网站已改版，请使用新地址访问：
readTXTFile 实现了，从txt文件中，读取字符串，并根据某个 来对整个 的数据进行排序。 Operate 操作 277万源代码下载-
网站已改版，请使用新地址访问：
&文件名称: readTXTFile
& & & & &&]
&&所属分类:
&&开发工具: C-C++
&&文件大小: 10285 KB
&&上传时间:
&&下载次数: 58
&&提 供 者:
&详细说明：实现了，从txt文件中，读取字符串，并根据某个字符来对整个文件中的数据进行排序。-Realized from the txt file, read the string, and in accordance with a certain character to the entire file to sort the data.
文件列表(日期：~)(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&&排序功能实现&&............\changeWord&&............\..........\2.txt&&............\..........\3字词7738.txt&&............\..........\4字词9293.txt&&............\..........\bin&&............\..........\...\41.txt&&............\..........\...\Debug&&............\..........\&&............\..........\obj&&............\..........\...\changeWord.csproj.FileList.txt&&............\..........\...\Debug&&............\..........\&&............\..........\Properties&&............\..........\..........\&&............\changeWord.sln
&[]:不是源代码或资料&[]:一般，勉强可用
&近期下载过的用户:
&相关搜索:
&输入关键字，在本站277万海量源码库中尽情搜索：
&[] - 递归法遍历磁盘目录，在vc++6.0环境下编译通过。
&[] - 字符串的查找和提取，vc编程常见的问题，希望能对你有所帮助
&[] - 此程序从外部TXT文档中读取字符串内容并将其转化为数组，共其后程序调用
&[] - 快速排序的集合，包含数字排序，字符串排序，浮点型数列排序，是一部不可多得的黑书！
&[] - VC读取TXT文件数据，数据在1111.txt里
&[] - MFC，txt格式文件的读入，写出；向从文本文件中写入信息；从文本文件中读取信息；关闭文件
&[] - c++ 读取txt文件正两列数据，存放于一个二维数值中，方便程序使用中调用数据！程序简单明了！lingo教程,LINGO基本教程 12
【lingo教程】LINGO基本教程 12华南农业大学数学建模培训LINGO 基本教程张胜祥前 言LINGO是一个利用线性规划和非线性规划来简洁地阐述、解决和分析复杂问题的简便工具。其特点是程序执行速度很快，易于输入、修改、求解和分析一个数学规划问题，因此LINGO在教育、科研和工业界得到了广泛应用。LINGO软件包有多种版本，但其软件内核 和使用方法类似。教学版和发行版的主要区别在于对优化问题的规模（变量和约束的个数）有不同的限制。详细情况可上网访问LINGO 软件网站：.此教程部分内容选自《LINGO 8.0 for windows软件及应用（编译）》（万保成）以及[2].推荐参考书[1]《优化建模与LINDO/LINGO软件》谢金星等编著 清华大学出版社,2005 [2]《LINGO和Excel在数学建模中的应用》袁新生等主编 科学出版社，2007目 录§1 LINGO快速入门§2 LINGO中的集 2.1 为什么使用集 2.2 什么是集 2.3 模型的集部分 2.3.1 定义原始集 2.3.2 定义派生集 §3 模型的数据部分和初始部分3.1 模型的数据部分 3.1.1 数据部分入门 3.1.2 参数 3.1.3 实时数据处理 3.1.4 指定属性为一个值 3.1.5 数据部分的未知数值 3.2 模型的初始部分 §4 LINGO函数4.1 基本运算符 4.1.1 算术运算符 4.1.2 逻辑运算符 4.1.3 关系运算符 4.2 数学函数 4.3 金融函数 4.4 概率函数 4.5 变量界定函数 4.6 集操作函数 4.7 集循环函数 4.8 输入和输出函数 4.9 辅助函数§5 LINGO Windows命令5.1 文件菜单 5.2 编辑菜单 5.3 LINGO菜单 5.4 窗口菜单 5.5 帮助菜单 §6 LINGO的命令行命令§7 综合举例§8 LINGO与外部文件之间的数据传递8.1 通过Windows剪贴板传递数据注意：章后有表示该章内容可点击超链接到达此章节。§1 LINGO快速入门当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口：外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要在该窗口内编码实现。下面举两个例子。例1.1 如何在LINGO中求解如下的LP问题：mins.t.2x1?3x2x1?x2?350x1?1002x1?x2?600x1,x2?0在模型窗口中输入如下代码： min=2*x1+3*x2; x1+x2&=350; x1&=100;2*x1+x2&=600;然后点击工具条上的按钮 即可。例1.2 使用LINGO软件计算6个发点8个收点的最小费用运输问题。产销单位运价如model:!6发点8收点运输问题; sets:warehouses/wh1..wh6/: vendors/v1..v8/:links(warehouses,vendors): cost, endsets !目标函数;min=@sum(links: cost*volume); !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));!这里是数据; 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然后点击工具条上的按钮 即可。为了能够使用LINGO的强大功能，接着第二节的学习吧。§2 LINGO中的集对实际问题建模的时候，总会遇到一群或多群相联系的对象，比如工厂、消费者群体、交通工具和雇工等等。LINGO允许把这些相联系的对象聚合成集（sets）。一旦把对象聚合成集，就可以利用集来最大限度的发挥LINGO建模语言的优势。现在我们将深入介绍如何创建集，并用数据初始化集的属性。学完本节后，你对基于建模技术的集如何引入模型会有一个基本的理解。2.1 为什么使用集集是LINGO建模语言的基础，是程序设计最强有力的基本构件。借助于集，能够用一个单一的、长的、简明的复合公式表示一系列相似的约束，从而可以快速方便地表达规模较大的模型。2.2 什么是集集是一群相联系的对象，这些对象也称为集的成员。一个集可能是一系列产品、卡车或雇员。每个集成员可能有一个或多个与之有关联的特征，我们把这些特征称为属性。属性值可以预先给定，也可以是未知的，有待于LINGO求解。例如，产品集中的每个产品可以有一个价格属性；卡车集中的每辆卡车可以有一个牵引力属性；雇员集中的每位雇员可以有一个薪水属性，也可以有一个生日属性等等。LINGO基本教程 12_lingo教程LINGO有两种类型的集：原始集(primitive set)和派生集(derived set)。一个原始集是由一些最基本的对象组成的。一个派生集是用一个或多个其它集来定义的，也就是说，它的成员来自于其它已存在的集。2.3 模型的集部分集部分是LINGO模型的一个可选部分。在LINGO模型中使用集之前，必须在集部分事先定义。集部分以关键字“sets:”开始，以“endsets”结束。一个模型可以没有集部分，或有一个简单的集部分，或有多个集部分。一个集部分可以放置于模型的任何地方，但是一个集及其属性在模型约束中被引用之前必须定义了它们。2.3.1 定义原始集为了定义一个原始集，必须详细声明：·集的名字·可选，集的成员·可选，集成员的属性定义一个原始集，用下面的语法：setname[/member_list/][:attribute_list];注意：用“[]”表示该部分内容可选。下同，不再赘述。Setname是你选择的来标记集的名字，最好具有较强的可读性。集名字必须严格符合标准命名规则：以拉丁字母或下划线（_）为首字符，其后由拉丁字母（A—Z）、下划线、阿拉伯数字（0，1，?，9）组成的总长度不超过32个字符的字符串，且不区分大小写。注意：该命名规则同样适用于集成员名和属性名等的命名。Member_list是集成员列表。如果集成员放在集定义中，那么对它们可采取显式罗列和隐式罗列两种方式。如果集成员不放在集定义中，那么可以在随后的数据部分定义它们。① 当显式罗列成员时，必须为每个成员输入一个不同的名字，中间用空格或逗号搁开，允许混合使用。例2.1 可以定义一个名为students的原始集，它具有成员John、Jill、Rose和Mike，属性有sex和age：sets:students/John Jill, Rose Mike/: sex,endsets② 当隐式罗列成员时，不必罗列出每个集成员。可采用如下语法：setname/member1..memberN/[: attribute_list];这里的member1是集的第一个成员名，memberN是集的最末一个成员名。LINGO将自动产生中间的所有成员名。LINGO也接受一些特定的首成员名和末成员名，用于创建一些特殊的集。③ 集成员不放在集定义中，而在随后的数据部分来定义。例2.2!集部分;sets:students:sex,endsets!数据部分;data:students,sex,age= John 1 16Jill 0 14Rose 0 17Mike 1 13;enddata注意：开头用感叹号（!），末尾用分号（;）表示注释，可跨多行。在集部分只定义了一个集students，并未指定成员。在数据部分罗列了集成员John、Jill、Rose和Mike，并对属性sex和age分别给出了值。集成员无论用何种字符标记,它的索引都是从1开始连续计数。在attribute_ list可以指定一个或多个集成员的属性，属性之间必须用逗号隔开。可以把集、集成员和集属性同C语言中的结构体作个类比。如下图：集 ←→ 结构体集成员 ←→ 结构体的域集属性 ←→ 结构体实例LINGO内置的建模语言是一种描述性语言，用它可以描述现实世界中的一些问题，然后再借助于LINGO求解器求解。因此，集属性的值一旦在模型中被确定，就不可能再更改。在LINGO中，只有在初始部分中给出的集属性值在以后的求解中可更改。这与前面并不矛盾，初始部分是LINGO求解器的需要，并不是描述问题所必须的。2.3.2 定义派生集为了定义一个派生集，必须详细声明：·集的名字·父集的名字·可选，集成员·可选，集成员的属性可用下面的语法定义一个派生集：setname(parent_set_list)[/member_list/][:attribute_list];setname是集的名字。parent_set_list是已定义的集的列表，多个时必须用逗号隔开。如果没有指定成员列表，那么LINGO会自动创建父集成员的所有组合作为派生集的成员。派生集的父集既可以是原始集，也可以是其它的派生集。例2.3sets:product/A B/;machine/M N/;week/1..2/;allowed(product,machine,week):x;endsetsLINGO生成了三个父集的所有组合共八组作为allowed集的成员。列表如下：编号 成员1 (A,M,1)2 2 (A,M,2)3 3 (A,N,1)4 4 (A,N,2)5 5 (B,M,1)6 6 (B,M,2)7 7 (B,N,1)8 8 (B,N,2)成员列表被忽略时，派生集成员由父集成员所有的组合构成，这样的派生集成为稠密集。如果限制派生集的成员，使它成为父集成员所有组合构成的集合的一个子集，这样的派生集成为稀疏集。同原始集一样，派生集成员的声明也可以放在数据部分。一个派生集的成员列表有两种方式生成：①显式罗列；②设置成员资格过滤器。当采用方式①时，必须显式罗列出所有要包含在派生集中的成员，并且罗列的每个成员必须属于稠密集。使用前面的例子，显式罗列派生集的成员：allowed(product,machine,week)/A M 1,A N 2,B N 1/;如果需要生成一个大的、稀疏的集，那么显式罗列就很讨厌。幸运地是许多稀疏集的成员都满足一些条件以和非成员相区分。我们可以把这些逻辑条件看作过滤器，在LINGO生成派生集的成员时把使逻辑条件为假的成员从稠密集中过滤掉。例2.4sets:!学生集：性别属性sex，1表示男性，0表示女性；年龄属性age. ;students/John,Jill,Rose,Mike/:sex,!男学生和女学生的联系集：友好程度属性friend，[0，1]之间的数。 ;linkmf(students,students)|sex(&1) #eq# 1 #and# sex(&2) #eq# 0: !男学生和女学生的友好程度大于0.5的集;linkmf2(linkmf) | friend(&1,&2) #ge# 0.5 :endsetsdata:sex,age = 1 160 140 170 13;friend = 0.3 0.5 0.6;enddata用竖线（|）来标记一个成员资格过滤器的开始。#eq#是逻辑运算符，用来判断是否“相等”，可参考§4. &1可看作派生集的第1个原始父集的索引，它取遍该原始父集的所有成员；&2可看作派生集的第2 个原始父集的索引，它取遍该原始父集的所有成员；&3，&4，??，以此类推。注意如果派生集B的父集是另外的派生集A，那么上面所说的原始父集是集A向前回溯到最终的原始集，其顺序保持不变，并且派生集A的过滤器对派生集B仍然有效。因此，派生集的索引个数是最终原始父集的个数，索引的取值是从原始父集到当前派生集所作限制的总和。总的来说，LINGO可识别的集只有两种类型：原始集和派生集。在一个模型中，原始集是基本的对象，不能再被拆分成更小的组分。原始集可以由显式罗列和隐式罗列两种方式来定义。当用显式罗列方式时，需在集成员列表中逐个输入每个成员。当用隐式罗列方式时，只需在集成员列表中输入首成员和末成员，而中间的成员由LINGO产生。另一方面，派生集是由其它的集来创建。这些集被称为该派生集的父集（原始集或其它的派生集）。一个派生集既可以是稀疏的，也可以是稠密的。稠密集包含了父集成员的所有组合（有时也称为父集的笛卡尔乘积）。稀疏集仅包含了父集的笛卡尔乘积的一个子集，可通过显式罗列和成员资格过滤器这两种方式来定义。显式罗列方法就是逐个罗列稀疏集的成员。成员资格过滤器方法通过使用稀疏集成员必须满足的逻辑条件从稠密集成员中过滤出稀疏集的成员。不同集类型的关系见下图。§3 模型的数据部分和初始部分在处理模型的数据时，需要为集指派一些成员并且在LINGO求解模型之前为集的某些属性指定值。为此，LINGO为用户提供了两个可选部分：输入集成员和数据的数据部分（Data Section）和为决策变量设置初始值的初始部分（Init Section）。3.1 模型的数据部分3.1.1 数据部分入门数据部分提供了模型相对静止部分和数据分离的可能性。显然，这对模型的维护和维数的缩放非常便利。数据部分以关键字“data:”开始，以关键字“enddata”结束。在这里，可以指定集成员、集的属性。其语法如下：object_list = value_对象列（object_list）包含要指定值的属性名、要设置集成员的集名，用逗号或空格隔开。一个对象列中至多有一个集名，而属性名可以有任意多。如果对象列中有多个属性名，那么它们的类型必须一致。如果对象列中有一个集名，那么对象列中所有的属性的类型就是这个集。数值列（value_list）包含要分配给对象列中的对象的值，用逗号或空格隔开。注意属性值的个数必须等于集成员的个数。看下面的例子。例3.1sets:set1/A,B,C/: X,Y;endsetsdata:X=1,2,3;Y=4,5,6;enddata在集set1中定义了两个属性X和Y。X的三个值是1、2和3，Y的三个值是4、5和6。也可采用如下例子中的复合数据声明（data statement）实现同样的功能。例3.2sets:set1/A,B,C/: X,Y;endsetsdata:X,Y=1 42 53 6;enddata看到这个例子，可能会认为X被指定了1、4和2三个值，因为它们是数值列中前三个，而正确的答案是1、2和3。假设对象列有n个对象，LINGO在为对象指定值时，首先在n个对象的第1个索引处依次分配数值列中的前n个对象，然后在n个对象的第2个索引处依次分配数值列中紧接着的n个对象，??，以此类推。模型的所有数据——属性值和集成员——被单独放在数据部分，这可能是最规范的数据输入方式。3.1.2 参数在数据部分也可以指定一些标量变量（scalar variables）。当一个标量变量在数据部分确定时，称之为参数。看一例，假设模型中用利率8.5%作为一个参数，就可以象下面一样输入一个利率作为参数。例3.3data:interest_rate = .085;enddata也可以同时指定多个参数。例3.4data:interest_rate,inflation_rate = .085 .03;enddata3.1.3 实时数据处理在某些情况，对于模型中的某些数据并不是定值。譬如模型中有一个通货膨胀率的参数，我们想在2%至6%范围内，对不同的值求解模型，来观察模型的结果对通货膨胀的依赖有多么敏感。我们把这种情况称为实时数据处理（what if analysis）。LINGO有一个特征可方便地做到这件事。在本该放数的地方输入一个问号（?）。例3.5data:interest_rate,inflation_rate = .085 ?;enddata每一次求解模型时，LINGO都会提示为参数inflation_rate输入一个值。在WINDOWS操作系统下，将会接收到一个类似下面的对话框：直接输入一个值再点击OK按钮，LINGO就会把输入的值指定给inflation_rate，然后继续求解模型。除了参数之外，也可以实时输入集的属性值，但不允许实时输入集成员名。3.1.4 指定属性为一个值可以在数据声明的右边输入一个值来把所有的成员的该属性指定为一个值。看下面的例子。例3.6sets:days /MO,TU,WE,TH,FR,SA,SU/:endsetsdata:needs = 20;enddataLINGO将用20指定days集的所有成员的needs属性。对于多个属性的情形，见下例。 例3.7sets:days /MO,TU,WE,TH,FR,SA,SU/:needs,endsetsdata:needs cost = 20 100;enddata3.1.5 数据部分的未知数值有时只想为一个集的部分成员的某个属性指定值，而让其余成员的该属性保持未知，以便让LINGO去求出它们的最优值。在数据声明中输入两个相连的逗号表示该位置对应的集成员的属性值未知。两个逗号间可以有空格。例3.8sets:years/1..5/:endsetsdata:capacity = ,34,20,,;enddataLINGO基本教程 12_lingo教程属性capacity的第2个和第3个值分别为34和20，其余的未知。3.2 模型的初始部分初始部分是LINGO提供的另一个可选部分。在初始部分中，可以输入初始声明（initialization statement），和数据部分中的数据声明相同。对实际问题的建模时，初始部分并不起到描述模型的作用，在初始部分输入的值仅被LINGO求解器当作初始点来用，并且仅仅对非线性模型有用。和数据部分指定变量的值不同，LINGO求解器可以自由改变初始部分初始化的变量的值。一个初始部分以“init:”开始，以“endinit”结束。初始部分的初始声明规则和数据部分的数据声明规则相同。也就是说，我们可以在声明的左边同时初始化多个集属性，可以把集属性初始化为一个值，可以用问号实现实时数据处理，还可以用逗号指定未知数值。 例3.9init:X, Y = 0, .1;endinitY=@log(X);X^2+Y^2&=1;好的初始点会减少模型的求解时间。在这一节中，我们仅带大家接触了一些基本的数据输入和初始化概念，不过现在你应该可以轻松的为自己的模型加入原始数据和初始部分啦。§4 LINGO函数有了前几节的基础知识，再加上本节的内容，你就能够借助于LINGO建立并求解复杂的优化模型了。LINGO有9种类型的函数：1． 1． 基本运算符：包括算术运算符、逻辑运算符和关系运算符2． 2． 数学函数：三角函数和常规的数学函数3． 3． 金融函数：LINGO提供的两种金融函数4． 4． 概率函数：LINGO提供了大量概率相关的函数5． 5． 变量界定函数：这类函数用来定义变量的取值范围6． 6． 集操作函数：这类函数为对集的操作提供帮助7． 7． 集循环函数：遍历集的元素，执行一定的操作的函数8． 8． 数据输入输出函数：这类函数允许模型和外部数据源相联系，进行数据的输入输出9． 9． 辅助函数：各种杂类函数4.1 基本运算符这些运算符是非常基本的，甚至可以不认为它们是一类函数。事实上，在LINGO中它们是非常重要的。4.1.1 算术运算符算术运算符是针对数值进行操作的。LINGO提供了5种二元运算符：＾ 乘方﹡ 乘／ 除﹢ 加﹣ 减LINGO唯一的一元算术运算符是取反函数“﹣”。这些运算符的优先级由高到底为：高 ﹣（取反）＾﹡／低 ﹢﹣运算符的运算次序为从左到右按优先级高低来执行。运算的次序可以用圆括号“（）”来改变。例4.1 算术运算符示例。2﹣5／3，(2﹢4)／5等等。4.1.2 逻辑运算符在LINGO中，逻辑运算符主要用于集循环函数的条件表达式中，来控制在函数中哪些集成员被包含，哪些被排斥。在创建稀疏集时用在成员资格过滤器中。LINGO具有９种逻辑运算符：#not# 否定该操作数的逻辑值，＃not＃是一个一元运算符#eq# 若两个运算数相等，则为true；否则为flase#ne# 若两个运算符不相等，则为true；否则为flase#gt# 若左边的运算符严格大于右边的运算符，则为true；否则为flase#ge# 若左边的运算符大于或等于右边的运算符，则为true；否则为flase#lt# 若左边的运算符严格小于右边的运算符，则为true；否则为flase#le# 若左边的运算符小于或等于右边的运算符，则为true；否则为flase#and# 仅当两个参数都为true时，结果为true；否则为flase#or# 仅当两个参数都为false时，结果为false；否则为true这些运算符的优先级由高到低为：高 #not##eq# #ne# #gt# #ge# #lt# #le#低 #and# #or#例4.2 逻辑运算符示例2 #gt# 3 #and# 4 #gt# 2，其结果为假（0）。4.1.3 关系运算符在LINGO中，关系运算符主要是被用在模型中，来指定一个表达式的左边是否等于、小于等于、或者大于等于右边，形成模型的一个约束条件。关系运算符与逻辑运算符#eq#、#le#、#ge#截然不同，前者是模型中该关系运算符所指定关系的为真描述，而后者仅仅判断一个该关系是否被满足：满足为真，不满足为假。LINGO有三种关系运算符：“=”、“&=”和“&=”。LINGO中还能用“&”表示小于等于关系，“&”表示大于等于关系。LINGO并不支持严格小于和严格大于关系运算符。然而，如果需要严格小于和严格大于关系，比如让A严格小于B：A&B，那么可以把它变成如下的小于等于表达式：A+ε&=B，这里ε是一个小的正数，它的值依赖于模型中A小于B多少才算不等。下面给出以上三类操作符的优先级：高 #not# ﹣（取反）＾﹡ ／﹢﹣#eq# #ne# #gt# #ge# #lt# #le##and# #or#低 &= = &=4.2 数学函数LINGO提供了大量的标准数学函数：@abs(x) 返回x的绝对值@sin(x) 返回x的正弦值，x采用弧度制@cos(x) 返回x的余弦值@tan(x) 返回x的正切值@exp(x) 返回常数e的x次方@log(x) 返回x的自然对数@lgm(x) 返回x的gamma函数的自然对数@sign(x) 如果x&0返回-1；否则，返回1@floor(x) 返回x的整数部分。当x&=0时，返回不超过x的最大整数；当x&0时，返回不低于x的最大整数。@smax(x1,x2,?,xn) 返回x1，x2，?，xn中的最大值@smin(x1,x2,?,xn) 返回x1，x2，?，xn中的最小值例4.3 给定一个直角三角形，求包含该三角形的最小正方形。解：如图所示。CE?asinx,AD?bcosx,DE?acosx?bsinx,求最小的正方形就相当于求如下的最优化问题：minmax?CE,AD,DE?0?x??x E 2LINGO代码如下： model:sets:object/1..3/:endsetsdata:a, b = 3, 4; !两个直角边长，修改很方便;enddataf(1) = a * @sin(x);f(2) = b * @cos(x);f(3) = a * @cos(x) + b * @sin(x);min = @smax(f(1),f(2),f(3));@bnd(0,x,1.57);end B A D在上面的代码中用到了函数@bnd，详情请见4.5节。4.3 金融函数目前LINGO提供了两个金融函数。1．@fpa(I,n)返回如下情形的净现值：单位时段利率为I，连续n个时段支付，每个时段支付单位费用。若每个时段支付x单位的费用，则净现值可用x乘以@fpa(I,n)算得。@fpa的计算公式为11?(1?I)?n??kI(1?I)k?1。 n净现值就是在一定时期内为了获得一定收益在该时期初所支付的实际费用。例4.4 贷款买房问题 贷款金额50000元，贷款年利率5.31%，采取分期付款方式（每年年末还固定金额，直至还清）。问拟贷款10年，每年需偿还多少元？LINGO代码如下：50000 = x * @fpa(.0531,10);答案是x=元。2．@fpl(I,n)返回如下情形的净现值：单位时段利率为I，第n个时段支付单位费用。@fpl(I,n)的计算公式为(1?I)?n。细心的读者可以发现这两个函数间的关系：n@fpa(I,n)??@fpl(I,k)k?14.4 概率函数1．@pbn(p,n,x)二项分布的累积分布函数。当n和（或）x不是整数时，用线性插值法进行计算。2．@pcx(n,x)2自由度为n的χ分布的累积分布函数。3．@peb(a,x)当到达负荷为a，服务系统有x个服务器且允许无穷排队时的Erlang繁忙概率。4．@pel(a,x)当到达负荷为a，服务系统有x个服务器且不允许排队时的Erlang繁忙概率。5．@pfd(n,d,x)自由度为n和d的F分布的累积分布函数。6．@pfs(a,x,c)当负荷上限为a，顾客数为c，平行服务器数量为x时，有限源的Poisson服务系统的等待或返修顾客数的期望值。a是顾客数乘以平均服务时间，再除以平均返修时间。当c和（或）x不是整数时，采用线性插值进行计算。7．@phg(pop,g,n,x)超几何（Hypergeometric）分布的累积分布函数。pop表示产品总数，g是正品数。从所有产品中任意取出n（n≤pop）件。pop，g，n和x都可以是非整数，这时采用线性插值进行计算。8．@ppl(a,x)Poisson分布的线性损失函数，即返回max(0,z-x)的期望值，其中随机变量z服从均值为a的Poisson分布。9．@pps(a,x)均值为a的Poisson分布的累积分布函数。当x不是整数时，采用线性插值进行计算。10．@psl(x)单位正态线性损失函数，即返回max(0,z-x)的期望值，其中随机变量z服从标准正态分布。11．@psn(x)标准正态分布的累积分布函数。12．@ptd(n,x)自由度为n的t分布的累积分布函数。13．@qrand(seed)产生服从(0,1)区间的拟随机数。@qrand只允许在模型的数据部分使用，它将用拟随机数填满集属性。通常，声明一个m×n的二维表，m表示运行实验的次数，n表示每次实验所需的随机数的个数。在行内，随机数是独立分布的；在行间，随机数是非常均匀的。这些随机数是用“分层取样”的方法产生的。例4.5model:data:M=4; N=2; seed=1234567;enddatasets:rows/1..M/;cols/1..N/;table(rows,cols):endsetsdata:X=@qrand(seed);enddataend如果没有为函数指定种子，那么LINGO将用系统时间构造种子。14．@rand(seed)返回0和1间的伪随机数，依赖于指定的种子。典型用法是U(I+1)=@rand(U(I))。注意如果seed不变，那么产生的随机数也不变。例4.6 利用@rand产生15个标准正态分布的随机数和自由度为2的t分布的随机数。 model:!产生一列正态分布和t分布的随机数;sets:series/1..15/: u, znorm,endsets!第一个均匀分布随机数是任意的;u( 1) = @rand( .1234);!产生其余的均匀分布的随机数;@for(series( I)| I #GT# 1:u( I) = @rand( u( I - 1)));@for( series( I):!正态分布随机数;@psn( znorm( I)) = u( I);!和自由度为2的t分布随机数;@ptd( 2, zt( I)) = u( I);!ZNORM 和 ZT 可以是负数;@free( znorm( I)); @free( zt( I)););end4.5 变量界定函数变量界定函数实现对变量取值范围的附加限制，共4种：@bin(x) 限制x为0或1@bnd(L,x,U) 限制L≤x≤U@free(x) 取消对变量x的默认下界为0的限制，即x可以取任意实数@gin(x) 限制x为整数在默认情况下，LINGO规定变量是非负的，也就是说下界为0，上界为+∞。@free取消了默认的下界为0的限制，使变量也可以取负值。@bnd用于设定一个变量的上下界,它也可以取消默认下界为0的约束。4.6 集操作函数LINGO提供了几个函数帮助处理集。1．@in(set_name,primitive_index_1 [,primitive_index_2,?])如果元素在指定集中，返回1；否则返回0。例4.7 全集为I，B是I的一个子集，C是B的补集。sets:I/x1..x4/;B(I)/x2/;C(I)|#not#@in(B,&1):;endsets2．@index([set_name,] primitive_set_element)该函数返回在集set_name中原始集成员primitive_set_element的索引。如果set_name被忽略，那么LINGO将返回与primitive_set_element匹配的第一个原始集成员的索引。如果找不到，则产生一个错误。例4.8 如何确定集成员(B,Y)属于派生集S3。LINGO基本教程 12_lingo教程sets:S1/A B C/;S2/X Y Z/;S3(S1,S2)/A X, A Z, B Y, C X/;endsetsX=@in(S3,@index(S1,B),@index(S2,Y));看下面的例子，表明有时为@index指定集是必要的。例4.9sets:girls/debble,sue,alice/;boys/bob,joe,sue,fred/;endsetsI1=@index(sue);I2=@index(boys,sue);I1的值是2，I2的值是3。我们建议在使用@index函数时最好指定集。3．@wrap(index,limit)该函数返回j=index-k*limit，其中k是一个整数，取适当值保证j落在区间[1，limit]内。该函数相当于index模limit再加1。该函数在循环、多阶段计划编制中特别有用。4．@size(set_name)该函数返回集set_name的成员个数。在模型中明确给出集大小时最好使用该函数。它的使用使模型更加数据中立，集大小改变时也更易维护。4.7 集循环函数集循环函数遍历整个集进行操作。其语法为@function(setname[(set_index_list)[|conditional_qualifier]]:expression_list);@function相应于下面罗列的四个集循环函数之一；setname是要遍历的集；set_ index_list是集索引列表；conditional_qualifier是用来限制集循环函数的范围，当集循环函数遍历集的每个成员时，LINGO都要对conditional_qualifier进行评价，若结果为真，则对该成员执行@function操作，否则跳过，继续执行下一次循环。expression_list是被应用到每个集成员的表达式列表，当用的是@for函数时，expression_list可以包含多个表达式，其间用逗号隔开。这些表达式将被作为约束加到模型中。当使用其余的三个集循环函数时，expression_list只能有一个表达式。如果省略set_index_list，那么在expression_list中引用的所有属性的类型都是setname集。1．@for该函数用来产生对集成员的约束。基于建模语言的标量需要显式输入每个约束，不过@for函数允许只输入一个约束，然后LINGO自动产生每个集成员的约束。例4.10 产生序列{1,4,9,16,25}model:sets:number/1..5/:x;endsets@for(number(I): x(I)=I^2);end2．@sum该函数返回遍历指定的集成员的一个表达式的和。例4.11 求向量[5，1，3，4，6，10]前5个数的和。model:data:N=6;enddatasets:number/1..N/:x;endsetsdata:x = 5 1 3 4 6 10;enddatas=@sum(number(I) | I #le# 5: x);end3．@min和@max返回指定的集成员的一个表达式的最小值或最大值。例4.12 求向量[5，1，3，4，6，10]前5个数的最小值，后3个数的最大值。model:data:N=6;enddatasets:number/1..N/:x;endsetsdata:x = 5 1 3 4 6 10;enddataminv=@min(number(I) | I #le# 5: x);maxv=@max(number(I) | I #ge# N-2: x);end下面看一个稍微复杂一点儿的例子。例4.13 职员时序安排模型 一项工作一周7天都需要有人（比如护士工作），每天（周一至周日）所需的最少职员数为20、16、13、16、19、14和12，并要求每个职员一周连续工作5天，试求每周所需最少职员数，并给出安排。注意这里我们考虑稳定后的情况。 model:sets:days/mon..sun/: required,endsetsdata:!每天所需的最少职员数;required = 20 16 13 16 19 14 12;enddata!最小化每周所需职员数;min=@sum(days: start);@for(days(J):@sum(days(I) | I #le# 5:start(@wrap(J+I+2,7))) &= required(J));end计算的部分结果为Global optimal solution found at iteration: 0Objective value: 22.00000Variable Value Reduced CostREQUIRED( MON) 20.000REQUIRED( TUE) 16.000REQUIRED( WED) 13.000REQUIRED( THU) 16.000REQUIRED( FRI) 19.000REQUIRED( SAT) 14.000REQUIRED( SUN) 12.000START( MON) 8..000000START( TUE) 2..000000START( WED) 0..3333333START( THU) 6..000000START( FRI) 3..000000START( SAT) 3..000000START( SUN) 0..000000从而解决方案是：每周最少需要22个职员，周一安排8人，周二安排2人，周三无需安排人，周四安排6人，周五和周六都安排3人，周日无需安排人。4.8 输入和输出函数输入和输出函数可以把模型和外部数据比如文本文件、数据库和电子表格等连接起来。1．@file函数该函数用从外部文件中输入数据，可以放在模型中任何地方。该函数的语法格式为@file(’filename’)。这里filename是文件名，可以采用相对路径和绝对路径两种表示方式。@file函数对同一文件的两种表示方式的处理和对两个不同的文件处理是一样的，这一点必须注意。例4.14 以例1.2来讲解@file函数的用法。注意到在例1.2的编码中有两处涉及到数据。第一个地方是集部分的6个warehouses集成员和8个vendors集成员；第二个地方是数据部分的capacity，demand和cost数据。为了使数据和我们的模型完全分开，我们把它们移到外部的文本文件中。修改模型代码以便于用@file函数把数据从文本文件中拖到模型中来。修改后（修改处代码黑体加粗）的模型代码如下：model:!6发点8收点运输问题;sets:warehouses/ @file(1_2.txt) /:vendors/ @file(1_2.txt) /:links(warehouses,vendors): cost,endsets!目标函数;min=@sum(links: cost*volume);!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));!这里是数据;data:capacity = @file(1_2.txt) ;demand = @file(1_2.txt) ;cost = @file(1_2.txt) ;enddataend模型的所有数据来自于1_2.txt文件。其内容如下：!warehouses成员;WH1 WH2 WH3 WH4 WH5 WH6 ~!vendors成员;V1 V2 V3 V4 V5 V6 V7 V8 ~!产量;60 55 51 43 41 52 ~!销量;35 37 22 32 41 32 43 38 ~!单位运输费用矩阵;6 2 6 7 4 2 5 94 9 5 3 8 5 8 25 2 1 9 7 4 3 37 6 7 3 9 2 7 12 3 9 5 7 2 6 55 5 2 2 8 1 4 3把记录结束标记（~）之间的数据文件部分称为记录。如果数据文件中没有记录结束标记，那么整个文件被看作单个记录。注意到除了记录结束标记外，模型的文本和数据同它们直接放在模型里是一样的。我们来看一下在数据文件中的记录结束标记连同模型中@file函数调用是如何工作的。当在模型中第一次调用@file函数时，LINGO打开数据文件，然后读取第一个记录；第二次调用@file函数时，LINGO读取第二个记录等等。文件的最后一条记录可以没有记录结束标记，当遇到文件结束标记时，LINGO会读取最后一条记录，然后关闭文件。如果最后一条记录也有记录结束标记，那么直到LINGO求解完当前模型后才关闭该文件。如果多个文件保持打开状态，可能就会导致一些问题，因为这会使同时打开的文件总数超过允许同时打开文件的上限16。当使用@file函数时，可把记录的内容（除了一些记录结束标记外）看作是替代模型中@file(’filename’)位置的文本。这也就是说，一条记录可以是声明的一部分，整个声明，或一系列声明。在数据文件中注释被忽略。注意在LINGO中不允许嵌套调用@file函数。2．@text函数该函数被用在数据部分用来把解输出至文本文件中。它可以输出集成员和集属性值。其语法为@text([’filename’])这里filename是文件名，可以采用相对路径和绝对路径两种表示方式。如果忽略filename，那么数据就被输出到标准输出设备（大多数情形都是屏幕）。@text函数仅能出现在模型数据部分的一条语句的左边，右边是集名（用来输出该集的所有成员名）或集属性名（用来输出该集属性的值）。我们把用接口函数产生输出的数据声明称为输出操作。输出操作仅当求解器求解完模型后才执行，执行次序取决于其在模型中出现的先后。例4.15 借用例4.12，说明@text的用法。model:sets:days/mon..sun/: required,endsetsdata:!每天所需的最少职员数;required = 20 16 13 16 19 14 12;@text(d:\out.txt)=days 至少需要的职员数为enddata!最小化每周所需职员数;min=@sum(days: start);@for(days(J):@sum(days(I) | I #le# 5:start(@wrap(J+I+2,7))) &= required(J));end3．@ole函数@OLE是从EXCEL中引入或输出数据的接口函数，它是基于传输的OLE技术。OLE传输直接在内存中传输数据，并不借助于中间文件。当使用@OLE时，LINGO先装载EXCEL，再通知EXCEL装载指定的电子数据表，最后从电子数据表中获得Ranges。为了使用OLE函数，必须有EXCEL5及其以上版本。OLE函数可在数据部分和初始部分引入数据。@OLE可以同时读集成员和集属性，集成员最好用文本格式，集属性最好用数值格式。原始集每个集成员需要一个单元(cell)，而对于n元的派生集每个集成员需要n个单元，这里第一行的n个单元对应派生集的第一个集成员，第二行的n个单元对应派生集的第二个集成员，依此类推。@OLE只能读一维或二维的Ranges（在单个的EXCEL工作表(sheet)中），但不能读间断的或三维的Ranges。Ranges是自左而右、自上而下来读。例4.16sets:PRODUCT; !产品;MACHINE; !机器;WEEK; !周;ALLOWED(PRODUCT,MACHINE,WEEK):x,y; !允许组合及属性;endsetsdata:rate=0.01;PRODUCT,MACHINE,WEEK,ALLOWED,x,y=@OLE(D:\import.XLS);@OLE(D:\import.XLS)=enddata代替在代码文本的数据部分显式输入形式，我们把相关数据全部放在如下电子数据表中来输入。下面是D:\import.XLS的图表。除了输入数据之外，我们也必须定义Ranges名：PRODUCT，MACHINE，WEEK，ALLOWED，x，y. 明确的，我们需要定义如下的Ranges名：Name RangePRODUCT B3:B4MACHINE C3:C4WEEK D3:D5ALLOWED B8:D10X F8:F10Y G8:G10rate C13为了在EXCEL中定义Ranges名：① 按鼠标左键拖曳选择Range，② 释放鼠标按钮，③ 选择“插入|名称|定义”，④ 输入希望的名字，⑤ 点击“确定”按钮。我们在模型的数据部分用如下代码从EXECL中引入数据：PRODUCT,MACHINE,WEEK,ALLOWED,x,y=@OLE(D:\import.XLS);@OLE(D:\import.XLS)=等价的描述为PRODUCT,MACHINE,WEEK,ALLOWED,x,y=@OLE(D:\import.XLS, PRODUCT,MACHINE,WEEK,ALLOWED,x,y);LINGO基本教程 12_lingo教程@OLE(D:\import.XLS,rate)=这一等价描述使得变量名和Ranges不同亦可。4．@ranged(variable_or_row_name)为了保持最优基不变，变量的费用系数或约束行的右端项允许减少的量。5．@rangeu(variable_or_row_name)为了保持最优基不变，变量的费用系数或约束行的右端项允许增加的量。6．@status()返回LINGO求解模型结束后的状态：0 Global Optimum（全局最优）1 Infeasible（不可行）2 Unbounded（无界）3 Undetermined（不确定）4 Feasible（可行）5 Infeasible or Unbounded（通常需要关闭“预处理”选项后重新求解模型，以确定模型究竟是不可行还是无界）6 Local Optimum（局部最优）7 Locally Infeasible（局部不可行，尽管可行解可能存在，但是LINGO并没有找到一个）8 Cutoff（目标函数的截断值被达到）9 Numeric Error（求解器因在某约束中遇到无定义的算术运算而停止）通常，如果返回值不是0、4或6时，那么解将不可信，几乎不能用。该函数仅被用在模型的数据部分来输出数据。例4.17model:min=@sin(x);data:@text()=@status();enddataend部分计算结果为：Local optimal solution found at iteration: 33Objective value: -1.0000006Variable Value Reduced CostX 4..000000结果中的6就是@status()返回的结果，表明最终解是局部最优的。7．@dual@dual(variable_or_row_name)返回变量的判别数（检验数）或约束行的对偶（影子）价格（dual prices）。4.9 辅助函数1．@if(logical_condition,true_result,false_result)@if函数将评价一个逻辑表达式logical_condition，如果为真，返回true_ result，否则返回false_result。例4.18 求解最优化问题mins.t.f(x)?g(y)x?0x?0y?0y?0?100?2x,f(x)???2x,?60?3y,g(y)???2y,x?y?30x,y?0其LINGO代码如下：model:min=fx+fx=@if(x #gt# 0, 100,0)+2*x;fy=@if(y #gt# 0,60,0)+3*y;x+y&=30;end2．@warn(’text’,logical_condition)如果逻辑条件logical_condition为真，则产生一个内容为’text’的信息框。例4.19 示例。model:x=1;@warn(x是正数,x #gt# 0);end§5 LINGO WINDOWS命令5.1 文件菜单（File Menu）1． 1． 新建（New）从文件菜单中选用“新建”命令、单击“新建”按钮或直接按F2键可以创建一个新的“Model”窗口。在这个新的“Model”窗口中能够输入所要求解的模型。2． 2． 打开（Open）从文件菜单中选用“打开”命令、单击“打开”按钮或直接按F3键可以打开一个已经存在的文本文件。这个文件可能是一个Model文件。3． 3． 保存(Save)从文件菜单中选用“保存”命令、单击“保存”按钮或直接按F4键用来保存当前活动窗口（最前台的窗口）中的模型结果、命令序列等保存为文件。4． 4． 另存为．．．(Save As．．．)从文件菜单中选用“另存为．．．”命令或按F5键可以将当前活动窗口中的内容保存为文本文件，其文件名为你在“另存为．．．”对话框中输入的文件名。利用这种方法你可以将任何窗口的内容如模型、求解结果或命令保存为文件。5． 5． 关闭（Close）在文件菜单中选用“关闭”(Close)命令或按F6键将关闭当前活动窗口。如果这个窗口是新建窗口或已经改变了当前文件的内容，LINGO系统将会提示是否想要保存改变后的内容。6． 6． 打印(Print)在文件菜单中选用“打印” (Print)命令、单击“打印”按钮或直接按F7键可以将当前活动窗口中的内容发送到打印机。7． 7． 打印设置(Print Setup．．．)在文件菜单中选用“打印设置．．．”命令或直接按F8键可以将文件输出到指定的打印机。8． 8． 打印预览(Print Preview)在文件菜单中选用“打印预览．．．”命令或直接按Shift+F8键可以进行打印预览。9． 9． 输出到日志文件(Log Output．．．)从文件菜单中选用“Log Output．．．”命令或按F9键打开一个对话框，用于生成一个日志文件，它存储接下来在“命令窗口”中输入的所有命令。10．提交LINGO命令脚本文件(Take Commands．．．)从文件菜单中选用“Take Commands．．．”命令或直接按F11键就可以将LINGO命令脚本（command script）文件提交给系统进程来运行。11．引入LINGO文件(import Lingo File．．．)从文件菜单中选用“import Lingo File．．．”命令或直接按F12键可以打开一个LINGO格式模型的文件，然后LINGO系统会尽可能把模型转化为LINGO语法允许的程序。12．退出（Exit）从文件菜单中选用“Exit”命令或直接按F10键可以退出LINGO系统。5.2 编辑菜单(Edit Menu)1． 1． 恢复(Undo)从编辑菜单中选用“恢复”（Undo）命令或按Ctrl+Z组合键，将撤销上次操作、恢复至其前的状态。2． 2． 剪切(Cut)从编辑菜单中选用“剪切”（Cut）命令或按Ctrl+X组合键可以将当前选中的内容剪切至剪贴板中。3． 3． 复制(Copy)从编辑菜单中选用“复制”（Copy）命令、单击“复制”按钮或按Ctrl+C组合键可以将当前选中的内容复制到剪贴板中。4． 4． 粘贴(Paste)从编辑菜单中选用“粘贴”（Paste）命令、单击“粘贴”按钮或按Ctrl+V组合键可以将粘贴板中的当前内容复制到当前插入点的位置。5． 5． 粘贴特定..（Paste Special。。）与上面的命令不同，它可以用于剪贴板中的内容不是文本的情形。6． 6． 全选(selec All)从编辑菜单中选用“selec All”命令或按Ctrl+A组合键可选定当前窗口中的所有内容。7． 7． 匹配小括号(Match Parenthesis)从编辑菜单中选用“Match Parenthesis”命令、单击“Match Parenthesis”按钮或按Ctrl+P组合键可以为当前选中的开括号查找匹配的闭括号。8． 8． 粘贴函数(Paste Function)从编辑菜单中选用“Paste Function”命令可以将LINGO的内部函数粘贴到当前插入点。5.3 LINGO菜单1． 1． 求解模型（Slove）从LINGO菜单中选用“求解”命令、单击“Slove”按钮或按Ctrl+S组合键可以将当前模型送入内存求解。2． 2． 求解结果．．．（Solution．．．）从LINGO菜单中选用“Solution．．．”命令、单击“Solution．．．”按钮或直接按Ctrl+O组合键可以打开求解结果的对话框。这里可以指定查看当前内存中求解结果的那些内容。3． 3． 查看．．．（Look．．．）从LINGO菜单中选用“Look．．．”命令或直接按Ctrl+L组合键可以查看全部的或选中的模型文本内容。4． 4． 灵敏性分析（Range，Ctrl+R）用该命令产生当前模型的灵敏性分析报告：研究当目标函数的费用系数和约束右端项在什么范围（此时假定其它系数不变）时，最优基保持不变。灵敏性分析是在求解模型时作出的，因此在求解模型时灵敏性分析是激活状态，但是默认是不激活的。为了激活灵敏性分析，运行LINGO|Options?，选择General Solver Tab， 在Dual Computations列表框中，选择Prices and Ranges选项。灵敏性分析耗费相当多的求解时间，因此当速度很关键时，就没有必要激活它。下面我们看一个简单的具体例子。例5.1某家具公司制造书桌、餐桌和椅子，所用的资源有三种：木料、木工和漆工。生用DESKS、TABLES和CHAIRS分别表示三种产品的生产量，建立LP模型。max=60*desks+30*tables+20*8*desks+6*tables+chairs&=48;4*desks+2*tables+1.5*chairs&=20;2*desks+1.5*tables+.5*chairs&=8;tables&=5;求解这个模型，并激活灵敏性分析。这时，查看报告窗口（Reports Window）,可以看到如下结果。Global optimal solution found at iteration: 3Objective value: 280.0000Variable Value Reduced CostDESKS 2..000000TABLES 0..000000CHAIRS 8..000000Row Slack or Surplus Dual Price1 280.0002 24.0003 0..000004 0..000005 5..000000“Global optimal solution found at iteration: 3”表示3次迭代后得到全局最优解。 “Objective value:280.0000”表示最优目标值为280。 “Value”给出最优解中各变量的值：造2个书桌（desks）, 0个餐桌（tables）, 8个椅子（chairs）。所以desks、chairs是基变量（非0），tables是非基变量（0）。“Slack or Surplus”给出松驰变量的值：第1行松驰变量 =280（模型第一行表示目标函数，所以第二行对应第一个约束） 第2行松驰变量 =24第3行松驰变量 =0第4行松驰变量 =0第5行松驰变量 =5“Reduced Cost”列出最优单纯形表中判别数所在行的变量的系数，表示当变量有微小变动时, 目标函数的变化率。其中基变量的reduced cost值应为0， 对于非基变量 Xj, 相应的 reduced cost值表示当某个变量Xj 增加一个单位时目标函数减少的量( max型问题)。本例中：变量tables对应的reduced cost值为5，表示当非基变量tables的值从0变为 1时（此时假定其他非基变量保持不变,但为了满足约束条件，基变量显然会发生变化），最优的目标函数值 = 280 - 5 = 275。“DUAL PRICE”（对偶价格）表示当对应约束有微小变动时, 目标函数的变化率。输出结果中对应于每一个约束有一个对偶价格。 若其数值为p， 表示对应约束中不等式右端项若增加1 个单位，目标函数将增加p个单位（max型问题）。显然，如果在最优解处约束正好取等号（也就是“紧约束”，也称为有效约束或起作用约束），对偶价格值才可能不是0。本例中：第3、4行是紧约束，对应的对偶价格值为10，表示当紧约束3) 4 DESKS + 2 TABLES + 1.5 CHAIRS &= 20变为 3) 4 DESKS + 2 TABLES + 1.5 CHAIRS &= 21时，目标函数值 = 280 +10 = 290。对第4行也类似。对于非紧约束（如本例中第2、5行是非紧约束），DUAL PRICE 的值为0, 表示对应约束中不等式右端项的微小扰动不影响目标函数。有时, 通过分析DUAL PRICE, 也可对产生不可行问题的原因有所了解。灵敏度分析的结果是Ranges in which the basis is unchanged:Objective Coefficient RangesCurrent Allowable AllowableVariable Coefficient Increase Decrease DESKS 60. 0.0TABLES 30. 0.0CHAIRS 20. 0.0Righthand Side RangesRow Current Allowable AllowableRHS Increase Decrease2 48. 0.03 20. 0.04 8..0 0.05 5..0 0.0目标函数中DESKS变量原来的费用系数为60，允许增加（Allowable Increase）=4、允许减少（Allowable Decrease）=2，说明当它在[60-4，60+20] = [56，80]范围变化时，最优基保持不变。对TABLES、CHAIRS变量，可以类似解释。由于此时约束没有变化（只是目标函数中某个费用系数发生变化），所以最优基保持不变的意思也就是最优解不变（当然，由于目标函数中费用系数发生了变化，所以最优值会变化）。第2行约束中右端项（Right Hand Side，简写为RHS）原来为48，当它在[48-24，48+∞] = [24，∞]范围变化时，最优基保持不变。第3、4、5行可以类似解释。不过由于此时约束发生变化，最优基即使不变，最优解、最优值也会发生变化。灵敏性分析结果表示的是最优基保持不变的系数范围。由此，也可以进一步确定当目标函数的费用系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。下面我们通过求解一个实际问题来进行说明。例5.2一奶制品加工厂用牛奶生产A1,A2两种奶制品，1桶牛奶可以在甲车间用12小时加工成3公斤A1，或者在乙车间用8小时加工成4公斤A2。根据市场需求，生产的A1,A2全部能售出，且每公斤A1获利24元，每公斤A2获利16元。现在加工厂每天能得到50桶牛奶的供应，每天正式工人总的劳动时间480小时，并且甲车间每天至多能加工100公斤A1，乙车间的加工能力没有限制。试为该厂制订一个生产计划，使每天获利最大，并进一步讨论以下3个附加问题：1） 若用35元可以买到1桶牛奶，应否作这项投资？若投资，每天最多购买多少桶牛奶？2） 若可以聘用临时工人以增加劳动时间，付给临时工人的工资最多是每小时几元？LINGO基本教程 12_lingo教程3） 由于市场需求变化，每公斤A1的获利增加到30元，应否改变生产计划？模型代码如下：max=72*x1+64*x2;x1+x2&=50;12*x1+8*x2&=480;3*x1&=100;求解这个模型并做灵敏性分析，结果如下。Global optimal solution found at iteration: 0Objective value: Variable Value Reduced CostX1 20.000X2 30.000Row Slack or Surplus Dual Price1 .0000002 0..000003 0..0000004 40.000Ranges in which the basis is unchanged:Objective Coefficient RangesCurrent Allowable AllowableVariable Coefficient Increase DecreaseX1 72.00 8. 64.000 16.00000 Righthand Side RangesRow Current Allowable Allowable RHS Increase Decrease 2 50.00 6. 480.33 80..0000 INFINITY 40.00000结果告诉我们：这个线性规划的最优解为x1=20，x2=30，最优值为z=3360，即用20桶牛奶生产A1, 30桶牛奶生产A2，可获最大利润3360元。输出中除了告诉我们问题的最优解和最优值以外，还有许多对分析结果有用的信息，下面结合题目中提出的3个附加问题给予说明。 3个约束条件的右端不妨看作3种“资源”：原料、劳动时间、车间甲的加工能力。输出中Slack or Surplus给出这3种资源在最优解下是否有剩余：原料、劳动时间的剩余均为零，车间甲尚余40（公斤）加工能力。目标函数可以看作“效益”，成为紧约束的“资源”一旦增加，“效益”必然跟着增长。输出中DUAL PRICES 给出这3种资源在最优解下“资源”增加1个单位时“效益”的增量：原料增加1个单位（1桶牛奶）时利润增长48（元），劳动时间增加1个单位（1小时）时利润增长2（元），而增加非紧约束车间甲的能力显然不会使利润增长。这里，“效益”的增量可以看作“资源”的潜在价值，经济学上称为影子价格，即1桶牛奶的影子价格为48元，1小时劳动的影子价格为2元，车间甲的影子价格为零。读者可以用直接求解的办法验证上面的结论，即将输入文件中原料约束milk）右端的50改为51，看看得到的最优值（利润）是否恰好增长48（元）。用影子价格的概念很容易回答附加问题1）：用35元可以买到1桶牛奶，低于1桶牛奶的影子价格48，当然应该作这项投资。回答附加问题2）：聘用临时工人以增加劳动时间，付给的工资低于劳动时间的影子价格才可以增加利润，所以工资最多是每小时2元。目标函数的系数发生变化时（假定约束条件不变），最优解和最优值会改变吗？这个问题不能简单地回答。上面输出给出了最优基不变条件下目标函数系数的允许变化范围：x1的系数为（72-8，72+24）=（64，96）；x2的系数为（64-16，64+8）=（48，72）。注意：x1系数的允许范围需要x2系数64不变，反之亦然。由于目标函数的费用系数变化并不影响约束条件，因此此时最优基不变可以保证最优解也不变，但最优值变化。用这个结果很容易回答附加问题3）：若每公斤A1的获利增加到30元，则x1系数变为30×3=90，在允许范围内，所以不应改变生产计划，但最优值变为90×20+64×30=3720。下面对“资源”的影子价格作进一步的分析。影子价格的作用（即在最优解下“资源”增加1个单位时“效益”的增量）是有限制的。每增加1桶牛奶利润增长48元（影子价格），但是，上9面输出的CURRENT RHS 的ALLOWABLE INCREASE 和 ALLOWABLE DECREASE 给出了影子价格有意义条件下约束右端的限制范围： milk）原料最多增加10（桶牛奶），time）劳动时间最多增加53（小时）。现在可以回答附加问题1）的第2问：虽然应该批准用35元买1桶牛奶的投资，但每天最多购买10桶牛奶。顺便地说，可以用低于每小时2元的工资聘用临时工人以增加劳动时间，但最多增加53.3333小时。需要注意的是：灵敏性分析给出的只是最优基保持不变的充分条件，而不一定是必要条件。比如对于上面的问题，“原料最多增加10（桶牛奶）”的含义只能是“原料增加10（桶牛奶）”时最优基保持不变，所以影子价格有意义，即利润的增加大于牛奶的投资。反过来，原料增加超过10（桶牛奶），影子价格是否一定没有意义？最优基是否一定改变？一般来说，这是不能从灵敏性分析报告中直接得到的。此时，应该重新用新数据求解规划模型，才能做出判断。所以，从正常理解的角度来看，我们上面回答“原料最多增加10（桶牛奶）”并不是完全科学的。5． 5． 模型通常形式．．．（Generate．．．）从LINGO菜单中选用“Generate．．．”命令或直接按Ctrl+G组合键可以创建当前模型的代数形式、LINGO模型或MPS格式文本。6． 6． 选项．．．（Options．．．）从LINGO菜单中选用“Options．．．”命令、单击“Options．．．”按钮或直接按Ctrl+I组合键可以改变一些影响LINGO模型求解时的参数。该命令将打开一个含有7个选项卡的窗口，你可以通过它修改LINGO系统的各种参数和选项。如上图。修改完以后，你如果单击“Apply（应用）”按钮，则新的设置马上生效；如果单击“OK（确定）”按钮，则新的设置马上生效，并且同时关闭该窗口。如果单击“Save（保存）”按钮，则将当前设置变为默认设置，下次启动LINGO时这些设置仍然有效。单击“Default（缺省值）”按钮，则恢复LINGO系统定义的原始默认设置（缺省设置）。LINGO基本教程 12_lingo教程31（6）Integer Solver（整数求解器）选项卡32（7）Global Solver（全局最优求解器）选项卡33345.4 窗口菜单（Windows Menu）1． 1． 命令行窗口（Open Command Window）从窗口菜单中选用“Open Command Window”命令或直接按Ctrl+1可以打开LINGO的命令行窗口。在命令行窗口中可以获得命令行界面，在“:”提示符后可以输入LINGO的命令行命令。2． 2． 状态窗口（Status Window）从窗口菜单中选用“Status Window”命令或直接按Ctrl+2可以打开LINGO的求解状态窗口。如果在编译期间没有表达错误，那么LINGO将调用适当的求解器来求解模型。当求解器开始运行时，它就会显示如下的求解器状态窗口（LINGO Solver Status）。求解器状态窗口对于监视求解器的进展和模型大小是有用的。求解器状态窗口提供了一个中断求解器按钮（Interrupt Solver），点击它会导致LINGO在下一次迭代时停止求解。在绝大多数情况，LINGO能够交还和报告到目前为止的最好解。一个例外是线性规划模型，返回的解是无意义的，应该被忽略。但这并不是一个问题，因为线性规划通常求解速度很快，很少需要中断。注意：在中断求解器后，必须小心解释当前解，因为这些解可能根本就不最优解、可能也不是可行解或者对线性规划模型来说就是无价值的。在中断求解器按钮的右边的是关闭按钮（Close）。点击它可以关闭求解器状态窗口，不过可在任何时间通过选择Windows|Status Window再重新打开。在中断求解器按钮的右边的是标记为更新时间间隔（updat Interval）的域。LINGO将根据该域指示的时间（以秒为单位）为周期更新求解器状态窗口。可以随意设置该域，不过若设置为0将导致更长的求解时间——LINGO花费在更新的时间会超过求解模型的时间。 35LINGO基本教程 12_lingo教程变量框（Variables）Total显示当前模型的全部变量数，Nonlinear显示其中的非线性变量数，Integers显示其中的整数变量数。非线性变量是指它至少处于某一个约束中的非线性关系中。例如，对约束X+Y=100;X和Y都是线性变量。对约束X*Y=100;X和Y的关系是二次的，所以X和Y都是非线性变量。对约束X*X+Y=100;X是二次方是非线性的，Y虽与X构成二次关系，但与X*X这个整体是一次的，因此Y是线性变量。被计数变量不包括LINGO确定为定值的变量。例如：X=1;X+Y=3;这里X是1，由此可得Y是2，所以X和Y都是定值，模型中的X和Y都用1和2代换掉。 约束（Constraints）框Total显示当前模型扩展后的全部约束数，Nonlinear显示其中的非线性约束数。非线性约束是该约束中至少有一个非线性变量。如果一个约束中的所有变量都是定值，那么该约束就被剔除出模型（该约束为真），不计入约束总数中。非零（Nonzeroes）框Total显示当前模型中全部非零系数的数目，Nonlinear显示其中的非线性变量系数的数目。内存使用（Generator Memory Used，单位：K）框显示当前模型在内存中使用的内存量。可以通过使用LINGO|Options命令修改模型的最大内存使用量。已运行时间（Elapsed Runtime）框显示求解模型到目前所用的时间，它可能受到系统中别的应用程序的影响。求解器状态（Solver Status）框扩展求解器状态（Extended Solver Status）框显示LINGO中几个特殊求解器的运行状态。包括分枝定界求解器（Branch-and- Bound Solver）、全局求解器（Global Solver）和多初始点求解器（Multistart Solver）。该框中的域仅当这些求解器运行时才会更新。域的含义如下。36其余几个命令都是对窗口的排列，这里不作介绍，试一试便知。5.5 帮助菜单(Help Menu)1． 1． 帮助主题（Help Menu）从帮助菜单中选用“Help Menu”可以打开LINGO的帮助文件。2． 2． 关于LINGO(about Lingo)关于当前LINGO的版本信息等。§6 LINGO的命令行命令以下将按类型列出在LINGO命令行窗口中使用的命令，每条命令后都附有简要的描述说明。在平台中，从的窗口菜单中选用“Command Window”命令或直接按Ctrl+1可以打开LINGO的命令行窗口，便可以在命令提示符“:”后输入以下命令。如果需要以下命令的详细描述说明，可以查阅LINGO的帮助。1． 1． LINGO信息Cat 显示所有命令类型Com 按类型显示所用LINGO命令Help 显示所需命令的简要帮助信息Mem 显示内存变量的信息2． 2． 输入(Input)model 以命令行方式输入一个模型take 执行一个文件的命令正本或从磁盘中读取某个模型文件3． 3． 显示(Display)look 显示当前模型的内容genl 产生LINGO兼容的模型gen 生成并显示整个模型hide 为模型设置密码保护pause 暂停屏幕输出直至再次使用此命令4． 4． 文件输出(File Ouput)div 将模型结果输出到文件svrt 将模型结果输出到屏幕save 将当前模型保存到文件smps 将当前模型保存为MPS文件5． 5． 求解模型(Solution)go 求解当前模型solu 显示当前模型的求解结果376． 6． 编辑模型(Problem Editing)del 从当前模型中删除指定的某一行或某两行之间(包括这两行)的所有行ext 在当前模型中添加几行alt 用新字符串替换掉某一行中、或某两行之间的所有行中的旧字符串7． 7． 退出系统(Quit)quit 退出LINGO系统8． 8． 系统参数(System Parameters)page 以“行”为单位设置每页长度ter 以简略方式输出结果ver 以详细方式输出结果wid 以“字符”为单位设置显示和输出宽度set 重新设置默认参数freeze 保存当前参数设置，以备下一次重新启动LINGO系统时还是这样的设置 time 显示本次系统的运行时间这里详细说明SET指令。凡是用户能够控制的LINGO系统参数，SET命令都能够对它进行设置。SET命令的使用格式为：SET parameter_name | parameter_index [ parameter_value ]，其中parameter_name是参数名，parameter_index是参数索引（编号），parameter _value是参数值。当不写出参数值时，则SET命令的功能是显示该参数当前的值。此外，“setdefault”命令用于将所有参数恢复为系统的默认值（缺省值）。这些设置如果不用383940LINGO基本教程 12_lingo教程§7 综合举例例7.1 求解非线性方程组22??x?y?2?22??2x?x?y?y?4其LINGO代码如下：model:x^2+y^2=2;2*x^2+x+y^2+y=4; end计算的部分结果为Feasible solution found at iteration: 0Variable Value X 0.4543360 Y 1.339247例7.2 装配线平衡模型 一条装配线含有一系列的工作站，在最终产品的加工过程中每个工作站执行一种或几种特定的任务。装配线周期是指所有工作站完成分配给它们各自的任务所化费时间中的最大值。平衡装配线的目标是为每个工作站分配加工任务，尽可能使每个工作站执行相同数量的任务，其最终标准是装配线周期最短。不适当的平衡装配线将会产生瓶颈——有较少任务的工作站将被迫等待其前面分配了较多任务的工作站。问题会因为众多任务间存在优先关系而变得更复杂，任务的分配必须服从这种优先关系。这个模型的目标是最小化装配线周期。有2类约束：① 要保证每件任务只能也必须分配至一个工作站来加工； ② 要保证满足任务间的所有优先关系。例 有11件任务（A—K）分配到4个工作站（1—4），任务的优先次序如下图。每件任务所花费的时间如下表。(A) (K)MODEL:!装配线平衡模型; SETS:!任务集合，有一个完成时间属性T; TASK/ A B C D E F G H I J K/: T;!任务之间的优先关系集合（A 必须完成才能开始B，等等）; PRED( TASK, TASK)/ A,B B,C C,F C,G F,J G,J J,K D,E E,H E,I H,J I,J /; ! 工作站集合; STATION/1..4/;TXS( TASK, STATION): X;! X是派生集合TXS的一个属性。如果X（I，K）＝1，则表示第I个任务 指派给第K个工作站完成; ENDSETS data:!任务A B C D E F G H I J K的完成时间估计如下; T = 45 11 9 50 15 12 12 12 12 8 9; ENDDATA! 当任务超过15个时，模型的求解将变得很慢;!每一个作业必须指派到一个工作站，即满足约束①;@FOR( TASK( I): @SUM( STATION( K): X( I, K)) = 1);!对于每一个存在优先关系的作业对来说，前者对应的工作站I必须小于后 者对应的工作站J，即满足约束②;@FOR( PRED( I, J): @SUM( STATION( K): K * X( J, K) - K * X( I, K)) &= 0); !对于每一个工作站来说，其花费时间必须不大于装配线周期; @FOR( STATION( K):@SUM( TXS( I, K): T( I) * X( I, K)) &= CYCTIME); !目标函数是最小化转配线周期; MIN = CYCTIME;!指定X(I,J) 为0/1变量; @FOR( TXS: @BIN( X)); END计算的部分结果为Global optimal solution found at iteration: 1255 Objective value: 50.00000Variable Value Reduced Cost CYCTIME 50.000 X( A, 1) 1..000000 X( A, 2) 0..000000 X( A, 3) 0..00000 X( A, 4) 0..000000 X( B, 1) 0..000000 X( B, 2) 0..000000 X( B, 3) 1..00000 X( B, 4) 0..000000X( C, 1) 0..000000 X( C, 2) 0..000000 X( C, 3) 0..000000 X( C, 4) 1..000000 X( D, 1) 0..000000 X( D, 2) 1..000000 X( D, 3) 0..00000 X( D, 4) 0..000000 X( E, 1) 0..000000 X( E, 2) 0..000000 X( E, 3) 1..00000 X( E, 4) 0..000000 X( F, 1) 0..000000 X( F, 2) 0..000000 X( F, 3) 0..00000 X( F, 4) 1..000000 X( G, 1) 0..000000 X( G, 2) 0..000000 X( G, 3) 0..00000 X( G, 4) 1..000000 X( H, 1) 0..000000 X( H, 2) 0..000000 X( H, 3) 1..00000 X( H, 4) 0..000000 X( I, 1) 0..000000 X( I, 2) 0..000000 X( I, 3) 1..00000 X( I, 4) 0..000000 X( J, 1) 0..000000 X( J, 2) 0..000000 X( J, 3) 0..000000 X( J, 4) 1..000000 X( K, 1) 0..000000 X( K, 2) 0..000000 X( K, 3) 0..000000 X( K, 4) 1..000000例7.3 旅行售货员问题（又称货郎担问题，Traveling Salesman Problem） 有一个推销员，从城市1出发，要遍访城市2，3，?，n各一次，最后返回城市1。已知从城市i到j的旅费为ij，问他应按怎样的次序访问这些城市，使得总旅费最少？可以用多种方法把TSP表示成整数规划模型。这里介绍的一种建立模型的方法，是把该问题的每个解（不一定是最优的）看作是一次“巡回”。在下述意义下，引入一些0-1整数变量：?1，巡回路线是从i到j,且i?j??xij?0，其它情况n 其目标只是使i,j?1c?cijxij为最小。这里有两个明显的必须满足的条件：访问城市i后必须要有一个即将访问的确切城市；访问城市j前必须要有一个刚刚访问过的确切城市。用下面的两组约束分别实现上面的两个条件。?xj?1nij?1,?1,i?1,2,?,n?xi?1nijj?1,2,?,n到此我们得到了一个模型，它是一个指派问题的整数规划模型。但以上两个条件对于TSP来说并不充分，仅仅是必要条件。例如：25 的解，它存在两个子巡回。 以上两个条件都满足，但它显然不是这里，我们将叙述一种在原模型上附加充分的约束条件以避免产生子巡回的方法。把额外变量ui(i?2,3,?,n)附加到问题中。可把这些变量看作是连续的（最然这些变量在最ui?uj?nxij?n?1,2?i?j?n。优解中取普通的整数值）。现在附加下面形式的约束条件为了证明该约束条件有预期的效果，必须证明：（1）任何含子巡回的路线都不满足该约束条件；（2）全部巡回都满足该约束条件。首先证明（1），用反证法。假设还存在子巡回，也就是说至少有两个子巡回。那么至少存在一个子巡回中不含城市1。把该子巡回记为i1i2?iki1，则必有ui1?ui2?n?n?1ui21?ui3?n?n?1?uik?ui1?n?n?1把这k个式子相加，有n?n?1，矛盾！故假设不正确，结论（1）得证。下面证明（2），采用构造法。对于任意的总巡回因此，1i1?in?11，可取ui?访问城市i的顺序数，取值范围为{0,1,?,n?2}。ui?uj?n?2,2?i?j?n。下面来证明总巡回满足该约束条件。(ⅰ)总巡回上的边?ui1?ui2?n?n?1?n?1??ui2?ui3?n?n?1?n?1????u?u?n?n?1?n?1in?1?in?2（ⅱ）非总巡回上的边??uir?uj?n?2?n?1,r?1,2,?,n?2,j?{2,3,?,n}?{ir,ir?1}???uin?1?uj?n?2?n?1,j?{2,3,?,n}?{ir}从而结论（2）得证。这样我们把TSP转化成了一个混合整数线性规划问题。n??minz??cijxiji,j?1?i?j?n?j?1,2,?,n?s.t.?xij?1,i?1?n?xij?1,i?1,2,?,n??j?1??ui?uj?nxij?n?1,2?i?j?n?xij?0,1,i,j?1,2,?,n??ui?0,i?2,3,?,n?显然，当城市个数较大（大于30）时，该混合整数线性规划问题的规模会很大，从而给求解带来很大问题。TSP已被证明是NP难问题，目前还没有发现多项式时间的算法。对于小规模问题，我们求解这个混合整数线性规划问题的方式还是有效的。TSP是一个重要的组合优化问题，除了有直观的应用外，许多其它看似无联系的优化问题也可转化为TSP。例如：问题1 现需在一台机器上加工n个零件（如烧瓷器），这些零件可按任意先后顺序在机器上加工。我们希望加工完成所有零件的总时间尽可能少。由于加工工艺的要求，加工零件sj时机器必须处于相应状态sj（如炉温）。设起始未加工任何零件时机器处于状态0，且当s(j?i)css所有零件加工完成后需恢复到0状态。已知从状态i调整到状态j需要时间ij。pjj零件本身加工时间为。为方便起见，引入一个虚零件0，其加工时间为0，要求状态为s0，则{0，1，2，?，n}的一个圈置换π就表示对所有零件的一个加工顺序，在此置换下，完成所有加工所需要的总时间为 ni?0n?(c?i(i)?p?(i))??ci?(i)??pj.i?0j?0nn由于?pj?0j是一个常数，故该零件的加工顺序问题变成TSP。!旅行售货员问题;model: sets:city / 1.. 5/: link( city, city): dist, ! 距离矩阵; endsetsn = @size( city);data: !距离矩阵，它并不需要是对称的;dist = @qrand(1); !随机产生，这里可改为你要解决的问题的数据; enddata!目标函数;min = @sum( link: dist * x);@FOR( city( K): !进入城市K;@sum( city( I)| I #ne# K: x( I, K)) = 1;!离开城市K;@sum( city( J)| J #ne# K: x( K, J)) = 1; );LINGO基本教程 12_lingo教程!保证不出现子圈;@for(city(I)|I #gt# 1:@for( city( J)| J#gt#1 #and# I #ne# J:u(I)-u(J)+n*x(I,J)&=n-1););!限制u的范围以加速模型的求解，保证所加限制并不排除掉TSP问题的最优解;@for(city(I) | I #gt# 1: u(I)&=n-2 );!定义X为0\1变量;@for( link: @bin( x));end计算的部分结果为：Global optimal solution found at iteration: 77Objective value: 1.692489Variable Value Reduced CostN 5..000000U( 1) 0..000000U( 2) 1..000000U( 3) 3..000000U( 4) 2..000000U( 5) 0..000000DIST( 1, 1) 0..000000DIST( 1, 2) 0..000000DIST( 1, 3) 0..000000DIST( 1, 4) 0..000000DIST( 1, 5) 0..000000DIST( 2, 1) 0..000000DIST( 2, 2) 0..000000DIST( 2, 3) 0..000000DIST( 2, 4) 0..000000DIST( 2, 5) 0..000000DIST( 3, 1) 0. 0.000000DIST( 3, 2) 0..000000DIST( 3, 3) 0..000000DIST( 3, 4) 0..000000DIST( 3, 5) 0..000000DIST( 4, 1) 0..000000DIST( 4, 2) 0..000000DIST( 4, 3) 0..000000DIST( 4, 4) 0..000000DIST( 4, 5) 0..000000DIST( 5, 1) 0..000000DIST( 5, 2) 0..000000DIST( 5, 3) 0..000000DIST( 5, 4) 0..000000DIST( 5, 5) 0..000000X( 1, 1) 0..4491774X( 1, 2) 0..2724506X( 1, 3) 0..1240430X( 1, 4) 0..9246848X( 1, 5) 1..4021706X( 2, 1) 0..7091469X( 2, 2) 0..1685199X( 2, 3) 0..8989646X( 2, 4) 1..2502747X( 2, 5) 0..8947571X( 3, 1) 1.. X( 3, 2) 0..6020591X( 3, 3) 0..3380884X( 3, 4) 0..6813164X( 3, 5) 0..2236271X( 4, 1) 0..9762987X( 4, 2) 0..8866343X( 4, 3) 1..7139008X( 4, 4) 0..2288770X( 4, 5) 0..7134250X( 5, 1) 0..8524679X( 5, 2) 1..2396538X( 5, 3) 0..5735525X( 5, 4) 0..1403314X( 5, 5) 0..6919708例7.4 最短路问题 给定N个点到另一点pj的距离用cij表示，如果pi(i?1,2,?,N)组成集合{pi}，p由集合中任一点ipjcij???pi到没有弧联结，则规定，又规定cii?0(1?i?N)，指定一个终点pN，要求从pi点出发到pN的最短路线。这里我们用动ppp态规划方法来做。用所在的点i表示状态，决策集合就是除i以外的点，选定一个点j以cijpjpN后，得到效益并转入新状态，当状态是段决策过程。 时，过程停止。显然这是一个不定期多阶pp定义f(i)是由i点出发至终点N的最短路程，由最优化原理可得这是一个函数方程，用LINGO可以方便的解决。!最短路问题;model:data:n=10;enddatasets:cities/1..n/: F; !10个城市;roads(cities,cities)/1,2 1,32,4 2,5 2,63,4 3,5 3,64,7 4,85,7 5,8 5,96,8 6,97,108,109,10/: D, P;endsetsdata:D=6 53 6 97 5 119 18 7 54 10579;enddata{cij?f(j)},i?1,2,?,N?1??f(i)?minj???f(N)?0F(n)=0;@for(cities(i) | i #lt# n:F(i)=@min(roads(i,j): D(i,j)+F(j)););!显然，如果P(i,j)=1,则点i到点n的最短路径的第一步是i --& j，否则就不是。 由此，我们就可方便的确定出最短路径;@for(roads(i,j):P(i,j)=@if(F(i) #eq# D(i,j)+F(j),1,0));end计算的部分结果为：Feasible solution found at iteration: 0Variable ValueN 10.00000F( 1) 17.00000F( 2) 11.00000F( 3) 15.00000F( 4) 8.000000F( 5) 13.00000F( 6) 11.00000F( 7) 5.000000F( 8) 7.000000F( 9) 9.000000F( 10) 0.000000P( 1, 2) 1.000000P( 1, 3) 0.000000P( 2, 4) 1.000000P( 2, 5) 0.000000P( 2, 6) 0.000000P( 3, 4) 1.000000P( 3, 5) 0.000000P( 3, 6) 0.000000P( 4, 7) 0.000000P( 4, 8) 1.000000P( 5, 7) 1.000000P( 5, 8) 0.000000P( 5, 9) 0.000000P( 6, 8) 1.000000P( 6, 9) 0.000000P( 7, 10) 1.000000P( 8, 10) 1.000000P( 9, 10) 1.000000例7.5 露天矿生产的车辆安排（CMCM2003B）钢铁工业是国家工业的基础之一，铁矿是钢铁工业的主要原料基地。许多现代化铁矿是露天开采的，它的生产主要是由电动铲车（以下简称电铲）装车、电动轮自卸卡车（以下简称卡车）运输来完成。提高这些大型设备的利用率是增加露天矿经济效益的首要任务。露天矿里有若干个爆破生成的石料堆，每堆称为一个铲位，每个铲位已预先根据铁含量将石料分成矿石和岩石。一般来说，平均铁含量不低于25%的为矿石，否则为岩石。每个铲位的矿石、岩石数量，以及矿石的平均铁含量（称为品位）都是已知的。每个铲位至多能安置一台电铲，电铲的平均装车时间为5分钟。卸货地点（以下简称卸点）有卸矿石的矿石漏、2个铁路倒装场（以下简称倒装场）和卸岩石的岩石漏、岩场等，每个卸点都有各自的产量要求。从保护国家资源的角度及矿山的经济效益考虑，应该尽量把矿石按矿石卸点需要的铁含量（假设要求都为29.5%?1%，称为品位限制）搭配起来送到卸点，搭配的量在一个班次（8小时）内满足品位限制即可。从长远看，卸点可以移动，但一个班次内不变。卡车的平均卸车时间为3分钟。所用卡车载重量为154吨，平均时速28h。卡车的耗油量很大，每个班次每台车消耗近1吨柴油。发动机点火时需要消耗相当多的电瓶能量，故一个班次中只在开始工作时点火一次。卡车在等待时所耗费的能量也是相当可观的，原则上在安排时不应发生卡车等待的情况。电铲和卸点都不能同时为两辆及两辆以上卡车服务。卡车每次都是满载运输。每个铲位到每个卸点的道路都是专用的宽60m的双向车道，不会出现堵车现象，每段道路的里程都是已知的。一个班次的生产计划应该包含以下内容：出动几台电铲，分别在哪些铲位上；出动几辆卡车，分别在哪些路线上各运输多少次（因为随机因素影响，装卸时间与运输时间都不精确，所以排时计划无效，只求出各条路线上的卡车数及安排即可）。一个合格的计划要在卡车不等待条件下满足产量和质量（品位）要求，而一个好的计划还应该考虑下面两条原则之一：1.总运量（吨公里）最小，同时出动最少的卡车，从而运输成本最小；2.利用现有车辆运输，获得最大的产量（岩石产量优先；在产量相同的情况下，取总运量最小的解）。请你就两条原则分别建立数学模型，并给出一个班次生产计划的快速算法。针对下面的实例，给出具体的生产计划、相应的总运量及岩石和矿石产量。某露天矿有铲位10个，卸点5个，现有铲车7台，卡车20辆。各卸点一个班次的产量要求：矿石漏1.2万吨、倒装场Ⅰ1.3万吨、倒装场Ⅱ1.3万吨、岩石漏1.9万吨、岩场1.3万吨。model:title CUMCM-2003B-01;sets:cai / 1..10 /:crate,cnum,cy,ck,xie / 1 .. 5 /:xsubject,link( xie,cai ):distance,lsubject,number,che,b;endsetsdata:crate=30 28 29 32 31 33 32 31 33 31;xsubject= 1.2 1.3 1.3 1.9 1.3 ;distance= 5.26 5.19 4.21 4.00 2.95 2.74 2.46 1.90 0.64 1.271.90 0.99 1.90 1.13 1.27 2.25 1.48 2.04 3.09 3.515.89 5.61 5.61 4.56 3.51 3.65 2.46 2.46 1.06 0.57 0.64 1.76 1.27 1.83 2.74 2.60 4.21 3.72 5.05 6.104.42 3.86 3.72 3.16 2.25 2.81 0.78 1.62 1.27 0.50; cy = 1.25 1.10 1.35 1.05 1.15 1.35 1.05 1.15 1.35 1.25; ck = 0.95 1.05 1.00 1.05 1.10 1.25 1.05 1.30 1.35 1.25; enddata!目标函数;min=@sum( cai (i):@sum ( xie (j):number (j,i)*154*distance (j,i)));!max =@sum(link(i,j):number(i,j));!max=xnum (3)+xnum (4)+xnum (1)+xnum (2)+xnum(5);!min=@sum( cai (i):! @sum ( xie (j):! number (j,i)*154*distance (j,i)));!xnum (1)+xnum (2)+xnum(5)=340;!xnum (1)+xnum (2)+xnum(5)=341;!xnum (3)=160;!xnum (4)=160;LINGO基本教程 12_lingo教程!卡车每一条路线上最多可以运行的次数;@for (link (i,j):b(i,j)=@floor((8*60-(@floor((distance(i,j)/28*60*2+3+5)/5)-1)*5)/(distance(i,j)/28*60*2+3+5)));!b(i,j)=@floor(8*60/(distance(i,j)/28*60*2+3+5)));!t(i,j)=@floor((distance(i,j)/28*60*2+3+5)/5);!b(i,j)=@floor((8*60-(@floor((distance(i,j)/28*60*2+3+5)/5))*5)/(distance(i,j)/28*60*2+3+5)));!每一条路线上的最大总车次的计算;@for( link (i,j):lsubject(i,j)=(@floor((distance(i,j)/28*60*2+3+5)/5))*b(i,j)); !计算各个铲位的总产量;@for (cai(j):cnum(j)=@sum(xie(i):number(i,j)));!计算各个卸点的总产量;@for (xie(i):xnum(i)=@sum(cai(j):number(i,j)));!道路能力约束;@for (link (i,j):number(i,j)&=lsubject(i,j));!电铲能力约束;@for (cai (j) :cnum(j) &= flag(j)*8*60/5 );!电铲数量约束 ---- added by Xie Jinxing, ;@sum(cai(j): flag(j) ) &=7;!卸点能力约束;@for (xie (i):xnum (i)&=8*20);!铲位产量约束;@for (cai (i):number(1,i)+number(2,i)+number(5,i)&=ck(i)*);@for (cai (i): number(3,i)+number(4,i)&=cy(i)*); !产量任务约束;@for (xie (i):xnum (i)&= xsubject (i)*);!铁含量约束;@sum(cai (j):number(1,j)*(crate(j)-30.5) )&=0;@sum(cai (j):number(2,j)*(crate(j)-30.5) )&=0;@sum(cai (j):number(5,j)*(crate(j)-30.5) )&=0;@sum(cai (j):number(1,j)*(crate(j)-28.5) )&=0;@sum(cai (j):number(2,j)*(crate(j)-28.5) )&=0;@sum(cai (j):number(5,j)*(crate(j)-28.5) )&=0;!关于车辆的具体分配;@for (link (i,j):che (i,j)=number (i,j)/b(i,j));!各个路线所需卡车数简单加和;hehe=@sum (link (i,j): che (i,j));!整数约束;@for (link (i,j): @gin(number (i,j)));@for (cai (j): @bin(flag (j)));!车辆能力约束;hehe&=20;ccnum=@sum(cai (j): cnum(j) );end例7.6 最小生成树（Minimal Spanning Tree，MST）问题求解最小生成树的方法虽然很多，但是利用LINGO建立相应的整数规划模型是一种新的尝试。这对于处理非标准的MST问题非常方便。我们主要参考了文[7]。在图论中，称无圈的连通图为树。在一个连通图G中，称包含图G全部顶点的树为图G的生成树。生成树上各边的权之和称为该生成树的权。连通图G的权最小的生成树称为图G的最小生成树。许多实际问题都可以归结为最小生成树。例如,如何修筑一些公路把若干个城镇连接起来；如何架设通讯网络将若干个地区连接起来；如何修筑水渠将水源和若干块待灌溉的土地连接起来等等。为了说明问题,以下面的问题作为范例。范例：假设某电话公司计划在六个村庄架设电话线，各村庄之间的距离如图所示。试求出使电话线总长度最小的架线方案。为了便于计算机求解，特作如下规定：（1）节点V1表示树根；（2）当两个节点之间没有线路时，规定两个节点之间的距离为M（较大的值）。MST的整数规划模型如下：例7.7 分配问题（指派问题，Assignment Problem）这是个给n个人分配n项工作以获得某个最高总效果的问题。第i个人完成第j项工作需要平均时间cij。要求给每个人分配一项工作，并要求分配完这些工作，以使完成全部任nn??min??cijxiji?1j?1??s.t.?n?xij?1,j?1,2,?,n??i?1?n?xij?1,i?1,2,?,n??j?1??xij?0,1? 务的总时间为最小。该问题可表示如下：显然，此问题可看作是运输问题的特殊情况。可将此问题看作具有n个源和n个汇的问题，每个源有1单位的可获量，而每个汇有1单位的需要量。从表面看，这问题要求用整数规划以保证xij能取0或1。然而，幸运的是，此问题是运输问题的特例，因此即使不限制xij取0或1，最优解也将取0或1。如果把婚姻看作分配问题，丹茨证明，整数性质证明一夫一妻会带来最美满幸福的生活！显然，分配问题可以作为线性规划问题来求解，尽管模型可能很大。例如，给100人分配100项工作将使所得的模型具有10000个变量。这时，如采用3专门算法效果会更好。时间复杂度为O(n)的匈牙利算法便是好选择，这是由Kuhu（1955）提出的。model:!7个工人，7个工作的分配问题;sets:workers/w1..w7/;jobs/j1..j7/;links(workers,jobs): cost,endsets!目标函数;min=@sum(links: cost*volume);!每个工人只能有一份工作;@for(workers(I):@sum(jobs(J): volume(I,J))=1;);!每份工作只能有一个工人;@for(jobs(J):@sum(workers(I): volume(I,J))=1;);data:cost= 6 2 6 7 4 2 54 9 5 3 8 5 85 2 1 9 7 4 37 6 7 3 9 2 72 3 9 5 7 2 65 5 2 2 8 11 49 2 3 12 4 5 10;enddataend计算的部分结果为：Global optimal solution found at iteration: 14Objective value: 18.00000Variable Value Reduced CostVOLUME( W1, J1) 0..000000VOLUME( W1, J2) 0..000000VOLUME( W1, J3) 0..000000VOLUME( W1, J4) 0..000000VOLUME( W1, J5) 1..000000VOLUME( W1, J6) 0..000000VOLUME( W1, J7) 0..000000VOLUME( W2, J1) 0..000000VOLUME( W2, J2) 0..000000VOLUME( W2, J3) 0..000000VOLUME( W2, J4) 1..000000VOLUME( W2, J5) 0..000000VOLUME( W2, J6) 0..000000VOLUME( W2, J7) 0..000000VOLUME( W3, J1) 0..000000VOLUME( W3, J2) 0..000000VOLUME( W3, J3) 0..000000VOLUME( W3, J4) 0..000000VOLUME( W3, J5) 0..000000VOLUME( W3, J6) 0..000000VOLUME( W3, J7) 1..000000VOLUME( W4, J1) 0..000000VOLUME( W4, J2) 0..000000VOLUME( W4, J3) 0..000000VOLUME( W4, J4) 0..000000 VOLUME( W4, J5) 0..000000 VOLUME( W4, J6) 1..000000 VOLUME( W4, J7) 0..000000 VOLUME( W5, J1) 1..000000 VOLUME( W5, J2) 0..000000 VOLUME( W5, J3) 0..000000 VOLUME( W5, J4) 0..000000 VOLUME( W5, J5) 0..000000 VOLUME( W5, J6) 0..000000 VOLUME( W5, J7) 0..000000 VOLUME( W6, J1) 0..000000 VOLUME( W6, J2) 0..000000 VOLUME( W6, J3) 1..000000 VOLUME( W6, J4) 0..000000 VOLUME( W6, J5) 0..000000 VOLUME( W6, J6) 0..00000 VOLUME( W6, J7) 0..000000 VOLUME( W7, J1) 0..000000 VOLUME( W7, J2) 1..000000 VOLUME( W7, J3) 0..000000 VOLUME( W7, J4) 0..000000 VOLUME( W7, J5) 0..000000 VOLUME( W7, J6) 0..000000 VOLUME( W7, J7) 0..000000例7.8 二次分配问题（Quadratic Assignment Problem）这个问题是指派问题的一种推广。可以把指派问题看作线性规划问题，故较易求解，而二次分配问题是纯整数规划问题，往往很难求解。与分配问题一样，二次分配问题也与两个目标集合S、T有关。S和T含有相同数目的元素，以便达到某一目标。这里两种必须满足的条件：必须把S的每个元素确切地分配给T的一个元素；T的每个元素只能接受S的一个元素。可引入0-1变量：?1,xij???0,把（iS的一个元素）分配给（jT的一个元素）其它n。 用和分配问题相同的约束条件给出以上两个条件： ?xj?1nij?1,?1,i?1,2,?,nj?1,2,?,n， ?xi?1ij但是本问题的目标比分配问题的更加复杂。我们得到的价格系数素）所应承担的费用。显然，只有当cijkl，其解释是：在i（S的一个元素）分配给j（T的一个元素）的同时把k（S的一个元素）分配给l（T的一个元xij?1且xkl?1，即其乘积xijxkl?1时，才承担这种ijkl费用。于是本目标变成一个0-1变量的二次表达式： nnnn????ci?1j?1k?1l?1xijxkl。最常见的是系数cijkl从其它系数tik和djl的乘积推出来的情况：cijkl?tikdjl。为了弄清这个相当复杂的模型，研究下面两个应用是有好处的。首先认为S是一个n个工厂的集合，T是一个n个城市的集合。本问题就是要在每一城市中设置一个工厂，并要使工厂之间总的通讯费用最小。通讯费用取决于（1）每对工厂之间通讯的次数；（2）每对工厂所在两个城市之间的距离。显然，有些工厂很少与别的工厂通讯，虽相距甚远而费用却不大。另一方面，有些工厂