【Lingo】【MATLAB】【求解运筹学问题模板题】

已于 2022-12-21 19:21:40 修改
阅读量6k 收藏 146
点赞数 11
分类专栏： 运筹学 文章标签： matlab lingo 运筹学 图论
于 2022-12-21 19:19:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_62684026/article/details/128397779
版权

文章目录

一、线性规划模型（Lingo）

1.线性规划问题（模板）

在这里插入图片描述

model:
min = 2 *x1 + 3 *x2;
x1 + x2 >= 350;
x1 >= 100;
2 * x1 + x2 <= 600;
end

2.求解最优化问题

在这里插入图片描述

model:
min=fx+gy;
fx=@if(x #gt# 0,100,0)+2*x;
gy=@if(y #gt# 0,60+3*y,2*y);
x+y>=30;
end

3.包装箱平板车问题

在这里插入图片描述
在这里插入图片描述
这是对于我们模型的约束条件的建模
在这里插入图片描述
下面为本道题的lingo代码

model:
sets:
!定义我们的其中规格的包装箱,分别有t,w,n三个属性;
type/1..7/:t,w,n;
!定义我们的平板车,分别有长度和载重两个属性;
car/1..2/:cl,cw;
matrix(type,car):x;
endsets

data:
t=48.7,52,61.3,72,48.7,52,64;
w=2000 ,3000,1000,500,4000,2000,1000;
n=8,7,9,6,6,4,8;
cl=020,1020;
cw=40000,40000;
s=302.7;
enddata

max=@sum(type(i):t(i)*(x(i,1)+x(i,2)));
@for(type(i):x(i,1)+x(i,2)<=n(i));

@for(car(j):@sum(type(i):t(i)*x(i,j))<=cl(j));
@for(car(j):@sum(type(i):w(i)*x(i,j))<=cw(j));
@sum(type(i)|i#ge#5:t(i)*(x(i,1)+x(i,2)))<=s;
@for(matrix(i,j):@gin(x(i,j)));

end

4.职员时序安排问题

在这里插入图片描述
在这里插入图片描述

model:
sets:
days/mon..sun/:r,start;
endsets
data:
!每天所需的最少职员数;
r=20 16 13 16 19 14 12;
enddata
!最小化每周所需职员数;
min=z;
!对于每一天开始工作的员工数量进行遍历
z=@sum(days:start);
!遍历每一天的数据进行加和，因为每一个员工都是会工作5天的，所以今天要工作的员工是全部的员工z减去与今天星期相同的上一周的下一天和下下一天的员工，他们加起来的和需要大于每天所需的最少职员数
@for(days(i):z-start(@wrap(i+1,7))-start(@wrap(i+2,7))>= r(i));
end

5.运输问题

使用Lingo软件计算6个发点和8个收点的最小费用运输问题。产销单位运价如下表。
在这里插入图片描述

model:
!6发点8收点运输问题;
sets:
    warehouses/wh1..wh6/:capacity;
    vendors/v1..v8/:demand;
    links(warehouses,vendors):cost,volume;
endsets
!目标函数;
min=@sum(links:cost*colume);
!需求约束;
@for(vendors(J):
    @sum(warehouses(I):volume(I,J))=demand(J));
!产量约束;
@for(warehouses(I):
    @sum(vendors(J):volume(I,J))<=capacity(I));
!这是数据;
data:
    capacity=60 55 51 43 41 52;
    demand=35 37 22 32 41 32 43 38;
    cost=6 2 6 7 4 2 9 5
 	4 9 5 3 8 5 8 2
	5  2 1 9 7 4 3 3 
	7 6 7 3 9 2 7 1
	2 3 9 5 7 2 6 5 
	5 5 2 2 8 1 4 3;
enddata
end

6.排菜单问题

某疗养院营养师要为某类病人拟定本周蔬菜类菜单，当前可供选择的蔬菜品种、价格和营养成分含量，以及病人所需营养成分的最低数量见下表所示。病人每周需14份蔬菜，为了口味的原因，规定一周内的卷心菜不多于2份，胡萝卜不多于3份，其他蔬菜不多于4份，且蔬菜都至少1份。在满足要求的前提下，制定费用最少的一周菜单方案。
当前可供蔬菜养分含量（mg）和价格
铁 | 磷 |维生素A |维生素C |烟酸 |每份价格（元）|

单位所含养分量铁磷维生素A维生素C烟酸每份价格（元）
青豆0.4520415220.32.1
胡萝卜0.4528406550.351.0
花菜0.6540850430.61.8
卷心菜0.42575270.21.2
芹菜0.52676480.42.0
土豆0.57523580.61.2
每周最低需求6125125003455

编写Lingo程序求解上述问题。

model:
!配菜单;
sets:
vege/1..6/:price,ulimit,dlimit,num;
nutr/1..5/:need;
link(vege,nutr):content;
endsets

data:
price=2.1 1 1.8 1.2 2 1.2;
ulimit=4 3 4 2 4 4;
dlimit=1 1 1 1 1 1;
need=6	125	12500	345	5	;
content=
0.45	20	415	22	0.3	
0.45	28	4065	5	0.35	
0.65	40	850	43	0.6	
0.4	25	75	27	0.2	
0.5	26	76	48	0.4	
0.5	75	235	8	0.6	;
enddata

min=@sum(vege:price*num);
@for(nutr(j):@sum(vege(i):content(i,j)*num(i))>=need(j));
@for(vege:num>=dlimit);
@for(vege:num<=ulimit);
@sum(vege:num)=14;

end

7.工地施工问题

在这里插入图片描述
第一问

model:
sets:
lc/A,B/:px,py,e;
gd/1..6/:x,y,d;
links(lc,gd):c;
endsets
data:
px=5 2;
py=1 7;
e=20 20;
x=1.25 8.75 0.5 5.75 3 7.25;
y=1.25 0.75 4.75 5 6.5 7.75;
d=3 5 4 7 6 11;
enddata
min=@sum(links(i,j):c(i,j)*((px(i)-x(j))^2+(py(i)-y(j))^2)^(1/2));
@for(gd(j):@sum(lc(i):c(i,j))=d(j));
@for(lc(i):@sum(gd(j):c(i,j))<=e(i));
end

第二问

model:
sets:
lc/A,B/:px,py,e;
gd/1..6/:x,y,d;
links(lc,gd):c;
endsets
data:
x=1.25 8.75 0.5 5.75 3 7.25;
y=1.25 0.75 4.75 5 6.5 7.75;
d=3 5 4 7 6 11;
e=20 20;
enddata
min=@sum(links(i,j):c(i,j)*((px(i)-x(j))^2+(py(i)-y(j))^2)^(1/2));
@for(gd(j):@sum(lc(i):c(i,j))=d(j));
@for(lc(i):@sum(gd(j):c(i,j))<=e(i));
end

8.生产计划优化研究（柴油机生产）

某柴油机厂年度产品生产计划的优化研究。某柴油机厂是我国生产中小功率柴油机的重点骨干企业之一。主要产品有2105柴油机、x2105柴油机、x4105柴油机、x4110柴油机、x6105柴油机、x6110柴油机。柴油机生产过程主要分成三大类：热处理、机加工、总装。与产品生产有关的主要因素有单位产品的产值、生产能力、原材料供应量及生产需求情况等。
每种产品的单位产值如表1所示。
表1 各产品的单位产值

序号产品型号及名称单位产值（元）
12105柴油机5400
2x2105柴油机6500
3x4105柴油机12000
4x4110柴油机14000
5x6105柴油机18500
6x6110柴油机20000

为简化问题，根据一定时期的产量与所需工时，测算了每件产品所需的热处理、机加工、总装工时，如表2所示。
表2 单位产品所需工时

序号产品型号及名称热处理机加工总装
12105柴油机10.5814.5817.08
2x2105柴油机11.037.05150
3x4105柴油机29.1123.9629.37
4x4110柴油机32.2627.733.38
5x6105柴油机37.6329.3655.1
6x6110柴油机40.8440.4353.5

同时，全厂所能提供的总工时如表3所示。
表3 各工序所能提供的工时

工序名称热处理机加工总装
全年提供总工时12000095000180000

产品原材料主要是生铁、焦炭、废钢、钢材四大类资源。原材料供应最大的可能值如表4所示。
表4 原材料最大供应量

原材料名称 生铁（吨）焦炭（吨）废钢（吨）钢材（吨）
最大供应量1562951530

单位产品原材料消耗情况如表5所示。

表5 单位产品原材料消耗情况

序号产品型号及名称生铁（吨）焦炭（吨）废钢（吨）钢材（吨）
12105柴油机0.180.110.060.04
2x2105柴油机0.190.120.060.04
3x4105柴油机0.350.220.120.08
4x4110柴油机0.360.230.130.09
5x6105柴油机0.540.330.180.12
6x6110柴油机0.550.340.190.13

依照历年销售情况、权威部门的市场预测及企业近期进行的生产调查结果，可以分别预测出各种型号柴油机今年的市场需求量，如表6所示。
表6 各种型号柴油机今年的市场需求量

序号产品型号及名称生产能力（台）市场需求量（台）
12105柴油机80008000
2x2105柴油机20001500
3x4105柴油机40004000
4x4110柴油机20001000
5x6105柴油机30003000
6x6110柴油机30002000

根据以上资料，请制定较为科学的产品生产计划。用Lingo软件求解上述问题。

model:
sets:
limit/1..6/:method1,method2,method3,material1,material2,material3,material4,x,demand,output;
endsets
max=@sum(limit:output*x);
data:
method1=10.58,11.03,29.11,32.26,27.63,40.84;
method2=14.58,7.05,23.96,27.7,29.36,40.43;
method3=17.08,150,29.37,33.38,55.1,53.5;

material1=0.18,0.19,0.35,0.36,0.54,0.55;
material2=0.11,0.12,0.22,0.23,0.33,0.34;
material3=0.06,0.06,0.12,0.13,0.18,0.19;
material4=0.04,0.04,0.08,0.09,0.12,0.13;

demand=8000,1500,4000,1000,3000,2000;
output=5400,6500,12000,14000,18500,20000;
enddata
@sum(limit(i):method1(i)*x(i))<=120000;
@sum(limit(i):method2(i)*x(i))<=95000;
@sum(limit(i):method3(i)*x(i))<=180000;

@sum(limit(i):material1(i)*x(i))<=1562;
@sum(limit(i):material2(i)*x(i))<=951;
@sum(limit(i):material3(i)*x(i))<=530;
@sum(limit(i):material4(i)*x(i))<=350;

@for(limit(i):x(i)<=demand(i));
@for(limit(i):x(i)>=0);
@for(limit(i):@gin(x(i)));
end

二、线性规划问题（Matlab）

1.线性规划问题（模板题）

在这里插入图片描述
方法一

clc,clear
c=[4;3];b=[10;8;7]
a=[2,1;1,1;0,1];lb=zeros(2,1);
[x,fval]=linprog(-c,a,b,[],[],lb)%没有等号约束
y=-fval%目标函数为最大化

方法二

clc,clear
prob=optimproblem('ObjectiveSense','max')

c=[4;3];b=[10;8;7];
a=[2,1;1,1;0,1];lb=zeros(2,1);
x=optimvar('x',2,'LowerBound',0);
prob.Objective=c'*x;
prob.Constraints.con=a*x<=b;
[sol,fval,flag,out]=solve(prob)
sol.x%显示决策变量的值

2.线性规划问题（模板题）

在这里插入图片描述
方法一

c=[2;3;-5];
a=[-2,5,-1;1,3,1];
b=[-10;12];
aeq=[1,1,1];
beq=7;
[x,fval]=linprog(-c,a,b,aeq,beq,zeros(3,1))

方法二

clc,clear
prob=optimproblem('ObjectiveSense','max');
x=optimvar('x',3,'LowerBound',0);
prob.Objective=2*x(1)+3*x(2)-5*x(3);
prob.Constraints.con1=x(1)+x(2)+x(3)==7;
prob.Constraints.con2=2*x(1)-5*x(2)+x(3)>=10;
prob.Constraints.con3=x(1)+3*x(2)+x(3)<=12;
[sol,fval,flag,out]=solve(prob),sol.x%显示解

3.仓储问题

捷运公司在下一年度的1~4月的4个月内拟租用仓库堆放物资。仓库租借费用随合同期而定，期限越长，折扣越大。一直各月份所需要的仓库面积列于下表。租借仓库的合同每月初都可办理，每份合同具体规定租用面积和期限。因此该公司可根据需要，在任何一个月初办理租借合同。每次办理时可签一份合同，也可签若干份租用面积和租借期限不同的合同，试确定该公司签订租借合同的最优决策，目的是使所付租借费最少
在这里插入图片描述

设变量xij表示该公司在第i(i=1,2,3,4)个月初签订的租借期为j(j=1,2,3,4)个月的仓库面积（单位为100平方米）。因5月份起该公司不需要租借仓库，故x24,x33,x42,x43,x44均为0
在这里插入图片描述

clc,clear
prob=optimproblem;
x=optimvar('x',4,4,'LowerBound',0);
prob.Objective=2800*sum(x(:,1))+4500*sum(x(1:3,2))+6000*sum(x(1:2,3))+7300*x(1,4);
prob.Constraints.con=[sum(x(1,:))>=15
    sum(x(1,2:4))+sum(x(2,1:3))>=10
    x(1,3)+x(1,4)+x(2,2)+x(2,3)+x(3,1)+x(3,2)>=20
    x(1,4)+x(2,3)+x(3,2)+x(4,1)>=12];
[sol,fval,flag,out]=solve(prob),sol.x

4.投资的收一个风险

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
由于a是任意给定的风险度，我们可以从a=0开始，以步长△a=0.001进行循环搜索，编制程序

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')

clc,clear
prob=optimproblem('ObjectiveSense','max');
x=optimvar('x',5,1,'LowerBound',0);
c=[0.05,0.27,0.19,0.185,0.185];
Aeq=[1,1.01,1.02,1.045,1.065];
prob.Objective=c*x;M=10000;
prob.Constraints.con1=Aeq*x==M;
q=[0.025,0.015,0.055,0.026]';
a=0;aa=[];QQ=[];XX=[];hold on
while a<0.05
    prob.Constraints.con2=q.*x(2:end)<=a*M;
    [sol,Q,flag,out]=solve(prob);
    aa=[aa;a];QQ=[QQ;Q];
    XX=[XX;sol.x'];
    a=a+0.001;
end
plot(aa,QQ,'*k')
xlabel('a'),ylabel('Q')

在这里插入图片描述

三、灵敏度分析（Lingo）

1.模板题

某家公司制造书桌，椅子和桌子，所用的资源有三种：木料、木工和漆工。生产数据如下表所示：
在这里插入图片描述
若要求桌子的生产量不超过5件，如何安排三种产品的生产可使利润最大？
使用DESK,TABLES和CHARIRS分别表示三种产品的生产量，建立LP模型

model:
max=60*desks+30*tables+20*chairs;
8*desks+6*tables+chairs<=48;
4*desks+2*tables+1.5*chairs<=20;
2*desks+1.5*tables+.5*chairs<=8;
tables<=5;
end

在这里插入图片描述

2.玩具公司生产玩具问题

某玩具公司分别生产三种新型玩具，每月可供应量分别为1000件，2000件，2000件，它们分别被送到甲、乙、丙三个百货商店销售。已知每月各百货商店各类玩具总和的预期销售量均为1500件，由于经营方面原因，各商店销售不同玩具的盈利额不同，见下表。又知道丙百货商店要求至少供应C玩具1000件，而拒绝进A玩具。求满足上述条件下使总盈利额为最大的供销分配方案。

甲乙丙可供应量
A54–
B1689
C121011
model:
sets:
places/1,2,3/:store;
toy/A,B,C/:supply;
matrix(places,toy):money,x;
endsets
data:
supply=1000 2000 2000;
money=5 4 0
16 8 9
12 10 11;
enddata
max=@sum(matrix:money*x);
@for(places(i):@sum(toy(j):x(i,j))<=supply(i));
@for(places(j):@sum(toy(i):x(i,j))<=1500);
x(3,3)>=1000;
x(1,3)=0;

四、运输问题（Lingo）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
warehouses/1..4/:a;
vendors/1..4/:b;
links(warehouses,vendors):c,x;
endsets

min=@sum(links:c*x);
@for(warehouses(i):@sum(vendors(j):x(i,j))<=a(i));
@for(vendors(j):@sum(warehouses(i):x(i,j))=b(j));
@for(links(i,j)|i#gt# j:x(i,j)=0);

data:
a=25 35 30 10;
b=10 15 25 20;
c=10.8 10.95 11.1 11.25
0 11.1 11.25 11.4
0 0 11 11.15
0 0 0 11.3;
enddata
end

五、整数规划问题（Lingo）

1.修建工厂问题

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
warehouses/1..5/:cost,capacity,y;
vendors/1..3/:need;
links(warehouses,vendors):c,x;
endsets

min=@sum(links(i,j):c(i,j)*x(i,j))+@sum(warehouses(i):cost(i)*y(i));
@for(warehouses(i):@sum(vendors(j):x(i,j))<=capacity(i)*y(i));
@for(warehouses:@bin(y));
y(5)=1;

data:
cost=175000,300000,375000,500000,0;
capacity=10000,20000,30000,40000,30000;
need=30000,20000,20000;
c=5 2 3
4 3 4
9 7 5
10 4 2
8 4 3;
enddata

2.垃圾处理问题

某地区有两个镇，它们每周分别产生700吨和1200吨固体废物。现拟用三种方式（焚烧、填海、掩埋）分别在三个场地对这些废物进行处理。每个场所的处理成本分为固定成本和可变成本两部分，其数据见表1。两城镇至各处理场所的运输成本、应处理量与各处理场所的能力如表2所示。试求使两城镇处理固体废物总费用最小的方案。

在这里插入图片描述

model:
sets:
!固定成本,可变成本,容量;
cost/1,2,3/:stable_cost,unstable_cost,capacity,y;
!需要处理的吨数;
need/1,2/:need_ton;
!运输成本;
links(cost,need):c,x;
endsets

data:
stable_cost=3850,1150,1920;
unstable_cost=12,16,6;
capacity=1000,500,1300;
need_ton=700,1200;
c=7.5 5
    5 7.5
   15 12.5;
enddata

!运输成本,加上固定成本,加上可变成本的最小值;
min=@sum(links(i,j):x(i,j)*c(i,j))+@sum(cost(i):stable_cost(i)*y(i))+@sum(cost(i):@sum(need(j):x(i,j))*unstable_cost(i));
!将y设置为0,1约束,表示用不用这种处理方法;
@for(cost:@bin(y));
!每一种处理方式累加起来,小于最大能够处理的吨数;
@for(cost(i):@sum(need(j):x(i,j))<=capacity(i)*y(i));
!每一种处理方式累加起来等于需要处理的总吨数;
@for(need(j):@sum(cost(i):x(i,j))=need_ton(j));

六、最短路径问题（Lingo）

在这里插入图片描述

model:
sets:
nodes/A,B1,B2,B3,C1,C2,C3,D1,D2,E/:L;
arcs(nodes,nodes)/A,B1 A,B2 A,B3 B1,C1 B1,C2 B2,C1 B2,C2 B2,C3 B3,C1 B3,C2 B3,C3 C1,D1 C1,D2 C2,D1 C2,D2 C3,D1 C3,D2 D1,E D2,E/:D,F;
endsets

data:
D=3 5 4 1 5 8 4 6 4 4 2 4 2 6 9 7 5 1 2;
enddata

L(10)=0;!边界条件;
@for(nodes(i)|i#lt# @size(nodes):L(i)=@min(arcs(i,j):D(i,j)+L(j)));!递推方程;
@for(arcs(i,j):F(i,j)=@if(L(i)#eq# D(i,j)+L(j),1,0));!判断弧是否在最短路径上，便于确定最短路线;
end

七、网络最优化问题（Lingo）

1.最小费用问题

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
nodes/f1,f2,dc,w1,w2/:d;
arcs(nodes,nodes)/f1,w1 f1,dc f2,w2 f2,dc dc ,w1 dc,w2/:cap,cost,flow;
endsets

data:
d=80 70 0 -60 -90;
cap=200 50 200 50 50 50;
cost=700 300 900 400 200 400;
enddata

min=@sum(arcs:cost*flow);
@for(nodes(i):@sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=d(i));
@for(arcs:@bnd(0,flow,cap));

end

2.最大流问题

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
nodes/s,1,2,3,4,5,t/;
arcs(nodes,nodes)/s,1 s,2 s,3 1,4 2,4 2,5 3,5 4,t 5,t/:cap,flow;
endsets

data:
cap=50 70 40 60 40 50 30 80 70;
enddata

max=mflow;
mflow=@sum(arcs(i,j)|i#eq#1:flow(i,j));
@for(nodes(i)|i#ne#1 #and# i#ne# @size(nodes):
    @sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=0);
@for(arcs:@bnd(0,flow,cap));
end

2.5最大流变形问题（多个收发点）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
nodes/ps,vs,p1,p2,v1,v2,v3,v4,v5,pt,vt/:;
arcs(nodes,nodes)/ps,p1 ps,v1 vs,v1 vs,v2 vs,v3 p1,p2 p1,v4 p2, pt p2,vt v1,v4 v2,v4 v2,v5 v3,v5 v4,pt v4,vt v5,vt/:cap,flow;
endsets
data:
cap=60 20 50 70 40 40 30 20 40 60 40 50 30 40 80 70;
enddata
max=mflow;
mflow=@sum(arcs(i,j)|i#le#2 :flow(i,j));
@for(nodes(i)|i#ne#1 #and# i#ne#2 #and# i#ne# @size(nodes)#and# i#ne# @size(nodes)-1:
    @sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=0);
@for(arcs:@bnd(0,flow,cap));
end

2.6最小费用最大流问题

在这里插入图片描述
在这里插入图片描述

model:
sets:
nodes/1..7/:;
arcs(nodes,nodes)/1,2 1,4 2,3 2,5 3,5 3, 6 4,3 4,6 4, 7 5, 7 6, 7/:cap,flow;
endsets
data:
cap=6 6 2 3 2 2 3 1 2 5 4;
enddata
max=mflow;
mflow=@sum(arcs(i,j)|i#eq#1:flow(i,j));
@for(nodes(i)|i#ne#1 #and# i#ne# @size(nodes):
	@sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=0);
@for(arcs:@bnd(0,flow,cap));
end

在这里插入图片描述

model:
sets:
nodes/1..7/:d;
arcs(nodes,nodes)/1,2 1,4 2,3 2,5 3,5 3, 6 4,3 4,6 4, 7 5, 7 6, 7/:cap,cost,flow;
endsets
data:
d=10 0 0 0 0 0 -10;
cap=6 6 2 3 2 2 3 1 2 5 4;
cost=6 3 5 4 4 3 2 3 8 7 4;
enddata
min=@sum(arcs:cost*flow);
mflow=@sum(arcs:cost*flow);
@for(nodes(i):@sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=d(i));
@for(arcs:@bnd(0,flow,cap));
end

3.最短路问题

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

model:
sets:
nodes/1..7/:f;
arcs(nodes,nodes)/1,2 1,3 2,3 2,4 3,4 3,5 4,5 4,6 5,7 6,7/:d,x;
endsets
data:
f=1 0 0 0 0 0 -1;
d=2 9 6 8 1 3 4 3.5 2.5 5;
enddata
min=@sum(arcs:d*x);
@for(nodes(i):@sum(arcs(i,j):x(i,j))-@sum(arcs(j,i):x(j,i))=f(i));
end

4.网络运输问题

某公司是一个生产产品和在其零售渠道中销售产品的完全一体化的公司。产品生产后存放在公司的两个仓库中，直到零售渠道需要供应为止。公司用卡车把产品从两个工厂运送到仓库里，然后再把产品从仓库运送到零售渠道中。
以满载数量为单位，表1给出了每个工厂每月的产出，从工厂运送到仓库的单位运输成本以及每月从工厂运送到仓库的最大数量。
表1 从工厂运送到仓库的有关数据
在这里插入图片描述

对于每一个零售点（RO），表2给出了它的月需求、从每个仓库到零售点的卡车单位运输成本以及每月从仓库运送到零售点的最大数量。
表2 从仓库运送到零售店的有关数据
在这里插入图片描述

管理层现在需要确定一个配送方案（每个月从每个工厂运送到每个仓库以及从每个仓库运送到每个零售渠道的满载车次数），使得总运输成本最小。
1．画一个网络图，描述该公司的配送网络。确定网络图中的供应点、转运点和需求点。
在这里插入图片描述

2.通过该配送网络，配送方案中最经济的总运输成本是多少？
总成本为488125元

model:
sets:
nodes/f1,f2,t1,t2,R01,R02,R03/:d;
arcs(nodes,nodes)/f1,t1 f1,t2 f2,t1 f2,t2 t1,R01 t1,R02 t1,R03 t2,R01 t2,R02 t2,R03/:cap,cost,flow;
endsets
data:
!输出-输入;
d=200 300 0 0 -150 -200 -150;
cap=125 150 175 200 100 150 100 125 150 75;
cost=425 560 510 600 470 505 490 390 410 440;
enddata
min=@sum(arcs:cost*flow);
@for(nodes(i) :@sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=d(i));
@for(arcs:@bnd(0,flow,cap));
End

3.该配送网络中，从工厂到零售渠道，哪条线路最为经济？成本是多少？（最短路问题，可以引入一个虚拟起点和一个虚拟终点）。
从工厂1到仓库1，再从仓库1到R01销售点是最经济的选择，成本是895元

model:
sets:
nodes/start,f1,f2,t1,t2,R01,R02,R03,end1/:d;
arcs(nodes,nodes)/start,f1 start,f2 f1,t1 f1,t2 f2,t1 f2,t2 t1,R01 t1,R02 t1,R03 t2,R01 t2,R02 t2,R03 R01,end1 R02,end1 R03,end1/:cost,flow;
endsets
data:
!输出-输入;
d=1 0 0 0 0 0 0 0 -1;
cost=0 0 425 560 510 600 470 505 490 390 410 440 0 0 0;
enddata
min=@sum(arcs:cost*flow);
@for(nodes(i) :@sum(arcs(i,j):flow(i,j))-@sum(arcs(j,i):flow(j,i))=d(i));
end

八、图论（Matlab）

最短路问题

在这里插入图片描述
在这里插入图片描述

1.迪杰斯特拉算法

function [mydistance,mypath] = mydijkstra(a,sb,db)
%输入：a-邻接矩阵，sb-起点标号，db-终点标号
%输出：mydistance-最短路距离，mypath-最短路路径
n=size(a,1);visited(1:n)=0;
distance(1:n)=inf;  %保存起点到各顶点的最短距离
distance(sb)=0;parent(1:n)=0;
for i=1:n-1
    temp=distance;
    id1=find(visited==1); %查找已经标号的点
    temp(id1)=inf;        %已标号的点距离换成无穷
    [t,u]=min(temp);      %找标号值最小的顶点,t为距离，u为顶点标号
    visited(u)=1;         %标记已经标号的顶点
    id2=find(visited==0);  %查找未标号的顶点
    for v=id2
        if distance(u)+a(u,v)<distance(v)
           distance(v)=distance(u)+a(u,v); %修改标号值
           parent(v)=u;
        end
    end
end
mypath=[];
if parent(db)~=0  %如果存在路
    t=db;mypath=[db];
    while t~=sb
        p=parent(t);
        mypath=[p mypath];
        t=p;
    end
end
mydistance=distance(db);
return
      
end

% %利用dijkstra算法求任意两点的最短路;
% a=[0 20 inf inf 15 inf;20 0 20 60 25 inf;inf 20 0 30 18 inf;inf 60 30 0 inf inf;15 25 18 inf 0 15;inf inf inf inf 15 0];
% n=size(a,1);
% for i=1:6
%     for j=1:6
%         distance(i,j)=mydijkstra(a,i,j);
%     end
% end

主程序

%利用dijkstra算法解决选址问题;
a=[0 20 inf inf 15 inf;20 0 20 60 25 inf;inf 20 0 30 18 inf;inf 60 30 0 inf inf;15 25 18 inf 0 15;inf inf inf inf 15 0];
n=size(a,1);
for i=1:6
    for j=1:6
        distance(i,j)=mydijkstra(a,i,j);
    end
end
for i=1:6
    mindistance(i)=max(distance(i,:));
end
[d,u]=min(mindistance)

2.弗洛伊德算法

function [dist,mypath] = myfloyd(a,sb,db)
%输入：a-邻接矩阵，sb-起点标号，db-终点标号
%输出：dist-最短路距离，mypath-最短路路径
%a=[0 20 inf inf 15 inf;20 0 20 60 25 inf;inf 20 0 30 18 inf;inf 60 30 0 inf inf;15 25 18 inf 0 15;inf inf inf inf 15 0];
n=size(a,1);path=zeros(n);
for i=1:n
    for j=1:n
        if a(i,j)~=inf
            path(i,j)=j;  %j是i的后续点
        end
    end
end
for k=1:n
    for i=1:n
        for j=1:n
            if a(i,j)>a(i,k)+a(k,j)
                a(i,j)=a(i,k)+a(k,j);
                path(i,j)=path(i,k);
            end
        end
    end
end
dist=a(sb,db);
mypath=sb;t=sb;
while t~=db
    temp=path(t,db);
    mypath=[mypath,temp];
    t=temp;
end
return
      
end

主程序

%输出任意两点间的最短距离
a=[0 20 inf inf 15 inf;20 0 20 60 25 inf;inf 20 0 30 18 inf;inf 60 30 0 inf inf;15 25 18 inf 0 15;inf inf inf inf 15 0];
n=length(a);
for sb=1:n
    for db=1:n
        [dist1,mypath1] = myfloyd(a,sb,db);
        dist(sb,db)=dist1;
    end
end
dist
桜キャンドル淵
关注
  • 11
    点赞
  • 踩
  • 146
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
lingo编程金典例题
09-15
Lingo编程介绍 Lingo产品介绍 Lingo编程介绍 Lingo产品介绍
matlab实现单纯型法解线性规划_Excel及规划求解工具求解线性规划问题
weixin_39520013的博客
11-28 1185
引言线性规划(Linear Programming, LP)是运营管理和运筹学中发展最早、最成熟的一个分支，其是研究在一组线性的约束条件下，求得线性的目标函数极值的一整套理论、方法和工具。在现实世界中，很多复杂的应用问题通过简化都可以建模为一个线性规划问题，并实现问题求解。因此，在运营管理领域，线性规划是仅次于统计分析最实用的方法。并且，线性规划是包括整数规划、图论等问题的基础。虽然线性...
【工业大数据】工业大数据：构建制造型企业新型能力
产业智能官
02-15 5868
2015年5月8日，国务院公布《中国制造2025》,这是中国版的“工业4.0”规划。该规划提到“加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向。大数据时代，利用大数据驱动业务发展，打造企业新型能力势在必行工信部的数据显示：“中国制造业约占整个世界制造业20%的份额，在500余种主要产品中，我国有220多种产量位居世界第一。2014年，我国共有100家企业入选‘财富世
MATLAB关于运筹学中的规划问题的常见函数
m0_72600561的博客
03-17 585
MATLAB中线性规划、非线性规划、整数规划、最大最小化模型的求解
最优化方法（基于lingo）之 运输问题模型求解(4/6)
qq_59819866的博客
06-27 2582
从产地A2运往销地B1,运送量为24个单位，此时满足销地B1的需求量，产地A2剩余产量为11；从产地A2运往销地B5,运送量为10个单位，此时满足销地B5的需求量，产地A2剩余产量为1；Bm其销售量(或称为需求量、接收量)分别为b1，b2,...,bm,从Ai到Bj运输单位物资的运价为Cij ,若在产销平衡条件下：要求总运费最小的调运方案，建立数学模型:设从Ai到Bj的发运量为x；7、9、7个单位，需运往A、B、C、D四个门市部，各门市部需要量分别为3、5、7、8个单位。值为38,24,10,32,22；
lingo灵敏度分析（LINGO的objective coeffienct range和Righthand side ranges如何调出？）
m0_47103855的博客
11-12 5173
lingo灵敏度分析，从单纯的solve结果分析到range结果分析。（不全，纯手打）你问我为啥不写完啊，没写，懒得写~[怂]
大数据驱动的工厂生产效率优化与成本控制研究
assjiuyv的博客
03-23 380
嘿，朋友们！这里是艾斯视觉，我们拥有超过10年的UI设计和前端开发经验。我们希望通过我们的分享，能给您带来一些帮助和启发。如果您有任何问题或建议，请随时留言、关注并私信我们，让我们一起交流学习！感激不尽！
LINGO实例，优化问题1
Temmie1024的博客
10-04 1万+
转化为标准单目标/多目标，线性/非线性模型。 思路  寻找变量（决策变量）  寻找变量之间的关系（通常是不等式元素）  建立它们之间的方程（目标）  求解 例子：两辆平板车装货问题 有七种规格的包装箱要装到两辆平板车上.包装箱的宽和高是一样的， 但厚度 t(厘米)和 重量 w(公斤)是不同的。 表 1 给出了每种包装箱的厚度， 重量以及数量。 每辆平板车有 10.2 米的地方可用来装包装箱(像面包片那样)， 载重为 40 吨。 由于地区货运的限制， 对 C5, C6, C7类包装箱的总数有一个特别的限制：
Lingo超经典案例大全
热门推荐
Hacker_vision
09-03 2万+
Lingo超经典案例大全 LINGO是Linear Interactive and General Optimizer的缩写，即“交互式的线性和通用优化求解器”。Lingo超强的优化计算能力在很多方面（线性规划、非线性规划、线性整数规划、非线性整数规划、非线性混合规划、二次规划等）比matlab、maple等强得多，Lingo编程简洁明了，数学模型不用做大的改动（或者不用改动）便可以直接
Lingo知识体系基础（练习题）
gary101818的博客
01-04 1616
Lingo知识体系 工厂的创建 sets: factory /1..6/ : a,b; plant /1..3/ : x,y; endsets data: a = 1, 2, 3, 4, 5, 6; b = 6.0, 5.0, 4.0, 3.0, 2.0, 1.0; x = 10, 20, 30; enddata !A、B矩阵有6个元素，X、Y矩阵有三个元素 ！factory 是随便起的工厂名称 /1..6/表示专门生产1*6的矩阵 ！生产完矩阵后ab矩阵和factory没有关系 ！Lingo不是一行一
整数线性规划实现（lingo，python分枝界定法）
PY洋洋
11-12 7146
本文章为上篇建模学习打卡第二天的续 文章目录 一、本次问题 二、本题理解 三、问题求解 1.lingo实现 （1）先抛除整数约束条件对问题求解 （2）加入整数约束条件求解 2.python实现求解 （1）先抛除整数约束条件对问题求解 （2）加入整数约束条件求解实现 通过 pulp 库求解 （3）加入整数约束条件求解实现 分枝界定法求解 一、本次问题 二、本题理解 目标函数： max = 40x1+90x2 一级约束条件： 9x1+7x2<=56...
lingo最小费用最大流
04-29
求下列网络的最小费用最大流，其中括号......
运筹学课设用Matlab和Lingo求解生产问题.doc
07-06
运筹学课设用Matlab和Lingo求解生产问题.doc
运筹学课设 用Matlab和Lingo求解生产问题.doc
07-05
运筹学课设 用Matlab和Lingo求解生产问题
运筹学课设用matlab和lingo求解生产问题.doc
09-28
运筹学课设用matlab和lingo求解生产问题.doc
运筹学课设-用Matlab和Lingo求解生产问题.doc
07-06
运筹学课设-用Matlab和Lingo求解生产问题.doc
机器人前馈控制MATLAB实现
最新发布
FL1717的博客
04-26 297
但在实际工程中并不是所有的对象都是可得到精确模型的，而且很多控制对象在运行的同时自身的结构也在发生变化。这时就需要加入反馈，反馈的特点是根据偏差来决定控制输入，不管对象的模型如何，只要有偏差就根据偏差进行纠正，可以有效的消除稳态误差。在机器人控制中，前馈控制是一种常用的方法，用于补偿系统中的已知动态。前馈-反馈综合控制结合二者的优点，可以提高系统响应速度。从前馈控制角度看，由于增加了反馈控制，降低了对前馈控制模型精度的要求；从反馈控制角度看，前馈控制作用对主要干扰及时进行粗调，大大减少反馈控制的负担。
MATLAB中roots函数用法
jk_101的博客
04-23 463
roots函数的功能是求解多项式的根。
巴特沃斯滤波原理及代码实现（matlab详细过程版）
点云侠的博客
04-26 1140
巴特沃斯滤波图像处理原理及matlab代码实现
利用Lingo和MATLAB求解非线性规划问题模型
06-08
可以使用Lingo和MATLAB结合的方式来求解非线性规划问题模型。具体步骤如下： 1. 在Lingo中定义非线性规划问题模型，包括目标函数和约束条件。 2. 将Lingo中定义的模型保存为文本文件格式。 3. 在MATLAB中调用...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

桜キャンドル淵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值