数学建模——01规划/整数规划

1.概念

数学规划问题有些数据必须是整数,但是理论最优解可能是小数,比如人数,这一类数据只能是整数。如果

要求解的数据全是整数整数规划
要求解的数据有一部分限制是整数混合整数规划
只能取0或者1的规划01规划

2.函数

整数线性规划是可以用matlab求解的

线性规划非线性规划整数规划
模型标准型

min \; \; \; f(x)

s.t.\left\{\begin{matrix} Ax\leq b,Aeq\cdot x=beq \\ lb\leq x\leq ub \end{matrix}\right.

min \; \; \; f(x)

s.t.\left\{\begin{matrix} Ax\leq b,Aeq\cdot x=beq \\ c(x)\leq 0,Ceq(x)=0 \\ lb\leq x\leq ub \end{matrix}\right.

函数名linprogfminconintlinprog
函数用法
[x, fval] = linprog(f, A, b, Aeq, beq, lb,ub);
[x, fval] = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,option);
[x, fval] = intlinprog(f,intcon, A, b, Aeq, beq, lb,ub,x0);

参数含义:

linprogfminconintlinprog
f目标函数系数向量(列向量)fun把目标函数定义成一个单独的函数文件(min)f目标函数系数向量(列向量)
A不等式约束矩阵(左侧系数)x0决策变量的初始值intcon是指决策变量x中应该取整数值的分量,比如决策变量有三个x_1,x_2,x_3若1,3是整数,那么intcon = [1,3]
b不等式约束右侧常数向量A,b线性约束不等式变量系数矩阵和常数项矩阵(左侧系数和右侧向量,支持\leq or<A,b

线性约束不等式变量系数矩阵和常数项矩阵(左侧系数和右侧向量,支持\leq or<

Aeq等式约束矩阵(Aeq),空表示无等式约束Aeq,beq线性约束等式变量系数矩阵和常数项矩阵(左侧系数和右侧向量)Aeq,beq线性约束等式变量系数矩阵和常数项矩阵(左侧系数和右侧向量)
beq等式约束右侧常数向量(beq),空表示无等式约束lb,ub决策变量的最小与最大取值(变量上下界)lb,ub决策变量的最小与最大取值(变量上下界)
lb变量下界(lower bound)nonlcon非线性约束(包括不等式与等式)
ub变量上界(upper bound)option求解非线性规划使用的方法

备注:01变量就是整数规划的变式,只需要把lb,ub改成限制在0和1之间的整数就行

例题:

 1.01背包问题

1.记录xi=1表示第i件物品装入背包,0表示没装

2.用wi表示第i件物品重量,pi表示第i件物品的价值,得到:

max \; \; \sum_{i=1}^{10} p_ix_i

s.t.\left\{\begin{matrix} \sum_{i=1}^{4}w_ix_i\leq 8 \\ x_i\in \left \{ 0,1 \right \} \end{matrix}\right.

但是前面说过这类函数只能求最小值,因此要转化

min \; \; -\sum_{i=1}^{10} p_ix_i

s.t.\left\{\begin{matrix} \sum_{i=1}^{4}w_ix_i\leq 8 \\ x_i\in \left \{ 0,1 \right \} \end{matrix}\right.

%01背包和整数规划
c=-[3 4 5 6];
intcon=[1:4];
A=[2 3 4 5];
b=8;
Aeq=[];beq=[];
lb=zeros(4,1);
ub=ones(4,1);
[x,fval]=intlinprog(c,intcon,A,b,Aeq,beq,lb,ub);
fval=-fval;
x
fval

2.指派类问题

员工:i=1,2,3,4

四项任务:j=1,2,3,4

x_{ij}=1表示员工i选择第j种任务,0表示不选择第j种任务

t_{ij}表示员工i完成第j种任务用时

min\; \; \sum_{j=1}^{4}\sum_{i=1}^{4}t_{ij}x_{ij}

s.t.\left\{\begin{matrix} \sum_{j=1}^{4}x_{ij}=1,i=1,2,3,4 \\ \sum_{i=1}^{4}x_{ij}=1,j=1,2,3,4 \\ x_{ij}\in \left \{ 0,1 \right \} \end{matrix}\right.

第一行表示每个人都能且仅能选择一项任务

第二行表示每种任务都交给一个人完成

%指派问题
%转单下标
c=[9 2 7 8 6 4 3 7 5 8 1 8 7 6 9 4];
intcon=[1:16];
A=[1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0;
   0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0;
   0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0;
   0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1];
b=ones(4,1);
Aeq=repmat(eye(4),1,4);
beq=ones(4,1);
lb=zeros(16,1);
ub=ones(16,1);
[x,fval]=intlinprog(c,intcon,A,b,Aeq,beq,lb,ub);
newx=reshape(x,4,4)
fval

虽然跑出来结果是正确的,但是这里有问题,因为A按理来说应该是不等式,所以正确的应该是

%转单下标
c=[9 2 7 8 6 4 3 7 5 8 1 8 7 6 9 4];
intcon=[1:16];
A=[1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0;
   0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0;
   0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0;
   0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1];
b=ones(4,1);
Aeq=repmat(eye(4),1,4);
beq=ones(4,1);

realAeq=[A;Aeq];
realbeq=[b;beq];

lb=zeros(16,1);
ub=ones(16,1);
[x,fval]=intlinprog(c,intcon,[],[],realAeq,realbeq,lb,ub);
newx=reshape(x,4,4)
fval

变式:假如有人可以不参加

员工:i=1,2,3,4,5

四项任务:j=1,2,3,4

x_{ij}=1表示员工i选择第j种任务,0表示不选择第j种任务

t_{ij}表示员工i完成第j种任务用时

min\; \; \sum_{j=1}^{5}\sum_{i=1}^{4}t_{ij}x_{ij}

s.t.\left\{\begin{matrix} \sum_{j=1}^{5}x_{ij}\leq 1,i=1,2,3,4,5 \\ \sum_{i=1}^{4}x_{ij}=1,j=1,2,3,4 \\ x_{ij}\in \left \{ 0,1 \right \} \end{matrix}\right.

第一行表示每个人都能且仅能选择一项任务或者不完成任务

第二行表示每种任务都交给一个人完成

% 指派问题
% 转单下标
c=[9 2 7 8 6 4 3 7 5 8 1 8 7 6 9 4 6 5 8 5];
intcon=[1:20];
A=[1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
   0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0;
   0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0;
   0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0
   0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1];
b=ones(5,1);
Aeq=repmat(eye(4),1,5);
beq=ones(4,1);
lb=zeros(20,1);
ub=ones(20,1);
[x,fval]=intlinprog(c,intcon,A,b,Aeq,beq,lb,ub);
count=1;newx=zeros(5,4);
for i=1:5
    for j=1:4
        newx(i,j)=x(count);
        count=count+1;
    end
end
newx
fval

### 使用 Python cvxpy 进行数学建模规划求解 #### 导入必要的库 为了使用 `cvxpy` 进行数学建模,首先需要导入所需的库。这通常包括 `cvxpy` 自身以及用于数值计算的 `numpy`。 ```python import cvxpy as cp import numpy as np ``` #### 定义决策变量 定义模型中的未知量即为决策变量。这些变量可以根据具体问题设置成连续型或离散型(整数)。例如: ```python c = np.loadtxt('data4_10.txt') x = cp.Variable((4, 5), integer=True) # 创建一个大小为 (4, 5),且取值范围限定为整数类型的矩阵作为决策变量[^3] ``` 这里创建了一个名为 `x` 的四维向量,其元素均为布尔类型(通过上下界限制实现),并指定了该变量应满足特定约束条件下的整数属性。 #### 构造目标函数 接下来要构建的是优化的目标表达式。对于最小化成本的问题来说,可以通过如下方式来设定目标函数: ```python obj = cp.Minimize(cp.sum(cp.multiply(c, x))) # 将成本系数与对应的决策变量相乘再累加起来形成总费用,并将其设为目标最小化的对象 ``` 这段代码实现了将给定的成本数组 `c` 中每一个位置上的权重同相应位置处的决策变量 `x` 值做乘法运算之后的结果汇总到一起构成最终待极小化的目标值。 #### 添加约束条件 除了明确指出希望达到什么样的最优点之外,还需要规定一些额外的要求使得解决方案更加贴近实际情况。比如在这个例子当中就加入了几个典型的不等式形式的边界控制措施: ```python cons = [ 0 <= x, x <= 1, cp.sum(x, axis=0) == 1, cp.sum(x, axis=1) <= 2 ] # 设置一系列关于决策变量 x 的线性不等式/方程组作为附加限制条款 ``` 上述列表包含了四个不同方面的规则:确保所有分配比例介于零至一之间;每一列仅有一个供应商被选中供应货物;每种商品最多由两个不同的仓库提供服务。 #### 解决方案实例化及求解过程 最后一步就是把之前准备好的各个组件组合在一起组成完整的凸优化问题结构体,并调用内置的方法去寻找符合条件的最佳配置方案。 ```python prob = cp.Problem(obj, cons) prob.solve(solver='GLPK_MI') # 实例化一个问题实体并将前面建立的对象传递进去完成初始化工作后执行具体的寻优操作 print('最优解为:\n', x.value) print('最优值为:', prob.value) ``` 此部分先建立了包含有既定目标函数和一组关联紧密的约束关系在内的整体框架,随后借助选定的具体算法引擎来进行实际计算得出结论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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