数学建模 整数规划

一.概论
1.概念:

当数学规划中的变量被(部分或全部)限制为整数时,称为整数规划.若在线性规划中将变量限制为整数,则称为整数线性规划.目前多数流行的求解整数规划的方法都只适用于整数线性规划,因而如果不加说明,整数规划一般指整数线性规划

2.分类:

①变量全部限制为整数时,称为纯(完全)整数规划
②变量部分限制为整数时,称为混合整数规划

3.求解方法:

①分枝定界法——用于求解纯/混合整数线性规划
②割平面法——用于求解纯/混合整数线性规划
③隐枚举法——用于求解0-1型整数规划
\quad Ⅰ过滤隐枚举法
\quad Ⅱ分枝隐枚举法
④匈牙利法——用于求解指派问题
⑤蒙特卡洛法——用于求解各类规划

二.0-1型整数规划
1.概念:

0-1型整数规划是整数规划中的特殊情形,其变量$x_j$仅取0或1,即$$\begin{gathered} 0\le x_j\le 1 \\ {x}_j\in Z \end{gathered}$$这时称$x_j$为0-1变量或二进制变量.通过在实际问题中引入0-1变量,可将某些有不同情况需要分别讨论的数学规划问题统一在1个问题中讨论

2.相互排斥的约束条件:

如果有$m$个相互排斥的约束条件$$a_{i1}{x}_1+a_{i2}{x}_2+...+a_{in}{x}_n\le b_i(i=1,2...m)$$为保证这$m$个约束条件只有1个起作用,引入$m$个0-1变量$$y_i=\{\begin{array}{l}1,第i个约束起作用\\ 0,第i个约束不起作用\end{array}(i=1,2...m)$$和1个充分大的常数$M$,将上述$m$个约束条件替换为下述$m+1$个约束条件$$\begin{gathered} a_{i1}{x}_1+a_{i2}{x}_2+...+a_{in}{x}_n\le b_i+(1-y_i)M(i=1,2...m)(2.1) \\ {y}_1+y_2+...+y_m=1(2.2) \end{gathered}$$

3.关于固定费用的问题:

某工厂要生成某种产品,设有3种生产方式可供选择,记为$j=1,2,3$.令$x_j$表示采用第$j$种生产方式时的产量,$c_j$表示采用第$j$种生产方式时每件产品的可变成本,$k_j$表示采用第$j$种生产方式时的固定成本.问如何使总成本最小

采用第$j$种生产方式时的总成本为$$P_j=\{\begin{array}{l}{k}_j+c_j{x}_j(x_j>0)\\ 0(x_j=0)\end{array}$$为了在统一在1个问题中进行讨论,现引入0-1变量$y_j$,令$$y_j=\{\begin{array}{l}1,x_j>0\\ 0,x_j=0\end{array}$$则上述问题的数学模型为(此处忽略了其他约束条件):$$\begin{gathered} minz=(k_1{y}_1+c_1{x}_1)+(k_2{y}_2+c_2{x}_2)+(k_3{y}_3+c_3{x}_3) \\ s.t.y_j\epsilon \le x_j\le y_{j}M(j=1,2,3) \end{gathered}$$其中$\epsilon$为充分小的正常数,$M$为充分大的正常数

4.指派问题:

分配$n$人去做$n$项工作,每人做且仅做1项工作.若分配第$i$人去做第$j$项工作,需花费$c_{ij}$的时间(矩阵$C=(c_{ij})$称为指派问题的系数矩阵或指派矩阵),问应如何分配工作才能使花费的总时间最少

引入0-1变量$$x_{ij}=\{\begin{array}{l}1,第i人做第j项工作\\ 0,第i人不做第j项工作\end{array}$$则上述指派问题的数学模型为$$\begin{gathered} min\sum _{i=1}^n\sum _{j=1}^n{c}_{ij}{x}_{ij} \\ s.t.\{\begin{array}{l}\sum _{j=1}^n{x}_{ij}=1\\ \sum _{i=1}^n{x}_{ij}=1\\ x_{ij}=0或1\end{array} \end{gathered}$$指派问题的求解可使用匈牙利算法/拍卖算法等算法

三.蒙特卡洛法
1.概念:

蒙特卡洛法又称计算机随机模拟方法,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的方法.要使用蒙特卡洛法就必须使用计算机生成相关分布的随机数

2.求不规则图形的面积:

求$y=x^2,y=12-x,x$轴围成的图形的近似面积

思路:在矩形区域$[0,12]\times [0,9]$上产生服从均匀分布的$10^7$个随机点,统计随机点落在指定图形中的频率,该图形上的面积近似为上述矩形的面积乘以频率.计算代码如下:

>> x=unifrnd(0,12,[1,10000000]);
>> y=unifrnd(0,9,[1,10000000]);
>> pinshu=sum(y<x.^2&x<=3)+sum(y<12-x&x>=3);
>> area_appr=12*9*pinshu/10^7;
>> area_appr

area_appr =

   49.5026

3.替代穷举法:

在自变量的维数和取值范围都很大时,使用穷举法求出整数规划问题的最优解是不现实的.但是应用概率理论可证明,在一顶计算量的情况下,用蒙特卡洛法可用得到满意的结果.如求解下述问题:$$\begin{gathered} maxz=x_1^2+x_2^2+3x_3^2+4x_4^2+2x_5^2-8x_1-2x_2-3x_3-x_4-2x_5 \\ s.t.\{\begin{array}{l}0\le x_i\le 99(i=1,2,3,4,5)\\ x_1+x_2+x_3+x_4+x_5\le 400\\ x_1+2x_2+2x_3+x_4+6x_5\le 800\\ 2x_1+x_2+6x_3\le 200\\ x_3+x_4+5x_5\le 200\end{array} \end{gathered}$$使用穷举法计算全部$10^{10}$个点的计算量极大,但应用蒙特卡洛法来计算$10^6$个随机点是可行且可信的.计算代码如下:

#MonteCarlo.m中:
function [f,g]=MonteCarlo(x);
f=x(1)^2+x(2)^2+3*x(3)^2+4*x(4)^2+2*x(5)^2-8*x(1)-2*x(2)-3*x(3)-x(4)-2*x(5);
g=[sum(x)-400 x(1)+2*x(2)+2*x(3)+x(4)+6*x(5)-800 2*x(1)+x(2)+6*x(3)-200 x(3)+x(4)+5*x(5)-200];
end

#命令行窗口中:
>> p0=0;
>> for i=1:10^6
x=randi([0,99],1,5);
[f,g]=MonteCarlo(x);
if all(g<=0)
if p0<f
x0=x;
p0=f;
end
end
end
>> x0

x0 =

    28    96     1    99    19

>> p0

p0 =

       49373

四.整数线性规划问题的计算机求解

使用Lingo等专用软件比较方便,但也可使用MATLAB中的intlinprog()求解.使用MATLAB求解的问题在于需要把多维决策变量转换为1维决策变量,转换后,约束条件常很难写出;使用Lingo求解则不需要

使用MATLAB求解的标准形式为$$\begin{gathered} \underset{x}{\min }{f}^{T}x \\ s.t.\{\begin{array}{l}x(intcon)\in Z\\ Ax\le b\\ Aeq\cdot x=beq\\ lb\le x\le ub\end{array} \end{gathered}$$其中$f,x,intcon,b,beq,lb,ub$为列向量.$A,Aeq$为矩阵.求解命令为$$[x,fval]=intlinprog(f,intcon,A,b[,Aeq,beq,lb,ub,x0,options])$$

求解下述指派问题$$C=\left[\begin{array}{ccccc}3& 8& 2& 10& 3\\ 8& 7& 2& 9& 7\\ 6& 4& 2& 7& 5\\ 8& 4& 2& 3& 5\\ 9& 10& 6& 9& 10\end{array}\right]$$计算代码为:

>> c=[3 8 2 10 3;8 7 2 9 7;6 4 2 7 5;8 4 2 3 5;9 10 6 9 10];
>> c=c(:);
>> a=zeros(10,25);
>> intcon=1:25;
>> for i=1:5
a(i,(i-1)*5+1:5*i)=1;
a(5+i,i:5:25)=1;
end
>> b=ones(10,1);
>> lb=zeros(25,1);
>> ub=ones(25,1);
>> x=intlinprog(c,intcon,[],[],a,b,lb,ub);
LP:                Optimal objective value is 21.000000.                                            


Optimal solution found.

Intlinprog stopped at the root node because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default
value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).

>> x=reshape(x,[5,5]);
>> x

x =

     0     0     0     0     1
     0     0     1     0     0
     0     1     0     0     0
     0     0     0     1     0
     1     0     0     0     0

求解下述混合整数规划问题$$\begin{gathered} minz=-3x_1-2x_2-x_3 \\ s.t.\{\begin{array}{l}{x}_1+x_2+x_3\le 7\\ 4x_1+2x_2+x_3=12\\ x_1,x_2\ge 0\\ x_3=0或1\end{array} \end{gathered}$$

>> f=[-3;-2;-1];
>> intcon=3;
>> a=ones(1,3);
>> b=7;
>> aeq=[4 2 1];
>> beq=12;
>> lb=zeros(3,1);
>> ub=[inf;inf;1];
>> x=intlinprog(f,intcon,a,b,aeq,beq,lb,ub);
LP:                Optimal objective value is -12.000000.                                           


Optimal solution found.

Intlinprog stopped at the root node because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default
value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).

>> x

x =

         0
    5.5000
    1.0000