4.5 指派问题
指派问题的解法
指派问题的解法总结问题引入：在工作的时候，常常需要对一些人进行工作安排，由于某些条件的限制，每个人只能进行一种工作，怎么安排才能使得总工作时间最小。
我们把这一类问题称为指派问题。
在这里，我只对人和工作刚好一对一的指派问题的解法进行总结，而对于不是一对一的，则可以通过文献1中的一些方法进行变换。
目前问题解法的总结。
1：最广泛应用的解法：匈牙利算法。
算法简介：库恩（fW．W．Kuhn)于1955年提出了指派问题的解法．他引用了匈牙利数学家康尼格一个关于矩阵中0元素的定理：系数矩阵中独立0元素的最多个数等于覆盖所有0元素的最少直线数。
这个解法称为匈牙利解法。
匈牙利算法虽是运用最广泛的算法，但其操作过程却过于复杂。
在划0的时候也不方便记忆，对于初学者来说掌握不便。
于是国内很多学者对指派问题给出了几个较简单，方便易记的算法。
2：指派问题新解法——目标值子矩阵法。
算法描述：任取变量矩阵X某一行中的最小元素，为该行元素目标值的最优解(但不一定是系统目标函数的最优解)，应该是系统目标函数满意解中的一个元素，记作a11 划去a11 所在的行和列，取剩下的子矩阵中某一行的最小元素，记作a22。
依次类推，直到最后一个元素a nn．这些元素相加得系统目标函数的一个满意解，此为一次运算．第二次运算取变量矩阵X中含a 以外的任一行，做与上面相同运算，又可以得到系统的第二个满意解．相同地，对于n行做n次运算，共得到系统的n个满意解，系统的最优解即应该是这 n个满意解当中的最小值．若第i的最小元素在前面以被取用过，则在进行第i的运算时，不选取该元素，取该行中未被选用过的元素中最小的一个进行运算。
算法分析：相对于匈牙利算法，此算法简单，方便操作。
但不能给出所有最优解，得出的最优解唯一，若要给出全部最优解，则算法的次数将大大增加。
当矩阵维数较大的时候，可以对矩阵进行划分，以更快计算。
算法举例：对于变量矩阵x；3：递归思想在指派问题中的运用算法描述：对目标函数的解，等于min{a1+A1，a2+A2,a3+A3，…..a n+An}；其中a i为第一行中的第i个元素，A i为除去第i个元素所在行和列的子矩阵。
第四章 常用生产系统模型
LOGO
定义如下决策变量：
MinZ cij xij
i j
（4-1）
xij 1 i V j i xij 1 j V i j s.t. xij | S | 1 S V i , jS x {0,1} i, j V ij
LOGO
（3）r-Opt算法 r-Opt算法一般是对构造算法和插入算法产生的线路进行改 进的算法。主要用于对称型旅行商问题的求解。核心思想是 对给定的初始回路，每次通过交换r条边来改进当前的解。 通常，r增大可以使改进的结果更优秀。但是，通过大量的 仿真实验，发现3-Opt比2-Opt好，但是4-Opt和5-Opt却并不 比3-Opt优秀，但计算量却增大很多。
4.2.2 背包问题的模型和分类
LOGO
1.背包问题的模型 背包问题可以描述为：有n物品，一个最大承受重量为C的 背包，每件物品的价值是 p j ( j 1,2, , n)。物品的重量是 wj ( j 1,2, , n) 。要求在不超过背包最大承受重量的前提下，使装载的物品 总价值最高。数学模型如下： n （4-3） max z px
第四章 常用的生产系统模型
4.1 4.2 4.3 4.4 4.5 4.6 4.7
LOGO
TSP问题模型
背包问题模型 指派问题模型 切割与布局问题模型 车辆路径问题模型 生产调度问题模型
项目调度问题模型
思考与练习题
4.1 TSP问题模型
4.1.1 TSP问题概述
LOGO
旅行商问题（ Traveling Salesman Problem ， TSP ）又 称旅行推销员问题、货郎担问题，简称 TSP 问题，是最基本 的组合优化问题。该问题是在寻求单一旅行者由起点出发，
指派问题
-2 -4 -9 -7
0 13 11 6 0 10 0 5 7 0 1 4
-4
2 11 4 2
-2
x14 1, x22 1, x31 1, x43 1
其余全为0。
步骤2：用圈0法确定 C1 中的独立0元素。若独立零元素个 素有n个，则已得最优解。若 独立零元素的个数 < n, 则转
min Z 4x11 8x12 10x54 6x55
5 xij 1 i 1,2, 5 j5 1 s.t. xij 1 j 1,2, 5 i 1 xij 0 或1
B1
B2
B3
B4
B5
C
A1 4 A2 7 A3 6 A4 6 A5 6
入步骤3。
在只有一个0元素的行（或列）加圈，表示此人只能做该事
（或此事只能由该人来做），每圈一个“0”，同时把位于同 列（或同行）的其他零元素划去。表示此时已不能再由他
人来做（或此人已不能做其它事）。如此反复，直到矩阵
中所有零元素都被圈去或划去为至。
在遇到所有行和列中，零元素都不止一个时，可任选其中
注：指派问题是一种特殊的LP问题，是一种特殊的运输问题。 下用目前认为最简洁的方法—匈牙利法求解 (The Hungarian
Method of Assignment )。
例12：某商业公司计划开办五家新商店。为了尽早建成
营业，商业公司决定由5家建筑公司分别承建。已知建筑
公司 Ai (i 1,2,,5) 对新商店 B j ( j 1,2,,5) 的建造 报价（万元）为 cij (i, j 1,2,,5) ，见下矩阵。商业公 司应当对5家建筑公司怎样分配建筑任务，才能使总的建 筑费用最少？
第4章整数规划——指派问题
4 指派问题
解： 可行解｛c12=0， c24 =0， c31 =0， c43 =0｝是一个独立零元素组， c12=0， c24 =0， c31 =0， c43 =0分别称 为独立零元素； ｛c12=0， c23 =0， c31 =0， c44 =0｝也 是一个独立零元素组，而｛c14=0， c23 =0， c31 =0， c44 =0｝就不是独立零元素 组.
4 指派问题
1）对新矩阵中所有不含“*”元素的行打√ ； 2）对打√的行中，所有打×零元素所在的列打√； 3）对所有打√列中标记“*”元素所在行打√； 4）重复上述2），3）步，直到不能进一步打√为止； 5）对未打√的每一行划一直线，对已打√的每一列划一纵线， 即得到覆盖当前0元素的最少直线数。 第四步：对矩阵未被直线覆盖过的元素中找最小元素，将打 √行的各元素减去这个最小元素，将打√列的各元素加上这个最小 元素（以避免打√行中出现负元素），这样就增加了零元素的个 数，返回第二步。 【例5】 求解例1和例2
X (2)
都是指派问题的最优解。
4 指派问题
4.3 指派问题的求解 指派问题既是一类特殊的整数规划问题，又是特殊的运输问 题，因此可以用多种相应的解法来求解，然而这些解法都没有充 分利用指派问题的特殊性质，有效地减少计算量，直到1955年库 恩（W. W. Kuhn）提出的匈牙利法才有效地解决了指派问题。 匈牙利法的理论基础 定义2 独立零元素组 在效率矩阵中，有一组在不同行不同 列的零元素，称为独立零元素组，其每个元素称为独立零元素。 5 0 2 0 2 3 0 0 C 【例4】 已知效率矩阵 0 5 6 7 4 8 0 0 求其独立零元素组。
0 , 不 指 派 Ai 承 建 商 店 B j x ij ( i , j 1, 2 ,3, 4 ,5 ) 1, 指 派 Ai 承 建 商 店 B j
指派问题的求解方法
指派问题的求解方法嘿，咱今儿就来聊聊指派问题的求解方法。
你说这指派问题啊，就好像是给一群小伙伴分任务，得让每个人都能分到最合适的事儿，这可不容易嘞！咱先来说说啥是指派问题。
就好比有一堆工作，有几个人可以去做，每个人对不同工作的效率或者效果不一样。
那咱就得想办法，怎么把这些工作分配给这些人，才能让总的效果达到最好呀。
那咋求解呢？有一种方法叫匈牙利算法。
这就好比是一把神奇的钥匙，能打开指派问题的大门。
咱就把那些工作和人当成一个个小格子，通过一些计算和摆弄，找到最合适的搭配。
你想想啊，如果随便分，那可能就浪费了某些人的特长，或者让一些工作没被最合适的人去做，那不就亏大啦？用了这个匈牙利算法，就能一点点地把最合适的工作和人配对起来。
就像你去拼图，得找到每一块的正确位置，才能拼成一幅完整漂亮的图。
这匈牙利算法就是帮咱找到那些正确位置的好帮手呀！它能让那些工作和人都找到自己的“最佳搭档”。
还有啊，咱在生活中也经常会遇到类似的指派问题呢。
比如说，家里要打扫卫生，每个人擅长打扫的地方不一样，那怎么分配任务才能又快又好地打扫完呢？这不就是个小小的指派问题嘛。
或者说在公司里，有几个项目要分给不同的团队，哪个团队最适合哪个项目，这也得好好琢磨琢磨，才能让项目都顺利完成，取得好成果呀。
总之呢，指派问题的求解方法可重要啦，就像我们走路需要一双好鞋一样。
掌握了这些方法，咱就能在面对各种指派问题的时候，不慌不忙，轻松应对，找到那个最优解。
你说是不是很厉害呀？所以啊，可别小瞧了这指派问题的求解方法哦，说不定啥时候就能派上大用场呢！。
指派问题详解
第一章绪论1、指派问题的背景及意义指派问题又称分配问题，其用途非常广泛，比如某公司指派n个人去做n 件事，各人做不同的一件事，如何安排人员使得总费用最少？若考虑每个职工对工作的效率（如熟练程度等），怎样安排会使总效率达到最大？这些都是一个企业经营管理者必须考虑的问题，所以该问题有重要的应用价值.虽然指派问题可以用0-1规划问题来解，设X(I,J)是0-1变量, 用X(I,J)=1表示第I个人做第J件事, X(I,J)=0表示第I个人不做第J件事. 设非负矩阵C（I，J）表示第I个人做第J件事的费用，则问题可以写成LINGO程序SETS:PERSON/1..N/;WORK/1..N/;WEIGHT(PERSON, WORK): C, X ;ENDSETSDATA:W=…ENDDATAMIN=@ SUM(WEIGHT: C*X);@FOR(PERSON(I): @SUM(WORK(J):X(I,J))=1);@FOR(WORK(J): @SUM(PERSONM(I):X(I,J))=1);@FOR(WEIGHT: @BIN(X));其中2*N个约束条件是线性相关的, 可以去掉任意一个而得到线性无关条件.但是由于有N^2个0-1变量, 当N很大时，用完全枚举法解题几乎是不可能的. 而已有的0-1规划都是用隐枚举法做的，计算量较大. 对于指派问题这种特殊的0-1规划，有一个有效的方法——匈牙利算法，是1955年W. W. Kuhn利用匈牙利数学家D.König的二部图G的最大匹配的大小等于G的最小顶点覆盖的大小的定理提出的一种算法，这种算法是多项式算法，计算量为O(N3).匈牙利算法的基本原理是基于以下两个定理.定理1设C=(C ij)n×n是指派问题的效益矩阵，若将C中的任一行（或任一列）减去该行（或该列）中的最小元素，得到新的效率矩阵C’，则C’对应的新的指派问题与原指派问题有相同的最优解.证明：设X’是最优解, 即@SUM(WEIGHT: C*X’)<= @SUM(WEIGHT: C*X), 则当C中任一行或任一列减去该行或该列的最小数m时,得到的阵C’还是非负矩阵, 且@SUM(WEIGHT: C’*X’)<=@SUM(WEIGHT: C*X)-m=@SUM(WEIGHT: C’*X)定理2效率矩阵C中独立的0元素的最多个数等于覆盖所有0元素的最少直线数. 当独立零元素的个数等于矩阵的阶数时就得到最优解.3、理论基础定义:图G的一个匹配M是图G中不相交的边的集合. 属于匹配M中的边的所有端点称为被该匹配M饱和, 其他的顶点称为M-未饱和的. 如果一个匹配M 饱和了图G的所有顶点，则称该匹配M是一个完全匹配. 可见顶点数是奇数的图没有完全匹配. 一个匹配M称为是极大匹配, 如果它不能再扩张成更大的一个匹配. 一个匹配称为是最大匹配, 如果不存在比它更大的匹配.定义:对于一个匹配M, 图G的一个M-交替路是图G中的边交替地在M中及不在M中的边组成. 从M-未饱和点出发到M-为饱和点结束的M-交替路称为一条M-增广路. 把M-增广路中不是M中的边改成新的匹配M’中的边, 把M-增广路中M中的边不作为M’中的边, 在M-增广路以外的M中的边仍作为M’中的边, 则M’的大小比M大1. 故名M-增广路. 因此最大匹配M不存在M-增广路.定义:若图G和图H有相同的顶点集V, 我们称G和H的对称差,记为G∆H,是一个以V为顶点集的图, 但其边集是G和H的边集的对称差: E(G∆H)=E(G) ∆E(H)=E(G)⋂E(H)-(E(G)⋃E(H))=(E(G)-E(H)) ⋂ (E(H)-E(G))定理: (Berge, 1957) 图G的一个匹配M是最大匹配,当且仅当G中没有M-增广路.证明: 我们只要证明, G中没有M-增广路时, M是最大匹配. 用反证法, 若有一个比M大的匹配M’. 令G的一个子图F, E(F)=M∆M’, 因M和M’都是匹配, F的顶点的最大度数至多是2, 从而F由不相交的路和环组成, 它们的边交替地来自M和M’, 于是F中的环的长度是偶数. 由于M’比M大, F中存在一个连通分支,其中M’中的边数大于M中的边数. 这个分支只能是起始和终止的边都在M’中. 而这就是一条G中的M-增广路. 与假设矛盾. 证毕.定理(Hall, 1935)设G是一个二部图, X和Y是其二分集, 则存在匹配M 饱和X当且仅当对于X中的任意子集S, Y 中与S中的点相邻的点组成的集合N(S)中元素的个数大于等于集合S中元素的个数.证明：必要性是显然的. 对于充分性, 假设 |N(S)|≥|S|, ∀S⊂X, 考虑G的一个最大匹配M, 我们用反证法，若M没有饱和X, 我们来找一个集合S不满足假设即可. 设u∈X是一个M-未饱和顶点, 令S⊂X和T⊂Y分别是从u出发的M-交替路上相应的点.我们来证明M中的一些边是T到S-u上的一个匹配. 因为不存在M-增广路，T中的每个点是M-饱和的. 这意味着T中的点通过M中的边到达S中的一个顶点. 另外, S-u中的每个顶点是从T中的一个顶点通过M中的一条边到达的. 因此M 中的这些边建立了T与S-u的一个双射, 即|T|=|S-u|. 这就证明了M中的这些边是T到S-u上的一个匹配，从而意味着T⊂N(S), 实际上, 我们可证明T=N(S). 这是因为连接S和Y-T中的点y的边是不属于M的, 因为不然的话, 就有一条到达y的M-增广路, 与y∉T矛盾. 故|N(S)|=|T|=|S-u|=|S|-1<|S|, 与假设矛盾.当X与Y的集合的大小相同时的Hall定理称为婚姻问题,是由Frobenius(1917)证明的.推论: k-正则的二部图（X的每一点和Y的每一点相关联的二部图）(k>0)存在完全匹配.证明: 设二分集是X,Y. 分别计算端点在X和端点在Y的边的个数, 得k|X|=k|Y|, 即|X|=|Y|.因此只要证明Hall的条件成立即可. 使X饱和的匹配就是完全匹配. 考虑∀S⊂X, 设连接S与N(S)有m条边, 由G的正则性, m=k|S|. 因这m条边是与N(S)相关联的, m≤k|N(S)|, 即k|S|≤ k|N(S)|, 即|N(S)|≥|S|. 这就是Hall的条件.用求M-增广路的方法来得到最大匹配是很费时的. 我们来给出一个对偶最优化问题.定义:图G的一个顶点覆盖是集合S⊂V(G), 使得G的每条边至少有一个端点在S中. 我们称S中的一个顶点覆盖一些边, 若这个顶点是这些边的公共端点.因为匹配的任意两条边不能被同一个顶点覆盖, 所以顶点覆盖的大小不小于匹配的大小: |S|≥|M|. 所以当|S|=|M| 时就同时得到了最大的匹配和最小的顶点覆盖.定理(König [1931],Egerváry[1931])二部图G的最大匹配的大小等于G的最小顶点覆盖的大小.证明: 设M是G的任一个匹配, 对应的二分集是X,Y. 设U是一个最小的顶点覆盖, 则|U|≥|M|, 我们只要由顶点覆盖U来构造一个大小等于|U|的匹配即完成证明. 令R=U⋃X, T=U⋃Y, 令H, H’分别是由顶点集R⋂(Y-T)及T⋂(X-R)诱导的G的子图. 我们应用Hall的定理来证明H有一个R到Y-T中的完全匹配，H’有一个从T到X-R中的完全匹配. 再因这两个子图是不相交的, 这两个匹配合起来就是G中的一个大小为|U|的匹配.因为R⋂T是G的一个覆盖, Y-T与X-R之间没有边相联接. 假设S⊂R, 考虑在H中S的邻接顶点集N(S), N(S) ⊂Y-T. 如果|N(S)|<|S|, 因为N(S)覆盖了不被T覆盖的与S相关联所有边, 我们可以把N(S) 代替S作为U中的顶点覆盖而得到一个更小的顶点覆盖. U的最小性意味着H中Hall条件成立. 对H'作类似的讨论得到余下的匹配. 证毕.最大匹配的增广路算法输入: 一个二分集为X，Y的二部图G，一个G中的匹配M， X中的M-未饱和顶点的集合U.思路: 从U出发探求M-交替路，令S⊂X，T⊂Y为这些路到达过的顶点集. 标记S中不能再扩张的顶点. 对于每个x∈(S⋂T)-U, 记录在M-增广路上位于x前的点.初始化: S=U,T=∅.叠代: 若S中没有未标记过的顶点, 结束并报告T⋂(X-S)是最小顶点覆盖而M是最大匹配.不然, 选取S中未标记的点x, 考虑每个y∈N(x)且xy∉M, 若y是M-未饱和的, 则得到一个更大的匹配，它是把xy加入原来的匹配M得到的,将x从S中去除. 不然, y是由M中的一条边wy相连接的, w∈X, 把y加入T(也有可能y本来就在T中), 把w加入S. w未标记, 记录w前的点是y. 对所有关联到x的边进行这样的探索后, 标记x. 再次叠代.定理: 增广路算法可以得到一个相同大小的匹配和顶点覆盖.证明: 考虑这个算法终止的情况, 即标记了S中所有的点. 我们要证明R=T⋂(X-S)是大小为|M|的一个顶点覆盖.从U出发的M-交替路只能通过M中的边进入X中的顶点, 所以S-U中的每个顶点通过M与T中的顶点匹配, 并且没有M中的边连接S和Y-T. 一旦一条M-交替路到达x∈S, 可以继续沿着任何未饱和的边进入T, 由于算法是对于x的所有邻域顶点进行探索才终止的,所以从S 到Y-T 没有未饱和边. 从而S 到Y-T 没有边, 证明了R 是一个顶点覆盖.因为算法是找不到M-增广路时终止, T 的每一个顶点是饱和的. 这意味着每个顶点y ∈T 是通过M 匹配与S 中的一个顶点. 由于U ⊂S, X-S 的每个顶点是饱和的, 故M 中与X-S 相关联的边不和T 中的点相连接. 即它们与是饱和T 的边不同的, 这样我们可见M 至少有|T|+|X-S|条边. 因不存在一个比顶点覆盖更大的匹配， 所以有|M|=|T|+|X-S|=|R|.设二部图G 的二分集X 和Y 都是n 个元素的点集, 在其边j i y x 上带有非负的权ij w , 对于G 的一个匹配M, M 上各边的权和记作w(M).定义: 一个n ×n 矩阵A 的一个横截(transversal)是A 中的n 个位置, 使得在每行每列中有且只有一个位置（有的文献中把横截化为独立零元素的位置来表示）.定义: 指派问题就是给定一个图G=n n K ,(完全二部图, 即每个X 中的顶点和Y 中的每个顶点有边相连接的二部图)的边的权矩阵A, 求A 的一个横截, 使得这个横截上位置的权和最大. 这是最大带权匹配问题的矩阵形式.定义: 对于图G=n n K ,，设其二分集是X ，Y ，给定G 的边j i y x 的n ×n 权矩阵W={ij w }.考虑G 的子图v u G ,, 设其二分集是U ⊂X ，V ⊂Y, 边集是E(v u G ,)， 对于子图v u G ,的带权覆盖u,v 是一组非负实数{i u },{j v },使得ij j i w v u ≥+,)(,v u j i G E y x ∈∀, v u G ,的带权覆盖的费用是∑∑+j i v u 记为C(u,v), 最小带权覆盖问题就是求一个具有最小费用C(u,v)的带权覆盖u,v.引理: 若M ⊂E(v u G ,)是一个带权二部子图v u G ,的最大匹配, 且u, v 是v u G ,的带权覆盖, 则C(u,v)≥w(M). 而且, C(u,v)=w(M)当且仅当ij j i w v u =+，M y x j i ∈∀. 这时M 是v u G ,最大带权匹配, u,v 是v u G ,的最小带权覆盖， 定义这时的v u G ,为G 的相等子图（equality subgraph ）.证明: 因为匹配M 中的边是不相交的, 由带权覆盖的定义就得C(u,v)≥w(M). 而且C(u,v)=w(M)当且仅当ij j i w v u =+，M y x j i ∈∀成立. 因一般地有C(u,v)≥w(M).所以当C(u,v)=w(M)时. 意味着没有一个匹配的权比C(u,v)大, 也没有一个覆盖的费用比w(M)小.Kuhn 得到一个指派问题的算法，命名为匈牙利算法, 为的是将荣耀归于匈牙利数学家König 和Egerv áry.指派问题的匈牙利算法(Kuhn[1955], Munkres[1957]):输入G=n n K ,的边的权矩阵A, 及G 的二分集X,Y.初始化: 任取一个可行的带权覆盖，例如)(max ij ji w u =，0=j v ，建立G 的相等子图v u G ,, 其二分集是X, Y ’⊂Y, 求v u G ,的一个最大匹配M. 这个匹配的权和w(M)=C(u,v), M 的带权覆盖是具有最小费用的.叠代: 如M 是G 的一个完全匹配, 停止叠代, 输出最大带权匹配M. 不然, 令U 是X 中的M-未饱和顶点. 令S ⊂X, T ⊂Y 是从U 中顶点出发的M-交替路到达的顶点的集合.令},:min{T Y y S x w v u j i ij j i -∈∈-+=ε.对于所有的S x i ∈, 将i u 减少ε, 对于所有的T y j ∈,将j v 增加ε,形成新的带权覆盖u ’,v ’及对应的新的相等子图v u G '',.如果这个新的相等子图含有M-增广路, 求它的最大匹配M ’, 不然不改变M 再进行叠代.定理: 匈牙利算法能找到一个最大权匹配和一个最小费用覆盖.证明: 算法由一个覆盖开始，算法的每个叠代产生一个覆盖，仅在相等子图有一个完全的匹配为止。
指派问题
4个人5个任务指派问题建模
4个人5个任务指派问题建模（最新版）目录1.问题背景和需求2.解决方案：4 个人 5 个任务的指派问题建模3.建模方法和步骤4.结果分析和优化5.总结和展望正文1.问题背景和需求在现实生活和工作中，我们经常会遇到需要对人员和任务进行合理分配的问题。
例如，一个团队有 4 名成员，需要完成 5 个任务，如何合理地分配任务，使得任务能够高效地完成，同时又能保证团队成员的能力和兴趣得到充分发挥？为了解决这个问题，我们需要对任务分配问题进行建模。
2.解决方案：4 个人 5 个任务的指派问题建模针对这个问题，我们可以采用组合优化的方法进行建模。
具体来说，我们可以将任务分配问题转化为一个 0-1 整数线性规划问题，用数学模型来描述这个问题，并求解最优解。
这里，我们用 xij 表示第 i 个任务是否分配给第 j 个成员（如果分配，则 xij=1；否则，xij=0）。
3.建模方法和步骤（1）定义决策变量：xij（i=1,2,3,4,5；j=1,2,3,4）（2）目标函数：最小化总时间，即∑(ti*xiyj)，其中 ti 表示第 i 个任务需要的时间。
（3）约束条件：a.每个任务只能分配给一个成员，即∑xij=1，i=1,2,3,4,5；j=1,2,3,4。
b.每个成员最多分配一个任务，即∑xij<=4，i=1,2,3,4,5；j=1,2,3,4。
c.总时间不能超过 24 小时，即∑(ti*xiyj)<=24。
（4）求解问题：通过线性规划算法求解上述问题的最优解，得到每个任务的最优分配方案。
4.结果分析和优化根据求解结果，我们可以得到每个任务的最优分配方案，以及对应的总时间。
如果总时间超过 24 小时，我们可以通过调整任务分配方案来优化结果。
例如，可以重新分配一些任务，使得某些成员承担更多的任务，或者调整任务的时间估计。
5.总结和展望通过以上建模方法，我们可以有效地解决 4 个人 5 个任务的指派问题。
- 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)。
i1
xij＝0或1(i，j 1,2, , n)
OR:SM
一、指派问题及其数学模型
例1：某汽车公司拟将四种新产品配置到四个工厂生产，四个工厂的单
位产品成本（元/件）如表所示．求最优生产配置方案
工厂/产品
工厂1 工厂2 工厂3 工厂4
产品1 58 75 65 82
产品2 69 50 70 55
HOORM:SME
课堂练习：求解下列指派问题
练习1：
7 9 10 12 13 12 16 17 15 16 14 15 11 12 15 16
18
算 法 ： step1 ： 矩 阵 变 换 ； setp2 ： 画 线 检 验 ； step3 ： 方 案 调 整 ； step4：最优指派！
为 了 建 立 数 学模型，引
入0-1变量xij：
1
i做j
xij
0 i不做j
8
于是，指派问题的数学模型 可写成：
nm
MinZ
cij x一ij个人只能做
j 1 i1
一件事
n
xij 1
j 1
一件事只能由 一个人来做
m
s.t xij 1
运筹学--管理科学方法
李军
桂林电子科技大学商学院
第四章 整数规划
内S容ub提ti要tle
问题背景与数学描述
一般
的ILP
分枝定界法 原理
求解 割平面法
步骤
整数
规划 特殊的ILP
0-1规划 指派问题
进一步讨论
建模 求解 特点分析
整数规划应用
今天要研究 的内容？
2
2013-5-29
甲 85 92 73 90
乙 C＝
95
87
78
95
丙 82 83 79 90
丁 86 90 80 88
21
OR:SM
五、非标准指派问题
解: M＝95，令
C (95 c ) ij
10 3 22 5
C
＝
0
8 17 0
13 12 16 5
9 5 15 7
练习1参考答案
7 9 10 12 13 12 16 17 15 16 14 15 11 12 15 16
48
OR:SM
课堂练习：求解下列指派问题
练习2：
3 8 2 10 3
8
7
29
7
6 4 2 7 5
8 4 2 3 5
9
10
6
75 50 150 230 50 25 0 100 180
65 70 170 250 65 0 5 105 185
82 55 200 280 55 27 0 145 225
然后找出矩阵每列的最小元素，再分别从每列中减去，有：
0 11 122 202 0 11 22 22
11
OR:SM
指派 问题
算法流程
1、行、列变换
矩阵变换
4、行或列零最少
画线检验
是 最优指派
循
2、直线数=n？
环
否
结束
方案调整
3、找、减、加、不变
12
返回目录
OR:SM
四、指派问题求解举例
【例1】某汽车公司拟将四种新产品配置到四个工厂生产，四个工 厂的单位产品成本（元/件）如表所示，求最优生产配置方案。
1、说出什么是指派问题 2、讲清对其求解的原理
1、写出指派问题的数学模型 2、画出求指派问题的算法图
1、算出指派问题的最优解 2、对非标准指派问题转换
OR:SM
一、指派问题及其数学模型
设有n项任务需要m个人来完成，规定一项任务只能由一个人完成，一个人只能完 成一项任务；由于每个人的专长不同，每个人完成各项任务的效率（可以是时间，成 本，费用等）不同，应指派哪个人完成哪些任务，使m个人完成n项任务总的效率最高 （所需总时间最少，所需成本最少、所需费用最低）这类问题称为指派问题。
6
5
4
7
10 13 16 17
15 20 10 9
6
5
4
7
10 13 16 17
0 0 0 0
23
OR:SM
五、非标准指派问题
工作
例：现有4份工作，6个人应聘，由
1 2 3 4 56
人
于个人的技术专长不同，他们承担
1 12 7 9 7 0 0
各项工作所需时间如下表所示，且
解最优。 返回目录
OR:SM
三、匈牙利法的求解步骤
第一步
第二步
第三步
第四步
矩阵变换 画线检验 方案调整 分派任务
进 行 行 列 变 换 ， 用尽可能少的直
使矩阵的每行 线覆盖尽可能多
及每列至少有 的零元素。如果
一个零元素， 直线等于m，则
同时不出现负 求得最优解，转
元素。
第四步，否则转
第三步。
增加零元素数：指 派 的 原 则 是 ①未画线中找 在经过检验的 最小，②未画 矩阵中选择零 线原值减，③ 元素最少的行 交叉加， ④其 或 列 优 先 分 配 余 不 变 ， 然 后 任务。 转第二步；
9
10
返回目录
19
练习2参考答案
3 8 2 10 3
8
7
2
9
7
6 4 2 7 5
8 4 2 3 5
9
10
6
9
10
21
OR:SM
五、非标准指派问题
非标准型的指派问题：
匈牙利法的条件是：模型求最小值、效率cij≥0。 当遇到各种非标准形式的指派问题时，处理方法 是先将其转化为标准形式，然后用匈牙利法来求 解。
人员/评分/工作 张 王 李 赵 钱
平车 1.3 0 1.0 0 1.0
考克 0.8 1.2 0 1.05 0.9
卷边 0 1.3 0 0 0.6
绷缝 0 1.3 1.2 0.2 0
打眼 1.0 0 0 1.4 1.1
4
第五节 指派问题
模型
原理
步骤
实例
非标准型
练习
5
OR:SM
说 写 算
6
学生能力的培养
( 0) 6 17 17
30 ×0 ( 0) ×0
×0 ×0 ×0 (0)
32
( 0)
45
45
(0 ) 6 17 17
或 30 ×0 ×0 (0)
×0 ×0 (0) ×0
32
( 0)
45
45
16
OR:SM
四、指派问题求解举例
得到两个最 优解：
1
1
X (1)＝
1
，X (2)＝
1
1 1
1
1
方案一
工厂1→产品1 工厂2→产品3 工厂3→产品4 工厂4 →产品2
17
方案二
工厂1 →产品1 工厂2 →产品4 工厂3 →产品3 工厂4 →产品2
目标函数
单件产品总成 本 ： Z＝ 58 ＋ 150 ＋ 250 ＋ 55 ＝513
2
引例1：趣味问题
聘礼
女儿/追求者 D
E
F
A
3
27
1
B
5
10
4
C
26
28
7
答案之一：
C->E,B->D,A->F 贪婪法，34
3
答案之二：
A->E,B->F,C->D
匈牙利法，57
引例2：工作安排问题
现有5项工作要分给5个人去完成，每个人 完成各项工作的能力评分如下表所示，请问如 何分派，才能使得总得分最大？
产品3 180 150 170 200
产品4 260 230 250 280
一个工厂只能生产一种产品
x11 x12 x13 x14 1 x21 x22 x23 x24 1 x31 x32 x33 x34 1 x41 x42 x43 x44 1
30 0 0
0
0 0 0 0
32 0 45 45
OR:SM
四、指派问题求解举例
0 6 17 17
30 0 0
0
0 0 0 0
32 0 45 45
回到第二步，重新画线进行最 优性检验。通过则转第四步，否 则继续第三步。
第四步：试指派。覆盖所有零元素最少需要4条直 线，表明矩阵中存在4个不同行不同列的零元 素．容易看出4个“0”的位置：
有若干项任务 需要若干个人
来完成
7
这些问题的共同特 点是在满足特定的 指派要求的前提下， 使指派方案的总体 效果最佳。
有若干台机器需 要安装在若干个
不同的位置上
有若干个讲座 需要安排在若 干不同的教室
OR:SM
一、指派问题及其数学模型
每 个 指 派 问 题都有一个 已知的效率矩阵，其元素 cij≥0，表示第i个人完成第j 项任务的效率（如时间、 成本、费用等）
5 9 10
11
6
3
8 14 17