数学建模--优化类模型
目录
一、根据目标函数约束条件类型分类
1、线性规划
①线性规划模型的一般形式
②用MATLAB优化工具箱解线性规划
③模型分析
2、非线性规划
①非线性规划的基本概念
②非线性规划的基本解法
③二次规划
④一般非线性规划
二、控制变量类型分类
1、整数规划
①matlab编程
②模型求解
2、混合整数规划(MIP)
①matlab语法
②模型案例
3、0-1规划
①应用范围
②案例分析
③matlab代码如下:
三、其他分类方法
1、单目标规划与多目标规划
①理想点法
②线性加权和法
③最大最小值法
④目标规划法
⑤模糊数学求解方法
2、动态规划与静态规划
①动态规划思路
②最短路径规划
3、随机规划与确定规划
①随即规划
②案例分析
一、根据目标函数约束条件类型分类
1、线性规划
①线性规划模型的一般形式
目标函数和所有的约束条件都是设计变量的线性函数。
②用MATLAB优化工具箱解线性规划
③模型分析
c=[-0.4 -0.28 -0.32 -0.72 -0.64 -0.6];A=[0.01 0.01 0.01 0.03 0.03 0.03;0.02 0 0 0.05 0 0;0 0.02 0 0 0.05 0;0 0 0.03 0 0 0.08];b=[850;700;100;900];Aeq=[];beq=[];vlb=[0;0;0;0;0;0];vub=[];[x,fval]=linprog(c,A,b,Aeq,beq,vlb,vub)
由于a是任意给定的风险度,到底怎样给定没有一个准则,不同的投资者有不同的风险度.我们从a=0开始,以步长△a=0.001进行循环搜索,编制程序如下:
a=0;
while(1.1-a)>1
c=[-0.05 -0.27 -0.19 -0.185 -0.185];
Aeq=[1 1.01 1.02 1.045 1.065];
beq=[1];
A=[0 0.025 0 0 0;0 0 0.015 0 0;0 0 0 0.055 0;0 0 0 0 0.026];
b=[a;a;a;a];
vlb=[0,0,0,0,0];
vub=[];
[x,val]=linprog(c,A,b,Aeq,beq,vlb,vub);
a
x=x'
Q=-val
plot(a,Q,'.')
axis([0 0.1 0 0.5])
hold on
a=a+0.001;
end
xlabel('a'),ylabel('Q')
a = 0.0030 x = 0.4949 0.1200 0.2000 0.0545 0.1154 Q = 0.1266
a = 0.0060 x = 0 0.2400 0.4000 0.1091 0.2212 Q = 0.2019
a = 0.0080 x = 0.0000 0.3200 0.5333 0.1271 0.0000 Q = 0.2112
a = 0.0100 x = 0 0.4000 0.5843 0 0 Q =0.2190
a = 0.0200 x = 0 0.8000 0.1882 0 0 Q =0.2518
a = 0.0400 x = 0.0000 0.9901 0.0000 0 0 Q =0.2673
2、非线性规划
①非线性规划的基本概念
定义 如果目标函数或约束条件中至少有一个是非线性函数,则最优化问题就叫做非线性规划问题
②非线性规划的基本解法
罚函数法:SUTM外点法、SUTM内点法(障碍罚函数法)
近似规划法
③二次规划
用MATLAB软件求解,其输入格式如下:
1.x=quadprog(H,C,A,b);
2.x=quadprog(H,C,A,b,Aeq,beq);
3.x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB);
4.x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0);
5.x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB,X0,options);
6.[x,fval]=quaprog(…);
7.[x,fval,exitflag]=quaprog(…);
8.[x,fval,exitflag,output]=quaprog(…);
写成标准式:
H=[1 -1; -1 2];
c=[-2 ;-6];
A=[1 1; -1 2];
b=[2;2];
Aeq=[];
beq=[];
VLB=[0;0];VUB=[];
[x,z]=quadprog(H,c,A,b,Aeq,beq,VLB,VUB)
运算结果为:
x = 0.6667 1.3333
z = -8.2222
④一般非线性规划
1、首先建立M文件fun.m,用来定义目标函数F(X):
2、若约束条件中有非线性约束:
G(X)或Ceq(X)=0,则建立M文件nonlcon.m定义函数G(X)与Ceq(X):
function [G,Ceq]=nonlcon(X)
G=…
Ceq=…
3、 建立主程序.求解非线性规划的函数是fmincon,命令的基本格式如下:
(1) x=fmincon(‘fun’,X0,A,b)
(2) x=fmincon(‘fun’,X0,A,b,Aeq,beq)
(3) x=fmincon(‘fun’,X0,A,b, Aeq,beq,VLB,VUB)
(4) x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’)
(5)x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’,options)
(6) [x,fval]= fmincon(…)
(7) [x,fval,exitflag]= fmincon(…)
(8)[x,fval,exitflag,output]= fmincon(…)
4、例题解释
写成标准式:
先建立M-文件 fun3.m:
function f=fun3(x);f=-x(1)-2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^2
再建立主程序youh2.m:
x0=[1;1];A=[2 3 ;1 4]; b=[6;5];Aeq=[];beq=[];VLB=[0;0]; VUB=[];[x,fval]=fmincon('fun3',x0,A,b,Aeq,beq,VLB,VUB)
运行结果为:
x = 0.7647 1.0588fval = -2.0294
二、控制变量类型分类
1、整数规划
①matlab编程
利用Matlab的线性规划指令:
[x,fval]=linprog(f,A,b,Aeq,beq,lb,ub)
编写计算整数规划函数,输入与输出与上述指令相同
分枝定界法(递归实现)
function [x,fval,status] = intprog(f,A,B,I,Aeq,Beq,lb,ub,e)%整数规划求解函数 intprog()% 其中 f为目标函数向量% A和B为不等式约束 Aeq与Beq为等式约束% I为整数约束% lb与ub分别为变量下界与上界% x为最优解,fval为最优值%例子:% maximize 20 x1 + 10 x2% S.T.% 5 x1 + 4 x2 <=24% 2 x1 + 5 x2 <=13% x1, x2 >=0% x1, x2是整数% f=[-20, -10];% A=[ 5 4; 2 5];% B=[24; 13];% lb=[0 0];% ub=[inf inf];% I=[1,2];% e=0.000001;% [x v s]= IP(f,A,B,I,[],[],lb,ub,,e)% x = 4 1 v = -90.0000 s = 1% 控制输入参数if nargin < 9, e = 0.00001;if nargin < 8, ub = [];if nargin < 7, lb = [];if nargin < 6, Beq = [];if nargin < 5, Aeq = [];if nargin < 4, I = [1:length(f)];end, end, end, end, end, end%求解整数规划对应的线性规划,判断是否有解options = optimset('display','off');[x0,fval0,exitflag] = linprog(f,A,B,Aeq,Beq,lb,ub,[],options);if exitflag < 0disp('没有合适整数解');x = x0;fval = fval0;status = exitflag;return;else%采用分支定界法求解bound = inf;[x,fval,status] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e);end子函数function [newx,newfval,status,newbound] = branchbound(f,A,B,I,x,fval,bound,Aeq,Beq,lb,ub,e)% 分支定界法求解整数规划% f,A,B,Aeq,Beq,lb,ub与线性规划相同% I为整数限制变量的向量% x为初始解,fval为初始值options = optimset('display','off');[x0,fval0,status0]=linprog(f,A,B,Aeq,Beq,lb,ub,[],options);%递归中的最终退出条件%无解或者解比现有上界大则返回原解if status0 <= 0 || fval0 >= boundnewx = x;newfval = fval;newbound = bound;status = status0;return;end%是否为整数解,如果是整数解则返回intindex = find(abs(x0(I) - round(x0(I))) > e);if isempty(intindex)newx(I) = round(x0(I));newfval = fval0;newbound = fval0;status = 1;return;end%当有非整可行解时,则进行分支求解%此时必定会有整数解或空解%找到第一个不满足整数要求的变量n = I(intindex(1));addA = zeros(1,length(f));addA(n) = 1;%构造第一个分支 x<=floor(x(n))A = [A;addA];B = [B,floor(x(n))];[x1,fval1,status1,bound1] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e);A(end,:) = [];B(:,end) = [];%解得第一个分支,若为更优解则替换,若不是则保持原状status = status1;if status1 > 0 && bound1 < boundnewx = x1;newfval = fval1;bound = fval1;newbound = bound1;elsenewx = x0;newfval = fval0;newbound = bound;end%构造第二分支A = [A;-addA];B = [B,-ceil(x(n))];[x2,fval2,status2,bound2] = branchbound(f,A,B,I,x0,fval0,bound,Aeq,Beq,lb,ub,e); A(end,:) = [];B(:,end) = [];%解得第二分支,并与第一分支做比较,如果更优则替换if status2 > 0 && bound2 < boundstatus = status2;newx = x2;newfval = fval2;newbound = bound2;end
②模型求解
利用上述指令求解下列问题:
汽车厂生产三种类型的汽车,已知各类型每辆车对钢材、劳动时间的需求,利润及工厂每月的现有量
小型 |
中型 |
大型 |
现有量 |
|
钢材(吨) |
1 |
2 |
5 |
1000 |
劳动时间(小时) |
250 |
125 |
150 |
120000 |
利润(万元) |
3 |
5 |
12 |
1、若每月生产的汽车必须为整车,试制订月生产计划,使工厂的利润最大?
f = [-3 -5 -12];
A = [1 2 5;250 125 150];
B = [1000 120000];
I = [1:length(f)];
lb = [0 0 0];
[x,fval,status] = intprog(f,A,B,I,[],[],lb)
答案为 x =307 344 1 fval = -2653 status =1
2、如果生产某一类型汽车,则至少要生产50辆,那么最优的生产计划应作何改变?
lb = [50 50 50]
答案为 x =350 200 50 fval =-2.6500e+003 status =1
2、混合整数规划(MIP)
①matlab语法
x = intlinprog(f, intcon,A,b)
x = intlinprog(f , intcon,A,b,Aeq, beq)
X=intlinprog(f , intcon, A, b, Aeq, beq,1b,ub)
x = intlinprog(f, intcon,A, b,Aeq, beq, lb, ub,x0)
x = intlinprog(f, intcon, A, b,Aeq, beq,lb, ub, x0, options)
x = intlinprog(problem)
[x, fval, exitflag,output] = intlinprog(__)
f、x、intcon、lb、beq、Ib和ub是向量,A和Aeq是矩阵
②模型案例
f = [8;1];%确定目标函数系数
intcon = 2;%理解为两个受x受到整数限制
A = [-1,-2;-4,-1;2,1];%构造不不等式左边系数矩阵
b = [14;-33;20];%构造不等式右边矩阵
x = intlinprog(f,intcon,A,b)
%案例二
clear all
clc
% 编写目标函数向量和由整数变量组成的向量。
f = [-3;-2;-1];
intcon = 3;
% 编写线性不等式约束。
A = [1,1,1];
b = 7;
% 编写线性等式约束。
Aeq = [4,2,1];
beq = 12;
% 编写边界约束。
lb = zeros(3,1);%等效于lb=[0;0;0]
ub = [Inf;Inf;1]; %强制x(3)为一个固定1
%调用intlinprog
x = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)
当x2 = 5 , x3 = 1 , x1 = 0 最值为−12
3、0-1规划
①应用范围
0-1线性规划模型一般被用于指派问题上面
②案例分析
[x,f]= L01p_e(c,A,b,N)用枚举法求解下列
0-1线性规划问题
min f=c'*x, s.t. A*x<=b,x的分量全为整数0或1,
其中N表示约束条件 Ax ≤ b中的前N个是等式,N= 0时可以省略。
返回结果x是最优解,f是最优解处的函数值。
例 max f=3x1+5x2+2x3+4x4+2x5+3x6
s.t. 8x1+13x2+6x3+9x4+5x5+7x6<=24, x1,…,x6均为0或1
求解
c=-[3,5,2,4,2,3];a=[8,13,6,9,5,7];b=24;
x=L01p_e(c,a,b)
L01p_e(c,a,b)
③matlab代码如下:
function [x,f]=L01p_e(c,A,b,N)
if nargin<4,N=0;end
c=c(:);b=b(:);
[m,n]=size(A);x=[];f=abs(c')*ones(n,1);i=1;
while i<=2^nB=de2bi(i-1,n)';t=A*B-b;t11=find(t(1:N,:)~=0);t12=find(t(N+1:m,:)>0);t1=[t11;t12];if isempty(t1)f=min([f,c'*B]);if c'*B==f,x=B;endendi=i+1;
end
0-1线性规划和整数规划的示例
f=[-6,-2,-3,-5];
A=[-3,5,-1,-6;1,1,1,-1;1,2,4,5;];
b=[-4,3,10];
intcon=[1,2,3,4];
lb=zeros(4,1);
ub=ones(4,1);
[x,y]=intlinprog(f,intcon,A,b,[],[],lb,ub);
x,y=-y
plot(x,'--ok');
结果为:
三、其他分类方法
1、单目标规划与多目标规划
①理想点法
②线性加权和法
③最大最小值法
④目标规划法
⑤模糊数学求解方法
2、动态规划与静态规划
①动态规划思路
1、找到状态和选择,确定当前状态和转换
2、明确dp数组/或函数的定义,即dp数组保存了啥信息(dp数组一般是一维或二维)
3、寻找状态之间的关系,当前状态如何根据上一状态和一些已知信息得到(状态转换方程)
②最短路径规划
import matplotlib.pyplot as plt
import pylab as pl
import connmysql
import pandas as pdsql2 = "SELECT id, distance,duration FROM trafic"
checklist = connmysql.getdata(sql2)
ids=[]
for i in range(0,len(checklist)):ids.append(checklist[i][0])
time_dataframe = pd.DataFrame(columns=['distance','duration'], index=ids)
# print(time_dataframe)
for i in range(0,len(checklist)):id=checklist[i][0]time_dataframe.at[ids[i],'distance'] = float(checklist[i][1])#distancetime_dataframe.at[ids[i], 'duration'] = float(checklist[i][2] ) # distance
# id='100001-100002'
# print(time_dataframe.at[id,'distance'])
# print(time_dataframe.at['100001-100002','duration'])
# list=['100002','100003','100004','100005','100006']#基于动态规划求得最短路径,计算量会比较小,速度较快
list = ['100002', '100003', '100004', '100005', '100006']
# 基于动态规划求得最短路径,计算量会比较小,速度较快
routelist=[]
route_distance=[]
for j in range(0,len(list)-1):print('mm',j)print('he1', routelist)print('he2', route_distance)ids = []distances, routes = {}, {}for i in range(0, len(list)):if len(routelist)==0:#当里面还没有目标在时id = list[0] + '-'+list[i]if list[i]!=list[0]:ids.append(id)else:if list[i] not in routelist :#计算过的点不再重复计算id = routelist[j]+ '-'+list[i]ids.append(id)print('he3',ids)for k in range(0, len(ids)):distances[ids[k]] = time_dataframe.at[ids[k], 'distance']print('he4',distances)route1 = sorted(distances.items(), key=lambda item: item[1]) # 将最小距离取出来route_distance.append(route1[0])# routes[route1[0][0]] = route1[0][1] # key:100002-100006,values: 3929.0,,保存离最后一个点的最优路线print('he5',route1)a=route1[0][0].split('-')if a[0] not in routelist:routelist.append(a[0])if a[1] not in routelist:routelist.append(a[1])print('he6', routelist)
print('he',routelist)
3、随机规划与确定规划
①随即规划
运用随机动态规划的分析方法,求解随机动态规划模型的最优解是一种比较常见的数学建模问题。例如,在实际应用中,经常会遇到某些多阶段决策过程中出现随机因素的情况,而动态规划的方法也可以处理这种随机性问题。
②案例分析
分析并假设
此问题中价格是一个随机变量,是按照某种已知的概率分布规律取值的。可以将采购期限内的5周看做5个阶段(即需要每周做一次决策,自然也可以每天做一次决策而将之更加细致地分为35个阶段,则问题便成了在每个阶段进行决策是否购进原料,以期使原料的采购价格的期望值达到最小。
在实际应用中,经常会遇到某些多阶段决策过程中出现随机因素的情况。用动态规划的方法也可以处理这种随机性问题。不过此时状态转移不能完全确定,而是按照某种已知的概率分布取值,具有这种性质的多阶段决策过程就称之为随机性的决策过程,此时运用的动态规划也就相应的被称为随机动态规划。
模型的建立和求解
结论与分析
由以上逆推计算得结果可知,最优的采购策略序列为{,,,,}u1u2u3u4u5。根据u1,u2,3u的表达式可知,在第1、2、3周时,若价格为500时,就应采购;而在价格为600或者700时则应采取等待观望的态度。
由u4的表达式得,在第4周,若价格为500或者600时就应该采购,而在价格为700时则等待观望。
若在前4周都采取了等待观望策略,则在第5周,无论什么价格都必须采购(u5=1)。
数学建模--优化类模型相关推荐
- 数学建模三大类模型适用场景及建模方法(纯干货)
目录 一,评价类算法 1,层次分析法 ●基本思想: ●基本步骤: ●优点: ●缺点 ●适用范围: ●改进方法: 2,灰色综合评价法(灰色关联度分析) ●基本思想: ●基本步骤: ●优点: ●缺点: ● ...
- 数学建模--评价类模型
目录 一.主观评价 1.层次分析法(AHP) ①应用场景 ②步骤 ③模型实现 ④代码实现 ⑤优缺点评价 2.模糊综合评价法(FCE) ①应用场景 ②步骤 ③模型实现 3.灰色关联分析法(GRA) ①应 ...
- 数学建模--预测类模型
目录 一.中短期预测 1.灰色预测法 ①适用范围 ②模型实现 2.回归分析 ①适用范围 ②模型实现 3.时间序列分析 ①自适应滤波法 ②指数平滑法 ③移动平均法 4.微分方程 二.长期预测 1.神经网 ...
- 数学建模优化和仿真模拟的区别001
如果我们过于爽快地承认失败,就可能使自己发觉不了我们非常接近于正确!---卡尔·波普尔 数学建模优化和仿真模拟的区别 几十年来,工程师们一直使用模型(Model)来帮助他们理解系统过程并确定最佳解决方 ...
- 数学建模基本算法模型Chapter1--线性规划
数学建模基本算法模型Charpter1–线性规划(LP) By 进栈需检票 一.线性规划基本概念 1.Linear Programming (LP问题) 列出方程组不等式求解(基本形式) 包含目标函数 ...
- 数学建模——逻辑回归模型Python代码
数学建模--逻辑回归模型详解Python代码 程序用到的测试数据: 链接:https://pan.baidu.com/s/1LGD1MAxk2lxO93smSPNyZg 提取码:uukr 代码正文 i ...
- 数学建模——TOPSIS综合评价模型Python代码
数学建模--TOPSIS综合评价模型Python代码 正常代码 import numpy as np # 导入numpy包并将其命名为np ##定义正向化的函数 def positivization( ...
- 常染色体的隐性疾病数学建模(代数模型)
常染色体的隐性疾病数学建模(代数模型) 摘要:本文研究随交配代数的增长,常染色体隐性疾病的基因分布变化问题.使用代数模型,在正常人不与显性患者交配,但隐性患者可与正常人.隐性患者交配的情况下时,探究基 ...
- 数学建模优化模型简单例题_数学建模之优化模型:存储模型
点击上方「蓝字」关注我们 最近,为申报市级精品课程,我为我校"数学建模与科学计算"课程录制了讲课视频,下面是3.1节优化模型的第一个例子:存储模型.敬请大家批评指正! 优化模型是数 ...
最新文章
- 对下载的包进行修改--python
- 旷视唐文斌:你到底给谁创造了什么样的价值?这是AI产品的灵魂拷问丨MEET2020...
- python运维开发常用模块(四)文件对比模块difflib
- Linux 服务器高并发调优实战
- AAAI 2022上那些值得关注的NLP论文
- linux 取出字符中数字,使用awk提取字符串中的数字或字母
- 嘉年华回顾丨杜小勇教授带你解密One Size Does not Fit All?
- 提高代码的运行效率 (4)
- linux怎么看文件是否orc格式,hive文件存储格式orc,parquet,avro对比
- php字符串中删除字符串函数,PHP实现删除字符串中任何字符的函数
- 优化设计二维鲍威尔c语言,潘隆武-B0310524-机制09-5-鲍威尔法.doc
- matlab指数e是如何表示,Matlab中表达e怎么操作?表达e方法详解
- 在MT终端模拟器中使用Termux命令
- ProgressBar进度条(圆形进度条|水平进度条)
- java Map的知识点
- panda3d python_安装 Panda3D 并使用原有的Python
- python开发mes系统_MES系统开发手记(一)
- PPTV网络电视如何修复浏览器支持异常
- C++中memset函数详解
- 嵌入式学习真的这么烧钱吗?