基于模拟退火的选区划分问题 数学建模
基于模拟退火算法的布局优化问题求解研究

基于模拟退火算法的布局优化问题求解研究布局优化问题一直是计算机科学领域中的重要问题之一。
在现代工程学中,布局优化问题具有十分广泛的应用。
例如,在电路设计中,通过优化电路的布局可以大大提高电路的性能;在工业生产中,通过对机器与人员的布局进行优化可以提高工作效率,减少资源的浪费。
因此,布局优化问题一直是计算机科学中的研究热点之一。
目前,基于模拟退火算法的布局优化问题求解方法已经广泛应用于各种优化问题中。
本文将从以下几个方面讨论基于模拟退火算法的布局优化问题求解方法:问题定义、模拟退火算法的原理、基于模拟退火算法的布局优化问题求解流程以及模拟退火算法在布局优化问题中的应用。
问题定义在布局优化问题中,我们需要将对象(比如电路中的电子元件、生产工厂中的机器与人员等)进行合理的排列,从而实现最优化的整体效果。
在此基础上,我们可以将布局优化问题定义为:给定一组对象,找出它们之间最适宜的排列方式,以使得整个系统的效果最优。
假设我们有$n$个对象$O_i(i=1,2,\cdots,n)$需要排列,每个对象有对其他对象的紧密关联关系,可以用一个邻接矩阵$C$表示。
邻接矩阵$C$的元素$C_{i,j}$可以表示对象$O_i$与对象$O_j$之间的紧密关联程度,其中$C_{i,j}=1$表示对象$O_i$与对象$O_j$紧密关联,$C_{i,j}=0$则表示二者之间没有关联。
则我们的任务可以转化成求解一个合适的排列$P=(p_1,p_2,\cdots,p_n)$,其中$p_i$是对象$O_i$的位置,使得整个系统的效果最优。
模拟退火算法的原理模拟退火算法是一种解决组合优化问题的随机化算法。
和其他优化算法不同的是,模拟退火算法可以克服局部最优解问题,并且不易陷入局部最优解。
模拟退火算法的核心思想是:在搜索空间中随机游走,并以有一定概率接受劣解作为当前的解。
模拟退火算法包括如下三个主要步骤:1. 初始化解:随机生成一个解$S_0$;2. 解的扰动:对当前解进行一定的扰动,得到一个变换后的解$S'$;3. 解的接受:以一定的概率接受新的解$S'$作为当前解$S$,或者以概率$1-P$拒绝新的解$S'$,继续使用当前解进行下一轮操作。
数学建模B题标准答案

2011数学建模B题标准答案承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。
我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。
如有违反竞赛规则的行为,我们将受到严肃处理。
我们参赛选择的题号是(从A/B/C/D中选择一项填写): B我们的参赛报名号为(如果赛区设置报名号的话):所属学校(请填写完整的全名):北京大学参赛队员(打印并签名) :1. 姚胜献2. 许锦敏3. 刘迪初指导教师或指导教师组负责人(打印并签名):刘业辉日期: 2011 年 9 月 12日赛区评阅编号(由赛区组委会评阅前进行编号):编号专用页赛区评阅编号(由赛区组委会评阅前进行编号):全国统一编号(由赛区组委会送交全国前编号):全国评阅编号(由全国组委会评阅前进行编号):交巡警服务平台的设置与调度摘要本文通过建立整数规划模型,解决了分配各平台管辖范围、调度警务资源以及合理设置交巡警服务平台这三个方面的问题;通过建立线性加权评价模型定量评价了某市现有交巡警服务平台设置方案的合理性,并根据各个区对服务平台需求量的不同,提出了重新分配全市警力资源的解决方案。
在计算交巡警服务平台到各个路口节点的路程时,使用了图论里的floyd算法。
针对问题一的第一个子问题,首先假设交巡警服务平台对某个路口节点的覆盖度是二元的,引入决策变量,建立了0-1整数规划模型。
交巡警出警应体现时间的紧迫性,所以选择平均每个突发事件的出警时间最短作为目标函数,运用基于MATLAB的模拟退火算法进行求解,给出了中心城区A的20个服务平台的管辖范围,求得平均每个案件的出警时间为1.013分钟。
数学建模模拟退火算法

数学建模模拟退火算法
数学建模是一种将实际问题转化为数学问题,通过建立数学模型来分析和解决问题的方法。
而模拟退火算法则是一种基于概率的全局优化算法,常被用于求解复杂问题的最优解。
在数学建模中,模拟退火算法可以应用于各种领域,如图像处理、目标识别、路线规划等。
模拟退火算法的基本思想是从一个随机解开始,通过随机扰动和接受策略来探索可能解空间,并逐渐降温,使得随机扰动的程度逐渐减小,最终达到全局最优解。
在应用模拟退火算法时,需要确定初始温度、温度下降速度以及接受策略等参数。
在数学建模中,模拟退火算法可以应用于很多问题。
例如,在图像处理中,可以通过模拟退火算法对图像进行优化,如图像的平滑处理、边缘检测等。
在目标识别领域,模拟退火算法可以用于对目标进行跟踪和识别。
在路线规划问题中,模拟退火算法可以用于求解最优路径。
在应用模拟退火算法时,需要考虑算法的效率和精度。
为了提高效率,可以采用多种优化技巧,如快速随机数生成、启发式信息引导等。
为了提高精度,可以适当增加迭代次数和初始温度,以便探索更广泛的解空间。
总之,模拟退火算法是一种非常有用的全局优化算法,可以应用于很多数学建模问题中。
在实际应用中,需要根据具体问题的特点和需求来选择算法参数和优化技巧,以达到最佳效果。
- 1 -。
数学建模 模拟退火

例已知敌方100个目标的经度、纬度如下:我方有一个基地,经度和纬度为(70,40)。
假设我方飞机的速度为1000公里/小时。
我方派一架飞机从基地出发,侦察完敌方所有目标,再返回原来的基地。
在敌方每一目标点的侦察时间不计,求该架飞机所花费的时间(假设我方飞机巡航时间可以充分长)。
这是一个旅行商问题。
我们依次给基地编号为1,敌方目标依次编号为2,3,…,101,最后我方基地再重复编号为102(这样便于程序中计算)。
距离矩阵102102)(⨯=ij d D ,其中ij d 表示表示j i ,两点的距离,102,,2,1, =j i ,这里D 为实对称矩阵。
则问题是求一个从点1出发,走遍所有中间点,到达点102的一个最短路径。
上面问题中给定的是地理坐标(经度和纬度),我们必须求两点间的实际距离。
设B A ,两点的地理坐标分别为),(11y x ,),(22y x ,过B A ,两点的大圆的劣弧长即为两点的实际距离。
以地心为坐标原点O ,以赤道平面为XOY 平面,以0度经线圈所在的平面为XOZ 平面建立三维直角坐标系。
则B A ,两点的直角坐标分别为:)s i n ,c o s s i n ,c o s c o s(11111y R y x R y x R A )s i n ,c o s s i n ,c o s c o s(22222y R y x R y x R B 其中6370=R 为地球半径。
B A ,两点的实际距离⎫⎛=R d arccos , 化简得]s i n s i n c o s c o s )(a r c c o s [co s 212121y y y y x x R d +-=。
求解的模拟退火算法描述如下:(1)解空间解空间S 可表为{102,101,,2,1 }的所有固定起点和终点的循环排列集合,即}102,}101,,3,2{),,(,1|),,{(102101211021===ππππππ的循环排列为 S其中每一个循环排列表示侦察100个目标的一个回路,j i =π表示在第i 次侦察j 点,初始解可选为)102,,2,1( ,本文中我们使用Monte Carlo 方法求得一个较好的初始解。
模拟退火算法及其改进算法

模拟退火算法及其改进算法模拟退火算法(Simulated Annealing Algorithm)是一种基于概率的全局优化算法,它模拟了金属冶炼过程中的“退火”过程。
退火过程是指将高温物质逐渐降温,使之逐渐固化形成晶态结构。
同样地,模拟退火算法通过随机和接受不太好的解决方案的策略,以找到全局最优解。
算法的基本思路是在一个空间中随机生成一个起始解,然后通过一系列的变换和评估过程逐步更新当前解,直到找到满足优化目标的解决方案。
在每次迭代中,算法会通过采样邻域解决方案来将当前解转移到新的状态,并计算相应的目标函数值。
如果新的状态比当前解更优,则接受新的解作为当前解,并在下一次迭代中继续。
如果新的状态不是更优的解,则以一定的概率接受新的解,概率的大小与两个解之间的差距以及当前温度有关。
温度逐渐降低,使得算法在开始时可以接受较差的解决方案,但随着迭代次数的增加逐渐降低接受较差解决方案的概率,最终使算法收敛到一个较好的解。
尽管模拟退火算法在全局优化问题中表现优秀,但仍存在一些问题,例如收敛速度慢、易陷入局部最优解等。
因此,研究者提出了一些改进算法来提高模拟退火算法的性能。
一种改进算法是自适应模拟退火算法(Adaptive Simulated Annealing, ASA),它利用负自适应参数来调整算法自身的控制参数,从而提高收敛速度。
通过对负自适应参数进行精确建模和合适的调整,能够使算法自动地根据当前状态的差距和目标函数值的变化来调整的速度和方向。
另一种改进算法是量子模拟退火算法(Quantum Simulated Annealing, QSA),它引入了量子位操作和量子态演化来提高效率。
QSA利用一种特殊的迭代方式来更新解决方案,将随机排列算法与量子信息处理技术相结合,通过量子态的演化来寻找最优解,并避免陷入局部最优解。
此外,还有一些其他的改进算法,如多重爬山算法(Multi-startHill Climbing)、禁忌算法(Tabu Search)等,它们在模拟退火算法的基础上增加了一些启发式方法和约束条件,从而进一步提高性能。
模拟退火算法详解

车间调度问题求解
总结词
模拟退火算法在车间调度问题求解中具有较好的应用 效果,能够提高生产效率。
详细描述
车间调度问题是一个复杂的优化问题,旨在合理安排生 产任务和资源分配,以提高生产效率。模拟退火算法通 过随机搜索和接受不良解的概率,能够找到较为满意的 调度方案。在车间调度问题中,模拟退火算法可以与其 他启发式方法结合使用,以获得更好的性能。此外,模 拟退火算法还可以应用于其他生产调度问题,如作业车 间调度、装配线平衡等。
旅行商问题求解
总结词
模拟退火算法在旅行商问题求解中具有较好的性能, 能够找到高质量的解。
详细描述
旅行商问题是一个NP难问题,旨在寻找一条旅行路线 ,使得一个旅行商能够访问一系列城市并返回到起始 城市,且总旅行距离最短,同时满足每个城市恰好经 过一次。模拟退火算法通过随机搜索和接受不良解的 概率,能够探索更广阔的解空间,从而找到高质量的 解。在旅行商问题中,模拟退火算法可以与其他启发 式方法结合使用,以获得更好的性能。
迭代更新
重复产生新解、计算能量差和降低温度的 过程,直到满足终止条件。
终止条件
达到最大迭代次数
当达到预设的最大迭代次数时,算法终止。
温度低于阈值
当温度低于一个预设的阈值时,算法终止。
解的质量满足要求
当当前解的质量满足预设的要求或与最优解 的差距在可接受范围内时,算法终止。
03
模拟退火算法参数设置
温度衰减率
总结词
温度衰减率是模拟退火算法中温度变化的速率,它决定了算法的收敛速度和全局搜索能 力。
详细描述
温度衰减率决定了算法在迭代过程中温度下降的速度。较小的衰减率可以使算法在迭代 过程中有更多的时间来探索解空间,但可能会导致算法收敛速度较慢;而较大的衰减率 则可以使算法更快地收敛到最优解,但可能会牺牲一些全局搜索能力。因此,选择合适
模拟退火算法讲解课件

结果分析与优化方案制定
结果分析
优化方案制定
06
模拟退火算法的改进与优化建议
冷却策略优化
冷却速度缓慢
模拟退火算法的冷却过程应该缓慢进行,以增加算法找到全局最 优解的概率。
温度下降策略
在冷却过程中,温度下降应该有一个合适的策略,以保证算法的 性能和稳定性。
温度初始值设定
温度初始值的设定对算法的性能有很大的影响,应该根据问题的 性质和复杂度来设定合理的初始值。
降低温度 终止条件 优缺点
02
模拟退火算法原理详解
冷却过程与温度控制
初始温度 温度下降 低温终止
状态接受准则
Metropolis准则
概率接受策略
马氏链蒙特卡洛方法
马氏链
蒙特卡洛方法
03
模拟退火算法的实现步骤
初始化温度和初始解
初始化温度
初始解
迭代过程
评估当前解的质量
计算当前解的质量,通常是通过比较当前解和最优解的适 应度函数值来实现的。
终止条件
达到最大迭代次数
1
达到最小温度
2
达到最大运行时间
3
04
模拟退火算法的应用场景与优势
应用场景
组合优化问题
人工智能领域
工程领域
算法优势
概率性搜索 降温策略 通用性强
与其他优化算法的比较
与暴力搜索算法相比
01
与遗传算法相比
02
与蚁群算法相比
03
05
模拟退火算法的实例演示
问题定义与数据准备
要点一
问题定义
模拟退火算法是一种基于概率的随机搜索算法,使 得搜索过程能够在全局范围内进行,避免陷入局部最优解。
数学建模之模拟退火

退火是将金属和合金加热到适当温度,保持一 定时间,然后缓慢冷却的热处理工艺。退火后 组织亚共析钢是铁素体加片状珠光体;共析钢 或过共析钢则是粒状珠光体。总之退火组织是 接近平衡状态的组织。 退火的目的: ①降低钢的硬度,提高塑性,以利于切削加工 及冷变形加工。 ②细化晶粒,消除因铸、锻、焊引起的组织缺 陷,均匀钢的组织和成分,改善钢的性能或为 以后的热处理作组织准备。 ③消除钢中的内应力,以防止变形和开裂
不再改变时。
初使化设定
随机产生一个初始解
扰动产生一个新解 No
是否接受? Yes
修改目前解
降温
Yes
缩减温度
No
No 是否达到中止条件?
Yes 最佳解
模拟退火法以扰动的机制来产生一个解,我 1 们称此解为扰动解,在以几率函数判断是否
接受此扰动解为此次迭代的新解。
2 若不被接受,就再以扰动重新产生一个扰 动解,并以几率函数重新判断。每代重复 以上的步骤,直到接受为此次迭代的新解 为止。
扰动的作法就是以目前解为中心,对部分或整个 解空间随机取样一个解。
工作步骤
1
设定当前解(即为最优解)
2
产生新解与当前最优解差值
3
判断新解是否被接受
4
当新解被确定接受时
5
循环以上四个步骤
6
找到最后全局最优解
怎样计算两个城市间的距离 。 怎样计算每条路径的距离 。 扰动的技巧怎样实现 。
简求 函 数 的 最 大 值
1
假设所求解的问题是目标函数最小化问题f f ( X ') f (x) ,
若 f 0 ,则透过机率函数接受 f ( X ') 为新解。
2 接着判断是否满足降温条件,若是,则透过冷却机制降
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
1. 问题重述
在—个遥远的国家,Sark Mevo 所领导的政党最终击败了 Reguel Tekris 王子领导的联合 党派。Mevo 希望巩固他在首都地区的席位。首都由 14 个街区组成,这些街区将分组为多 个选区。图 1 是首都地区的示意图。在图中用数字 1 到 14 对这些街区进行了编号。每个街 区中的另外两个数字是预计该街区会投票给 Mevo 的选民数和该街区的选民总数。 所有选民 都必须投票,且选举胜出方必须得到绝对多数选票。一个选区可以由多个相邻的街区组成, 且选区内总选民数应在 30,000 到 100,000 之间。如果两个街区不相邻,例如 12 和 13,则它 们不能组成一个选区。 如果某个街区选民人数不少于 50,000, 则允许此街区单独作为一个选 区。但是由于 Mevo 本人就居住在街区 10 内,因此迫于舆论压力,他不能将这个街区单独 作为一个选区。 设计一个将首都划分为 5 个选区的方案,以使 Mevo 得到的席位数最多。如果这样做有 困难,可以尝试划分为 6 个选区。
6 9000 40000 0.225 13 29000 40000 0.725
7 12000 30000 0.4 14 15000 40000 0.375
如果不划分选区,Mevo 获得的支持率为
∑ 0.5R ( j )(sign( R ( j ) − 0.5) + 1) = 0.5185
j =1 0 0
14
∑ R ( j ) = 540000
j =1 0
(3)
题目认为, 一个合理的分区方案应该满足: 选区内总选民数应在 30,000 到 100,000 之间。 那么,分区的总数 n 应该满足
-3-
30, 000 ≤
∑ R0 ( j )
j =1
14
n
⎧ ⎡ 14 ⎧ ⎢ 14 ⎤ ⎫ ⎥ ⎫ R ( j ) ⎪⎢ ∑ 0 ⎥ ⎪ ⎪ ⎢ ∑ R0 ( j ) ⎥ ⎪ ⎪ ⎪ j =1 ⎥ ,1⎪ ⎥ ,14 ⎪ ≤ 100, 000 ⇒ max ⎨ ⎢ j =1 ⎬ ≤ n ≤ min ⎨ ⎢ ⎬ (4) 100, 000 30, 000 ⎢ ⎥ ⎢ ⎥ ⎪ ⎪ ⎪ ⎪ ⎢ ⎥ ⎪ ⎢ ⎥ ⎪ ⎪ ⎪ ⎢ ⎥ ⎣ ⎦ ⎩ ⎭ ⎩ ⎭
-2-
强烈反对意见的街区(如 6 街区) ,在大的选区中的抵制作用将可能被完全清除,同时该街 区仍然按照与总选民数成比例地选出支持 Mevo 的议员, 在最终的抉择上, 他们将站在 Mevo 的立场上,而不是按以前那样选出对 Mevo 持反对意见的议员。 所以,将相近街区合并成大的选区,有利于 Mevo 获得绝大多数的选票。建立选区对 Mevo 是有利的。
pi = ∑ xij R0 ( j )
j =1
14
(9)
假设,各选区选出议员的人数与该选区的总选民数成正比,比例系数为 λ 。Mevo 只能
-4-
够得到他获胜选区的议员的席位。总的来说,他获得的总席位为
14 ⎡ ⎤ xij R1 ( j ) ∑ ⎢ ⎥ 6 6 14 j =1 ⎢ ⎥ b p 0.5 x R ( j ) sign ( 0.5) 1 λ = − + ∑ ∑∑ i i ij 0 14 ⎢ ⎥ i =1 i =1 j =1 xij R0 ( j ) ∑ ⎢ ⎥ j =1 ⎣ ⎦
ri =
∑ x R ( j) ∑ x R ( j)
j =1 ij 0 j =1 14 ij 1
14
(5)
自然地,有
⎧ri > 0.5 ⎨ ⎩ri < 0.5Mevo在i选区源自出 Mevo在i选区失败(6)
为了表述的简洁我们列写如下的布尔变量 b 来描述 Mevo 在第 i 选区的胜负情况
14 ⎡ ⎤ xij R1 ( j ) ∑ ⎢ ⎥ ⎧1 Mevo在i选区胜出 j =1 − 0.5) + 1⎥ = ⎨ bi = 0.5 ⎢ sign( 14 ⎢ ⎥ ⎩0 Mevo在i选区失败 xij R0 ( j ) ∑ ⎢ ⎥ j =1 ⎣ ⎦
图1
首都地区示意图
2. 基本假设
1、各选区选出议员的人数与该选区的总选民数成正比,比例系数为 λ 。
-1-
2、该国采用美国现行的“选举团”制度作为其选举制度。 3、每个选民均必须投票,且不存在弃权或选择两个候选人的选票。 4、各街区内支持 Mevo 的选民数在讨论问题期间是恒定不变的常数。
j =1 0
那么 Mevo 获得的席位数为 540000λ 。即是,在首都的总选民数一定的情况下,讨论席位 数与总的支持率是等效的。另外,未划分选区时,Mevo 的支持率已经达到 0.5185。划分选 区后,Mevo 的支持率会大于这个数值吗?我们拭目以待。 4.2.2 问题 2:划分多少个选区才合适 既然,分区对 Mevo 有利,分多少个区才合适呢?从政治民主的角度来看,分的区不益 过多;从另一个方面来看,要尽可能削弱反对力量,分区又不能过少。题目给出了相关的约 束条件,我们做如下的定量分析。 首都的总选民数为
表 1 各个街区选民的统计情况
街区数 j 选民数 R0 ( j ) 投票给 Mevo 的选民数 R1 ( j ) Mevo 获得的选票率 街区数 j 选民数 R0 ( j ) 投票给 Mevo 的选民数 R1 ( j ) Mevo 获得的选票率
1 17500 30000 0.583333 8 10000 30000 0.333333
14
R1 ( j )
(1)
其中,
⎧ R1 ( j ) ⎪1 − 0.5) + 1) = ⎨ 0.5( sign( R0 ( j ) ⎪0 ⎩
R1 ( j ) > 0.5, Mevo获胜 R0 ( j ) else
14
(2)
如果按照 λ 的比例(比如 λ = 0.2‰)选举议员,首都的总选民数为
∑ R ( j ) = 540, 000 ,
R0 ( j ) :第 j 街区的总选民数; R1 ( j ) :第 j 街区支持 Mevo 的人数; pi :第 i 选区的总选民数; Ti :第 i 个选区所含有街区的矩阵; C j :第 j 个街区的相容矩阵;
D :街区之间的邻接矩阵;
ρ :稳定储备系数,用来描述 Mevo 领导人地位的稳定程度。
所以, 6 ≤ n ≤ 14 ,也即是说:最少的分区数是 6。这样,我们将从 6 开始讨论分区方案。
5. 模型的建立与求解
5.1 规划模型的建立与求解
选举分区问题,可以抽象成经典的组合优化模型:划分子集问题,在本问题中即是将 14 个节点按照多个约束条件划分到 6 个集合中。同时,该问题也是 NP 难问题。由于,该问 题的规模不大, 我们首先尝试建立简单的 0—1 规划模型, 如果模型不能够圆满地解决问题, 我们再考虑对模型进行转化,该用其他的近似算法来求解。 5.1.1 优化目标的确立 Mevo 建立大的选区的目的就在于巩固他在首都地区的席位。这些席位来自那些支持他 的选区议员,而这些议员的产生直接缘于在某选区支持 Mevo 的选民占多数。在某选区内, 支持 Mevo 的选民占总选民的比例用 ri 表示,则
max
(11)
5.1.2 约束条件的确立 1. 每个选区的总选民数应在 30,000 到 100,000 之间,这很简单地表述为
30, 000 ≤ ∑ xij ≤ 100, 000 (i = 1, 2," , 6)
j =1
14
(12)
2. 选区内的相临约束。只有相临的街区才能被划分在一个选取内,我们称能够被划分 在某个选区内的街区的集合为相容矩阵,第 j 个街区的相容矩阵记为 C j 。从图 1 可以得到, 相容街区如表 2 所示。
2 15000 50000 0.3 9 26000 40000 0.65
3 14200 20000 0.71 10 34000 60000 0.566667
4 42000 70000 0.6 11 2500 10000 0.25
5 18000 20000 0.9 12 27000 60000 0.45
注:还有一些局部变量,在使用时将作相关说明。
4. 问题分析
4.1 选举制度的猜想
从问题的描述来看,这个遥远的国家以两个政党(包含联合政党)之间的角逐,最终由 一个政党来统领国家政权的方式来实现国家的政治制度。 这与美国的政治制度极其相似。 这 里,我们不妨假定该国的政治制度与美国现行的政治制度相当。所以,在选举制度问题上, 我们认为该国采用美国的选举团制度。 选举团(Electoral College)[1]:当某国选民前往投票站投票选举领导人时,很多人认为自 己是在直接选举领导人。采用“选举团制度”时,情况并非如此。选举团是一组"选举人"的总 称,他们由各选区政党成员在选区内提名产生。在大选日,选民实际是把票投给承诺支持某 位领导人候选人的"选举人"。哪位候选人赢得的选民票数最多,支持这位候选人的"选举人" 就将作为这个选区的代表, 出席于确定时间分别在各选区举行的选举领导人的投票。 领导人 候选人必须在总的选区中获得至少半数的“选举人”票才可当选。出于方便起见,下文称这些 “选举人”为议员。
4.2 选区总数的分析
4.2.1 问题 1:为什么要划分选区 我们可以从表 1 看出,Mevo 在各个街区获得选票的概率是有很大悬殊的,在第 5 街区 可以获得最高的选票率 0.9, 在第 6 街区获得最低的选票率 0.225。 同时各个街区的总选民数 也是不同的。 由于我们在假定中已经认为: 各选区选出议员的人数与该选区的总选民数成正 比,这样就有可能削弱 Mevo 获得绝大多数议员支持的可能性。 如果将各个相近的街区按照 Mevo 的意愿连接成大的选区,直观地有:某些对 Mevo 持
表2 各个街区的相容街区 C j
街区 j 相容街区 C j 街区 j 相容街区 C j