "STL",  "FRE",  "LAF"|
|"bands" | 300,    300,    100,    75,     650,    225,    250 |
|"coils" | 500,    750,    400,    250,    950,    850,    500 |
|"plate" | 100,    100,    0,      50,     200,    100,    250 |;

# 不同产品不同运输路径的成本
# 注意，输入这个多维表格时，列坐标需要是1维的，横坐标可以是多维的。
param cost[ORIG * DEST * PROD] :=
              | "bands", "coils", "plate" |
|"GARY", "FRA"|  30,      39,      41     |
|"GARY", "DET"|  10,      14,      15     |
|"GARY", "LAN"|  8,       11,      12     |
|"GARY", "WIN"|  10,      14,      16     |
|"GARY", "STL"|  11,      16,      17     |
|"GARY", "FRE"|  71,      82,      86     |
|"GARY", "LAF"|  6,       8,       8      |
|"CLEV", "FRA"|  22,      27,      29     |
|"CLEV", "DET"|  7,       9,       9      |
|"CLEV", "LAN"|  10,      12,      13     |
|"CLEV", "WIN"|  7,       9,       9      |
|"CLEV", "STL"|  21,      26,      28     |
|"CLEV", "FRE"|  82,      95,      99     |
|"CLEV", "LAF"|  13,      17,      18     |
|"PITT", "FRA"|  19,      24,      26     |
|"PITT", "DET"|  11,      14,      14     |
|"PITT", "LAN"|  12,      17,      17     |
|"PITT", "WIN"|  10,      13,      13     |
|"PITT", "STL"|  25,      28,      31     |
|"PITT", "FRE"|  83,      99,      104    |
|"PITT", "LAF"|  15,      20,      20     |;

# 总运输量的限制
param limit[ORIG * DEST] := default 625;


var Trans [<o, d, p> in ORIG * DEST * PROD] >= 0;   # units to be shipped

minimize Total_Cost:
   sum {<o, d, p> in ODP } cost[o, d, p] * Trans[o, d, p];

subto Supply:
   forall {<o, p> in ORIG * PROD}
       sum { <d> in DEST} Trans[o, d, p] == supply[p, o];

subto Demand:
   forall { <d, p> in DEST * PROD}
       sum { <o> in ORIG } Trans[o, d, p] == demand[p, d];

subto Multi:
   forall { <o, d> in ORIG * DEST}
       sum {<p> in PROD} Trans[o, d, p] <= limit[o, d];
   
#------------------------------

print "-----------------用MindOpt求解---------------";
option solver mindopt;   # 指定求解用MindOpt求解器
solve;               # 求解
#display; #打印求解变量值，比较长，请删除注释#后进行打印

print "-----------------结果---------------";
print "最小成本 = ";
print sum {<o, d, p> in ODP } cost[o, d, p] * Trans[o, d, p];

运行代码得到的结果如下：

-----------------用MindOpt求解---------------
Running mindoptampl
wantsol=1
mip_integer_tolerance=1e-9
MindOpt Version 0.23.0 (Build date: 20221129)
Copyright (c) 2020-2022 Alibaba Cloud.

Start license validation (current time : 01-MAR-2023 20:39:34).
License validation terminated. Time : 0.003s

Model summary.
 - Num. variables     : 63
 - Num. constraints   : 51
 - Num. nonzeros      : 189
 - Bound range        : [5.0e+01,1.0e+20]
 - Objective range    : [6.0e+00,1.0e+02]
 - Matrix range       : [1.0e+00,1.0e+00]

Presolver started.
Presolver terminated. Time : 0.000s

Simplex method started.
Model fingerprint: =Y2diFmZ3dWY3N2Y

    Iteration       Objective       Dual Inf.     Primal Inf.     Time
            0     0.00000e+00      0.0000e+00      1.3800e+04     0.00s  
           35     1.99500e+05      0.0000e+00      0.0000e+00     0.00s  
Postsolver started.
Simplex method terminated. Time : 0.003s


OPTIMAL; objective 199500.00
35 simplex iterations

Completed.
-----------------结果---------------
最小成本 = 
199500

方法2：导入.mapl文件运行建模然后求解

上面时直接在cell中运行所有的脚本，我们也可以建立个新文档，将中间建模的代码保存为 transport_03.mapl文件。然后运行如下code，结果同方法1。

clear model;#清除model，多次run的时候使用

#------------------------------

model model/transport_03.mapl;  #通过导入建模脚本.mapl文件进行建模

#------------------------------

print "-----------------用MindOpt求解---------------";
option solver mindopt;   # 指定求解用MindOpt求解器
solve;               # 求解
#display; #打印求解变量值，比较长，请删除注释#后进行打印

print "-----------------结果---------------";
print "最小成本 = ";
print sum {<o, d, p> in ODP } cost[o, d, p] * Trans[o, d, p];

运行代码得到的结果和方法1一致。

3. 结果解析

display指令运行时，会打印出很多求解的结果，Trans@name 是决策变量的取值，后面的dual solution是对偶解的值。示意如下：

Primal Solution:
Trans@<GARY,FRA,bands> = 0.000000000000000E+00
Trans@<GARY,FRA,coils> = 0.000000000000000E+00
Trans@<GARY,FRA,plate> = 0.000000000000000E+00
Trans@<GARY,DET,bands> = 0.000000000000000E+00
Trans@<GARY,DET,coils> = 0.000000000000000E+00
Trans@<GARY,DET,plate> = 0.000000000000000E+00
Trans@<GARY,LAN,bands> = 0.000000000000000E+00
Trans@<GARY,LAN,coils> = 0.000000000000000E+00
Trans@<GARY,LAN,plate> = 0.000000000000000E+00
Trans@<GARY,WIN,bands> = 0.000000000000000E+00
Trans@<GARY,WIN,coils> = 0.000000000000000E+00
Trans@<GARY,WIN,plate> = 0.000000000000000E+00
Trans@<GARY,STL,bands> = 4.000000000000000E+02
Trans@<GARY,STL,coils> = 2.500000000000000E+01
Trans@<GARY,STL,plate> = 2.000000000000000E+02
Trans@<GARY,FRE,bands> = 0.000000000000000E+00
Trans@<GARY,FRE,coils> = 6.250000000000000E+02
Trans@<GARY,FRE,plate> = 0.000000000000000E+00
Trans@<GARY,LAF,bands> = 0.000000000000000E+00
Trans@<GARY,LAF,coils> = 1.500000000000000E+02
Trans@<GARY,LAF,plate> = 0.000000000000000E+00
Trans@<CLEV,FRA,bands> = 2.750000000000000E+02
Trans@<CLEV,FRA,coils> = 0.000000000000000E+00
Trans@<CLEV,FRA,plate> = 0.000000000000000E+00
Trans@<CLEV,DET,bands> = 0.000000000000000E+00
Trans@<CLEV,DET,coils> = 5.250000000000000E+02
Trans@<CLEV,DET,plate> = 1.000000000000000E+02
Trans@<CLEV,LAN,bands> = 0.000000000000000E+00
Trans@<CLEV,LAN,coils> = 4.000000000000000E+02
Trans@<CLEV,LAN,plate> = 0.000000000000000E+00
Trans@<CLEV,WIN,bands> = 7.500000000000000E+01
Trans@<CLEV,WIN,coils> = 2.500000000000000E+02
Trans@<CLEV,WIN,plate> = 5.000000000000000E+01
Trans@<CLEV,STL,bands> = 2.500000000000000E+02
Trans@<CLEV,STL,coils> = 3.000000000000000E+02
Trans@<CLEV,STL,plate> = 0.000000000000000E+00
Trans@<CLEV,FRE,bands> = 0.000000000000000E+00
Trans@<CLEV,FRE,coils> = 5.000000000000000E+01
Trans@<CLEV,FRE,plate> = 1.000000000000000E+02
Trans@<CLEV,LAF,bands> = 1.000000000000000E+02
Trans@<CLEV,LAF,coils> = 7.500000000000000E+01
Trans@<CLEV,LAF,plate> = 5.000000000000000E+01
Trans@<PITT,FRA,bands> = 2.500000000000000E+01
Trans@<PITT,FRA,coils> = 5.000000000000000E+02
Trans@<PITT,FRA,plate> = 1.000000000000000E+02
Trans@<PITT,DET,bands> = 3.000000000000000E+02
Trans@<PITT,DET,coils> = 2.250000000000000E+02
Trans@<PITT,DET,plate> = 0.000000000000000E+00
Trans@<PITT,LAN,bands> = 1.000000000000000E+02
Trans@<PITT,LAN,coils> = 0.000000000000000E+00
Trans@<PITT,LAN,plate> = 0.000000000000000E+00
Trans@<PITT,WIN,bands> = 0.000000000000000E+00
Trans@<PITT,WIN,coils> = 0.000000000000000E+00
Trans@<PITT,WIN,plate> = 0.000000000000000E+00
Trans@<PITT,STL,bands> = 0.000000000000000E+00
Trans@<PITT,STL,coils> = 6.250000000000000E+02
Trans@<PITT,STL,plate> = 0.000000000000000E+00
Trans@<PITT,FRE,bands> = 2.250000000000000E+02
Trans@<PITT,FRE,coils> = 1.750000000000000E+02
Trans@<PITT,FRE,plate> = 0.000000000000000E+00
Trans@<PITT,LAF,bands> = 1.500000000000000E+02
Trans@<PITT,LAF,coils> = 2.750000000000000E+02
Trans@<PITT,LAF,plate> = 2.000000000000000E+02

Dual Solution:
Supply_1 = 4.000000000000002E+00
Supply_2 = 8.000000000000000E+00
Supply_3 = 8.000000000000004E+00
Supply_4 = 1.300000000000000E+01
Supply_5 = 1.700000000000000E+01
Supply_6 = 1.800000000000000E+01
Supply_7 = 1.600000000000001E+01
Supply_8 = 2.100000000000001E+01
Supply_9 = 2.100000000000001E+01
Demand_1 = 9.000000000000002E+00
Demand_2 = 9.000000000000002E+00
Demand_3 = 1.100000000000000E+01
Demand_4 = -5.000000000000004E+00
Demand_5 = -7.000000000000006E+00
Demand_6 = -8.000000000000007E+00
Demand_7 = -4.000000000000005E+00
Demand_8 = -5.000000000000000E+00
Demand_9 = -5.000000000000000E+00
Demand_10 = -6.000000000000001E+00
Demand_11 = -7.999999999999999E+00
Demand_12 = -9.000000000000000E+00
Demand_13 = 8.000000000000000E+00
Demand_14 = 9.000000000000002E+00
Demand_15 = 9.999999999999998E+00
Demand_16 = 6.700000000000000E+01
Demand_17 = 7.800000000000000E+01
Demand_18 = 8.100000000000000E+01
Demand_19 = 0.000000000000000E+00
Demand_20 = 0.000000000000000E+00
Demand_21 = 0.000000000000000E+00
Multi_1  = 0.000000000000000E+00
Multi_2  = 0.000000000000000E+00
Multi_3  = 0.000000000000000E+00
Multi_4  = 0.000000000000000E+00
Multi_5  = -1.000000000000001E+00
Multi_6  = -4.000000000000004E+00
Multi_7  = 0.000000000000000E+00
Multi_8  = 0.000000000000000E+00
Multi_9  = -9.999999999999931E-01
Multi_10 = 0.000000000000000E+00
Multi_11 = 0.000000000000000E+00
Multi_12 = 0.000000000000000E+00
Multi_13 = 0.000000000000000E+00
Multi_14 = 0.000000000000000E+00
Multi_15 = -6.000000000000007E+00
Multi_16 = 0.000000000000000E+00
Multi_17 = 0.000000000000000E+00
Multi_18 = 0.000000000000000E+00
Multi_19 = -2.000000000000008E+00
Multi_20 = 0.000000000000000E+00
Multi_21 = -1.000000000000005E+00

同时，在最近建模的文件所在目录或option modelname指定的位置，会生成对应的文件 .nl和 .sol。其中 .nl文件是建模的问题模型文件，可被多数求解器识别，.sol文件中存储了求解结果solution。

从打印的结果，我们可以得到该公司的最低运输成本为199500元。