数学建模优化类——【最大最小规划】

在博 弈 论 中 有 一 个 经 典 理 论 —— 最 大 最 小 策 略 （ Minimax strategy ） ， 是 由 博 弈 论 奠 基 人 约翰·冯·诺伊曼在1928年提出的一种在理性行为基础上做的保守博弈策略：使得博弈者的最小收入最大化的策略。这个思想再实际问题中也有很多应用，比如：在投资规划中要确定最大风险的最低限度，所以对于每个xi，我们先求出目标值fi（x）的最大值，然后再在这些最大值中取最小值

一、数学模型建立：

其中C（x）<=0,Ceq(x)=0,为非线性不等式，其他的参数都与线性规划中的含义相同 

二、利用fminimax函数求解

 

该函数与非线性规划函数用法基本一致，但注意目标函数需要用函数向量表示 

典例：选址问题

 

 我们易知两点之间直线最短，那现在我们肯定要考虑不同的中心，路程最远的情况下，哪个中心的情况下距离最短。则我们应该使用最大最小值规划法

1. 模型建立

这里路程最远，肯定是按着网格线走对吧，那么我们可以列出函数表达式为：

      2.约束条件

那么我们就可以利用fminimax函数进行求解

 

%选址问题
clear,clc
%给定初始值
x0=[6,6];
lb=[3,4];%决策变量上界,直接用逗号分隔表示不同决策变量的取值范围
ub=[8,10];%决策变量下界
[x,feval]=fminimax(@fun,x0,[],[],[],[],lb,ub);%此时要单独写一个fun函数
max = max(feval);%得到最大距离取到最小时的最大距离

注意这里参数fun我们需要单独写一个函数fun

%建立目标函数
function f = fun(x)
    a=[1,4,3,5,9,12,6,20,17,8];
    b=[2,10,8,18,1,4,5,10,8,9];
    %函数向量，注意要将f初始化用来存储得到的函数值
    f=zeros(10,1);
    for i=1:10
    f(i)=abs(x(1)-a(i))+abs(x(2)-b(i));%这里x（1）表示x，x（2）表示y
    end
end