2302_80902795的博客

区别就是第一问的A和B的坐标是固定的，所有AB到六个工地的距离也是固定的，我们的自变量就是AB对六个工地的供货量。也就是AB坐标也成了我们要求的自变量的一部分。可以看到我们计算出的解，比视频的解还节省的10的吨千米数，那我们的计算结果是更优的。不过要注意，因为自变量x与第一问的自变量有一点点改变，所有我们要保证约束条件接收到的是AB的供货量而不包括AB的坐标。然后我们定义我们距离函数，这个函数要把自变量传进去，然后获取到AB当前的坐标，再与info中的工地坐标进行计算就能得到距离了，公式和第一问是一样的。

这个算法是具有通用性的，只要把目标函数和约束条件改一下，就可以计算类似这样的非线性规划问题，当然也可以解决线性规划问题。

为了优化这个问题，我进一步想到的了，每一列的元素之间是有联系的：列元素相加就等于对应工地的需求量。也就是说，为某一列的一个元素赋值，那么这一列的另外一个元素的值也就出来了，等于 需求量 - 随机赋的值。这里还是用两个numpy数组存储了工地和料场的信息，第一行和第二行是工地和料场的坐标，gondi的第三行，是各个工地的水泥需求量。通过上面的分析，我们知道了，A和B的供货量，就是我们要求的自变量。这就是最终的get_x函数啦，通过这样的设置，它就有一半的概率得到一个整数解，有一半的概率得到一个浮点数解。

x = random.uniform(-100000, 100000) #得到一个随机浮点数dx = x + random.uniform(-100000, 100000) * t #每次更新x都受到t都受到温度的影响，温度越高x的变化越大，温度越低x的变化范围越小。