【数学建模】数学规划问题

数学规划问题

A.a 概述

<1>什么是数学规划？
数学规划是运筹学的 ⼀个分⽀ , 其⽤来研究: 在给定的条件 下 (约束条件), 如何按照某 ⼀衡量指标 (⽬标函数)来寻求计划、 管理⼯作 中的优⽅案 。 （求 ⽬标函数在 ⼀定约束条件下的极值问题 。 ）

<2>数学规划的一般形式
$$min(或者max)z=f(x)$$$$s.t.g_i(x)<0,i=1,2,...,m（不等式约束,）$$也可能有等式约束 , 整数约束 或 两者皆有

$x:决策变量（一般有多个自变量）$

$f(x)：目标函数$

$不等式约束、等式约束、整数约束：约束条件$

例子：z为目标函数，x1x2x3为决策变量。

整数约束：$x_1,x_2\in Z$

<3>数学规划的分类

1 线性规划
如果⽬标函数 和 和约束条件均是决策变量的线性表达式 , 那么此时的数学规划问题就属于线性规划
1947年, 美国数学家丹⻬格 ( GB.Dantz.in)提出了 求解线性规划的单纯形法 , 奠定了这⻔学科的基础 。

2 ⾮线性规划
当⽬标函数和或者约束条件中有⼀个是决策变量 x 的⾮线性表达式, 那么 此时的数学规划问题就属于⾮线性规划 。
解决⾮线性规划要⽐线性规划困难得多 , ⽬前没有通⽤算法, ⼤多数算法都是在选定决策变量的初始值后 ,通过定的搜索⽅法 寻求优的决策变量。

3 整数规划
整数 规划是⼀类要求变量取整数值的数学规划,包括线性整数规划和非线性整数规划。
⽬前, 所流⾏的 求解整数规划 的算法往往只适⽤于线性整数规划, 所以本节学习 的求解均针对线性整数规划。

4 0-1规划
整数规划的特例 , 整数变量的 取值只能为 0 和 1 。

A.b 线性规划问题的求解

<1>MATLAB中线性规划的标准型式
$$min{C}^{T}X(向量的内积，C=\left[\begin{array}{c}C1\\ C2\\ .\\ .\\ .\\ C_n\end{array}\right])，X=\left[\begin{array}{c}x1\\ x2\\ .\\ .\\ .\\ x_n\end{array}\right]n是决策变量的个数)$$

$$s.t.\{\begin{array}{l}Ax\le b（不等式约束）\\ A_{eq}x=b_{eq}（等式约束）\\ lb\le x\le ub（上下界约束，也可以当成不等式约束）\end{array}$$

注意标准形式的符号，如果是求最大值，则将目标函数乘-1，如果约束的符号与上面标准形式展示的不同，则也用两边乘-来变成标准形式；
例子：

$$ub=\left[\begin{array}{c}inf\\ inf\\ inf\end{array}\right]（可以不用写）$$

如果题目给的约束不是大于等于或小于等于号，则需要根据对约束作一定的变换，如大于零可以写成大于等于0.00001。

<2>MATLAB求解线性规划的命令
[x, fval]=linprog[c, A, b, Aeq, beq, lb, ub, X0]

• X0 表示给定Matlab迭代求解的初始值 ( ⼀般不⽤给)
• C.A.b.Aeg.beq.lb.us 的意义和 标准型中 的意义 ⼀致
• 若不存在不等式约束, 可⽤ " [ ] " 替代 A和b
• 先不存在等式约束, 可⽤ " [ ] "替代 Aeq 和 beq
• 若某个$x_i$ ⽆下界或 上界, 则 设置$lb(i)=-inf，ub(i)=+inf$
• 返回的X表示⼩值处的 x取值 ; fval表示最优解处时取得 的最小值。
• 不是所有线性规划问题都有唯一解，可能无解或者无穷多解。
• 如果求的是最大值，别忘了在最后给fval取反。

A.c 整数规划

整数规划分为：

• 线性整数规划 Matlab可进⾏求解 ，线性的意思 ：在线性规划的基础上 , 加⼊决策变量取整数的条件)
• ⾮线性整数规划： ⽆特定算法, 只能⽤近似算法 , 如蒙特卡罗模拟 、 智能算法
• 0- 1规划 : 特殊的整数规划 , Matlab中也只能求解线性01规划, 对于⾮线性 0-1规划也只能近似求解 。

<1>MATLAB线性整数规划求解
[x, fval]=linprog[c, A, b, Aeq, beq, lb, ub, x0] 线性规划
[x, fval]intlinprog[c, intcon, A, b, beq, lb, ub] 线性整数规划

注意：

• intlinprog不能指定初始值
• intcon参数可以指定哪些决策变量是整数。

例如：决策变量x1,x2,x3中，x1和x3是整数，则intion=[1,3]

<2>MATLAB线性0-1规划求解
仍然使用intlinpro函数，只不过在lb和ub上做文章。
例如
三个决策变量x1，x2，x3中，x1和x3是0-1变量，x2不限制，则$intcon=[1,3],lb=\left[\begin{array}{c}0\\ -inf\\ 0\end{array}\right]，ub=\left[\begin{array}{c}1\\ inf\\ 1\end{array}\right]$。

A.d 非线性规划问题的求解

<1>MATLAB中非线性规划的标准型
$$minf(x)$$
$$s.t.\{\begin{array}{l}Ax\le b，Aeqx=beq（线性条件）\\ C(x)\le 0，Ceq(x)=0（非线性条件）\\ lb\le x\le ub\end{array}$$
注意：可能对部分决策变量有约束；注意标准型的负号

例子：

<2>MATLAB求解非线性规划的函数
[x, fval]=fmincon(@fun, x0, A, b, Aeq, beq, lb, ub, @nonfun, option)

• ⾮线性规划中对于初始值 x0 的选取⾮常重要 , 因为⾮线性规划的算法 求解出来的 是⼀个局部优解 。 (线性规划不存在 这个 问题 )
• 如果要求" 全局优解" ，有两种思路 : 1 给定不同的初始值 , 在⾥⾯找到⼀个优解 ; 2 先⽤蒙特卡罗 模拟, 得到⼀个蒙特卡罗解 , 然后 将这个解作为初始值来求优解 。
• " option" 选项可以给定求解 的算法, ⼀共有四种 : interior-point (内点法) 、 sqp序列⼆次规划法) 、 active-set (有效集法) 以及 trust-region-reflective (信赖域 反射算法) 。

option=optimoptions('fmincon','Algorithm','以上算法名')

• 不同的算法有其各⾃的优缺点和适⽤情况 , 我们 可以改变求解 的算法来看求解的结果是否变 好 了 。
• "@fun"表示⽬标函数，我们要编写⼀个独⽴的 m ⽂件来存⽬标 函数 :

function f=fun(x)
	%x是一个向量
	% f=x1+x2+x3代码写成x(1)+x(2)+x(3)
	f=...

• nonlfun " 表示⾮线性部分的约束 , 我们同样得编写⼀个独⽴的 m ⽂件任⽼存⾮线性约束条件 ：

function [C, Ceq]=nonlfun(x)
	C=[非线性不等式约束1；
	    。。。
	    非线性不等式约束p；]
	Ceq=[非线性等式约束1；
	     ...
	     非线性等式约束q]

A.e 最大最小化模型

<1>模型的一般模型
在博弈论中，我们常常遇到这样的问题：在最不利的条件下，寻求最有利的策略。在实际问题也有许多求最大值的最小化问题，例如急救中心选址问题就是要规划其到所有地点最大距离的最小值，在投资规划中要确定最大风险的最低限度等。为此对每个$x\in R^n$，我们先求各目标值$f_i(x)$的最大值，然后再求这些最大值中的最小值。
最大最小化问题的一般数学模型：

<2>模型求解函数
[x,fval]=fminmax(@Fun,x0,A,b,Aeq,beq,lb,ub,@nolfun,option)

• Fun是一个函数向量。

function f=Fun(x)
	f=zeors)m,1;
	f(1)=...
	f(2)=...
	..._

A.f 多目标规划

若⼀个规划问题中有多个 ⽬标,例如企业在保证利润⼤时也要保证⽣产时产⽣的污染少 这种情况下我们 可以对 多 ⽬标 函数进⾏ 加权组合, 使 问题变为单⽬标规划 , 然后再利⽤之前学的知识进⾏求解。
注意：
1 要先将多个⽬标函数统⼀ 为最⼤化或⼩化问题后才可以进⾏ 加权组合
2 如果⽬标函数的量纲 不 相同 , 则 需要对其进⾏标准化 后再进⾏加权, 标准化的⽅法 ⼀般是⽤ ⽬标 函数除以某⼀个常量, 该常量是这个⽬标函数的某个取值, 具体取何值可根据 经验确定
3 对多 ⽬标函数进⾏加权 求和时, 权重需要由该问题领域的专家给定 , 在实际建模 ⽐赛 中, 若 ⽆特殊说明, 我们令权重相同 。