LinGo:装货问题——线性规划,整数规划,1988年美国数模B题

7种规格的包装箱要装有两辆铁路平板车上去，包装箱的宽和高相同，但厚度（t,以cm计）和重量（以kg计）不同，

表A-1给出了每包装箱的厚度、重量和数量，每辆车有10.2m长的地方用来装包装箱（像面包片那样），车的载重为40吨，

对C₅、C₆、C₇、规格的包装箱的总数有一个特殊的限制：这些规格箱子所占的空间（厚度）不能超过302.7cm。

试把包装箱装到两辆平板车上去（图A-6）使得浪费的空间最小。

表A-1 每种包装箱的厚度、重量和数量

C₁

C₂

C₃

C₄

C₅

C₆

C₇

t(cm)

w(kg)

48.7

2000

52.0

3000

61.3

1000

72.0

500

48.7

4000

52.0

2000

64.0

1000

解：

一.设决策变量：

　　 X_ij表示第i辆平板车放j类包装箱X_ij件

t_j为第j个包装箱的厚度(cm)

w_j为第j个包装箱的重量(kg)

n_j表示第j个包装箱的数量

二.分析约束条件

1. 两辆车上的各种包装箱数量必须小于等于各类包装箱的总数

2.每辆车上的载重必须小于等于400000kg

3.每辆车上包装箱的长度必须小于等于1020cm

4. C₅、C₆、C₇、规格的包装箱的总厚度不能超过302.7cm

5.包装箱的件数必须是整数

@for(link(i,j) : @gin(x(i,j)));

三.目标函数

[OBJ] min = 2040 - @sum(link(i,j) : x(i,j)*t(j));

四.LinGo代码

model:

sets:

    row/../;

    col/../ : t, w, n;

    link(row, col) : x;

endsets

data:

    t = 48.7, 52.0, 61.3, 72.0, 48.7, 52.0, 64.0;

    w = , , , , , , ;

    n = , , , , , , ;

enddata

@for(col(j) : @sum(row(i) : x(i,j)) <= n(j));

@for(row(i) : @sum(col(j) : x(i,j)*w(j)) <= );

@for(row(i) : @sum(col(j) : x(i,j)*t(j)) <= );

@sum(row(i) : @sum(col(j) | j#ge# : x(i,j) * t(j) )) <= 302.7;

@for(link(i,j) : @gin(x(i,j)));

[OBJ] min = 2040 - @sum(link(i,j) : x(i,j)*t(j));

end

五.LinGo运算结果

Global optimal solution found.
Objective value:                             0.6000000
Objective bound:                             0.6000000
Infeasibilities:                              0.000000
Extended solver steps:                            9342
Total solver iterations:                         40250

Variable           Value        Reduced Cost
                          T( 1)        48.70000            0.000000
                          T( 2)        52.00000            0.000000
                          T( 3)        61.30000            0.000000
                          T( 4)        72.00000            0.000000
                          T( 5)        48.70000            0.000000
                          T( 6)        52.00000            0.000000
                          T( 7)        64.00000            0.000000
                          W( 1)        2000.000            0.000000
                          W( 2)        3000.000            0.000000
                          W( 3)        1000.000            0.000000
                          W( 4)        500.0000            0.000000
                          W( 5)        4000.000            0.000000
                          W( 6)        2000.000            0.000000
                          W( 7)        1000.000            0.000000
                          N( 1)        8.000000            0.000000
                          N( 2)        7.000000            0.000000
                          N( 3)        9.000000            0.000000
                          N( 4)        6.000000            0.000000
                          N( 5)        6.000000            0.000000
                          N( 6)        4.000000            0.000000
                          N( 7)        8.000000            0.000000
                       X( 1, 1)        8.000000           -48.70000
                       X( 1, 2)        1.000000           -52.00000
                       X( 1, 3)        0.000000           -61.30000
                       X( 1, 4)        6.000000           -72.00000
                       X( 1, 5)        3.000000           -48.70000
                       X( 1, 6)        0.000000           -52.00000
                       X( 1, 7)        0.000000           -64.00000
                       X( 2, 1)        0.000000           -48.70000
                       X( 2, 2)        6.000000           -52.00000
                       X( 2, 3)        9.000000           -61.30000
                       X( 2, 4)        0.000000           -72.00000
                       X( 2, 5)        0.000000           -48.70000
                       X( 2, 6)        3.000000           -52.00000
                       X( 2, 7)        0.000000           -64.00000

Row    Slack or Surplus      Dual Price
                              1        0.000000            0.000000
                              2        0.000000            0.000000
                              3        0.000000            0.000000
                              4        0.000000            0.000000
                              5        3.000000            0.000000
                              6        1.000000            0.000000
                              7        8.000000            0.000000
                              8        366000.0            0.000000
                              9        367000.0            0.000000
                             10       0.3000000            0.000000
                             11       0.3000000            0.000000
                             12       0.6000000            0.000000
                            OBJ       0.6000000           -1.000000

结论：

浪费空间最小为：0.6cm

　　　　C1　　C2　　C3　　C4　　C5　　C6　　C7

第一辆　8　　 1　　 0 　　 6　　 3　　 0 　　 0

第二辆 0　　 6 　　 9　　 0　　 0　　 3　　 0

LinGo:装货问题——线性规划,整数规划,1988年美国数模B题的更多相关文章

Python数模笔记-Scipy库（1）线性规划问题
1.最优化问题建模最优化问题的三要素是决策变量.目标函数和约束条件. (1)分析影响结果的因素是什么,确定决策变量 (2)决策变量与优化目标的关系是什么,确定目标函数 (3)决策变量所受的限制条件是 ...
LinGo:疏散问题——线性规划,0-1规划
个部门(A.B.C.D.E)组成.现要将它的几个部门迁出甲市,迁至乙市或丙市. (每个城市最多接纳三个部门) 除去因政府鼓励这样做以外,还有用房便宜,招工方便等好处.对这些好处已作出数量估计,其值如下 ...
LinGo:投资问题——线性规划
一.根据题目所给数据,建立一张表格方便查看项目A 项目B 项目C 项目D 可投资年 1,2,3,4 3 2 1,2,3,4,5 收回本利年次年年末第5年第5年当年年末本利 1.06 1.1 ...
Python数模笔记-PuLP库（1）线性规划入门
1.什么是线性规划线性规划(Linear programming),在线性等式或不等式约束条件下求解线性目标函数的极值问题,常用于解决资源分配.生产调度和混合问题.例如: max fx = 2*x1 ...
数模常用算法系列Matlab实现-----线性规划
线性规划的 Matlab 标准形式线性规划的目标函数可以是求最大值,也可以是求最小值,约束条件的不等号可以是小于号也可以是大于号.为了避免这种形式多样性带来的不便,Matlab 中规定线性规划的标 ...
Python数模笔记-PuLP库（2）线性规划进阶
1.基于字典的创建规划问题上篇中介绍了使用 LpVariable 对逐一定义每个决策变量,设定名称.类型和上下界,类似地对约束条件也需要逐一设置模型参数.在大规模的规划问题中,这样逐个定义变量和设置 ...
模拟退火算法Python编程（3）整数规划问题
1.整数规划问题整数规划问题在工业.经济.国防.医疗等各行各业应用十分广泛,是指规划中的变量(全部或部分)限制为整数,属于离散优化问题(Discrete Optimization). 线性规划问题的 ...
Python小白的数学建模课-03.线性规划
线性规划是很多数模培训讲的第一个算法,算法很简单,思想很深刻. 要通过线性规划问题,理解如何学习数学建模.如何选择编程算法. 『Python小白的数学建模课 @ Youcans』带你从数模小白成为国赛 ...
Python小白的数学建模课-04.整数规划
整数规划与线性规划的差别只是变量的整数约束. 问题区别一点点,难度相差千万里. 选择简单通用的编程方案,让求解器去处理吧. 『Python小白的数学建模课 @ Youcans』带你从数模小白成为国赛达 ...

随机推荐

JVM中java类的加载时机（转载：http://blog.csdn.net/chenleixing/article/details/47099725）
Java虚拟机把描述类的数据从Class文件加载到内存,并对数据进行校验.转换解析和初始化,最终形成可以被虚拟机直接使用的Java类型,这就是虚拟机的加载机制.类从被加载到虚拟机内存中开始,到卸载出内 ...
Android（java）学习笔记232：Android进程间通讯（IPC）之AIDL
一.IPC inter process communication 进程间通讯二.AIDL android interface defination language 安卓接口定义语言满 ...
WIN10FTP服务器搭建
在WIN10上搭建FTP服务器先建立两个文件夹,区分上传和下载,做测试用然后在管理--服务界面新建一个用户用户目录下创建一个用户因为服务应用程序里面没有IIS,所以我们打开控制面板里面的程序 ...
HTML之Data URL（转）
Data URL给了我们一种很巧妙的将图片“嵌入”到HTML中的方法.跟传统的用img标记将服务器上的图片引用到页面中的方式不一样,在Data URL协议中,图片被转换成base64编码的字符串形式, ...
asp.net中@page 指令的属性Inherits、Src、CodeBehind区别
在 ASP.NET 中使用代码隐藏方法来设计Web 窗体,可使页代码能够更清晰地从 HTML 内容中分离到完全单独的文件中. <%@ Page language="c#" C ...
开源的Android开发框架-------PowerFramework使用心得（三）内置浏览器BrowserActivity
使用内置浏览器必须是引用源码的方式(因为jar中不能打包布局文件等资源).内置浏览器是一个继承自BaseActivity的普通Activity,使用WebView实现. 1.简单的打开内置浏览器 In ...
iOS开发之Quartz2D详解
1. 什么是Quartz2D? Quartz 2D是一个二维绘图引擎,同时支持iOS和Mac系统 Quartz 2D能完成的工作绘制图形 : 线条\三角形\矩形\圆\弧等绘制文字绘制\生成图片( ...
<address>标签，为网页加入地址信息
一般网页中会有一些网站的联系地址信息需要在网页中展示出来,这些联系地址信息如公司的地址就可以<address>标签.也可以定义一个地址(比如电子邮件地址).签名或者文档的作者身份. 语法: ...
使用标签为文字设置单独样式
这一小节讲解标签,我们对..这三个标签进行一下总结: 1. 和<strong& ...
java_annotation_02
通过反射取得Annotation 在一上节中,我们只是简单的创建了Annotation,如果要让一个Annotation起作用,则必须结合反射机制,在Class类上存在以下几种于Annotation有 ...

LinGo:装货问题——线性规划,整数规划,1988年美国数模B题

LinGo:装货问题——线性规划,整数规划,1988年美国数模B题的更多相关文章

随机推荐

热门专题