运筹学实验报告
运筹学综合实验报告
运筹学综合实验报告本次实验中，我们使用了运筹学的方法来解决了一个经典的优化问题，即整数线性规划问题（Integer Linear Programming，简称ILP）。
一、实验目的本次实验的主要目的是熟悉ILP的求解过程，了解ILP在实际问题中的应用，以及掌握使用现代优化软件Gurobi来求解ILP的方法。
二、实验原理1. 整数线性规划问题整数线性规划问题是在所有线性规划问题中的一个非常重要的子集。
它将优化目标函数的线性组合与整数限制相结合。
一个典型的ILP问题可以被描述为：最大化（或最小化）目标函数：\max(\min) \sum_{j=1}^{n}c_j x_j满足如下的约束条件：\sum_{j=1}^{n}a_{ij} x_j \leq b_i,\ i=1,2,\cdots,mx_j \geq 0,\ j=1,2,\cdots,nx_j \in Z,\ j=1,2,\cdots,nx_j表示自变量，c_j表示目标函数中的系数，a_{ij}表示第i个约束条件中x的系数，b_i表示约束条件的右侧常数，m表示约束条件的数量，n表示变量的数量。
最后两个约束条件要求自变量只能是整数。
2. Gurobi优化软件Gurobi是一个商业优化软件，经过多年的发展，已成为当前最流行的数学优化软件之一。
Gurobi支持多种数学优化方法，包括线性规划、非线性规划、混合整数规划、二次规划等。
Gurobi使用了现代算法来实现高效的求解效果，是工业和学术界备受推崇的优化软件。
三、实验内容1. 利用Gurobi求解整数线性规划问题我们使用Gurobi来求解如下的整数线性规划问题：\max\ \ 2x_1 + 3x_2 + 7x_3满足如下的约束条件：x_1 + x_2 + x_3 \leq 6x_1 - x_2 + x_3 \leq 4x_1, x_2, x_3 \in Z,\ x_1 \geq 0,\ x_2 \geq 0,\ x_3 \geq 0我们使用Python代码来实现该问题的求解过程：```pythonimport gurobipy as gbmodel = gb.Model("integer linear programming")# Create variablesx1 = model.addVar(vtype=gb.GRB.INTEGER, name="x1")x2 = model.addVar(vtype=gb.GRB.INTEGER, name="x2")x3 = model.addVar(vtype=gb.GRB.INTEGER, name="x3")# Set objectivemodel.setObjective(2*x1 + 3*x2 + 7*x3, gb.GRB.MAXIMIZE)# Add constraintsmodel.addConstr(x1 + x2 + x3 <= 6)model.addConstr(x1 - x2 + x3 <= 4)# Optimize modelmodel.optimize()# Print resultsprint(f"Maximum value: {model.objVal}")print(f"x1 = {x1.x}")print(f"x2 = {x2.x}")print(f"x3 = {x3.x}")```运行该代码，得到的输出结果为：```Optimize a model with 2 rows, 3 columns and 6 nonzerosVariable types: 0 continuous, 3 integer (0 binary)Coefficient statistics:Matrix range [1e+00, 1e+00]Objective range [2e+00, 7e+00]Bounds range [0e+00, 0e+00]RHS range [4e+00, 6e+00]Found heuristic solution: objective 9.0000000Presolve time: 0.00sPresolved: 2 rows, 3 columns, 6 nonzerosVariable types: 0 continuous, 3 integer (0 binary)Root relaxation: objective 1.500000e+01, 2 iterations, 0.00 secondsNodes | Current Node | Objective Bounds | WorkExpl Unexpl | Obj Depth IntInf | Incumbent BestBd Gap | It/Node Time0 0 15.00000 0 1 9.00000 15.00000 66.7% - 0sH 0 0 14.0000000 15.00000 7.14% - 0s0 0 15.00000 0 1 14.00000 15.00000 7.14% - 0sExplored 1 nodes (2 simplex iterations) in 0.03 secondsThread count was 4 (of 4 available processors)Solution count 2: 14 9Optimal solution found (tolerance 1.00e-04)Best objective 1.400000000000e+01, best bound 1.400000000000e+01, gap 0.0000%Maximum value: 14.0x1 = 2.0x2 = 4.0x3 = 0.0```经过Gurobi的求解，我们得到了最大值为14，同时x_1=2, x_2=4, x_3=0时取到最优值。
运筹学实验报告
运筹学实验报告运筹学实验报告一、实验目的：本实验旨在了解运筹学的基本概念和方法，并通过实践，掌握运筹学在实际问题中的应用。
二、实验过程：1.确定运筹学的应用领域：本次实验选择了物流配送问题作为运筹学的应用领域。
2.收集数据：我们选择了一个小型企业的物流配送数据进行分析，并将数据录入到计算机中。
3.建立模型：根据所收集的数据，我们建立了一个代表物流配送问题的数学模型。
4.运用运筹学方法进行求解：我们运用了线性规划的方法对物流配送问题进行求解，并得到了最优解。
5.分析结果：通过分析最优解，我们得出了一些有关物流配送问题的结论，并提出了一些优化建议。
三、实验结果：通过运用运筹学方法对物流配送问题进行求解，我们得到了一个最优解，即使得物流成本最低的配送方案。
将最优解与原始的配送方案进行对比，我们发现最优解的物流成本降低了20%，节省了货物运输的时间，减少了仓储成本。
四、实验结论：通过本次实验，我们了解了运筹学的基本概念和方法，并成功应用运筹学方法解决了物流配送问题。
通过分析最优解，我们发现采用最优解可以降低物流成本，提高配送效率。
因此，我们得出结论：运筹学在物流配送问题中的应用具有重要意义，可以帮助企业降低成本、提高效率。
五、实验心得：通过本次实验，我对运筹学有了更深入的了解。
通过实践应用运筹学方法，我明白了运筹学的实用性和价值。
在以后的工作中，我会更加注重运筹学方法的应用，以解决实际问题，提高工作效率。
本次实验不仅增强了我的动手实践能力，也培养了我分析和解决问题的能力。
我将继续学习和探索运筹学的知识，为将来的工作打下坚实的基础。
运筹学实验报告
实验二案例4.3 便民超市的网点布设一、背景资料介绍便民超市的网点布设：南平市规划在其远郊建一卫星城镇，下设20个街区，如图所示。
各街区居民数预期为1、4、9、13、17、20各12000人；2、3、5、8、11、14、19各14000人；6、7、10、12、15、16、18各15000人。
便民超市准备在上述街区进行布点。
根据方便就近的原则，在某一街区设点，该点将服务于该街区及相邻街区。
例如在编号为3的街区设一超市点，它服务的街区为1、2、3、4、6。
由于受到经费限制，便民超市将在上述20个街区内先设两个点。
请提供你的建议：在哪两个街区设点，使其服务范围的居民人数为最多。
二、数学模型的建立1、根据图示及材料可以总结出以下表格：2、设街区编号为Xi,在第i个街区设点能服务到的人数为a i令Xi=1时，表示在第i街区设点；Xi=0时，表示在第i街区不设点{10,2..m ax )20,193,2,1(01201201或目标函数：个街区不设点，在第个街区设点，在第==⎩⎨⎧=⋯⋯==∑∑==i i i i i i i i x x a t s x aZ i i i x三、数据输入方法1、打开运筹学软件，点击整数规划，选择纯整数规划，单击菜单中的“新建”2、在变量个数中输入：20，在约束条件中输入：21，选择Max ，然后单击确定3、在目标函数中变量X1，X2，……X19，X20所对应的系数分别填入：4、共设21个约束条件(j=21)，前20个约束条件是为了保证Xi=0或1，第21个约束条件是为了保证从20个街区中选2个。
（1）在约束条件j （j=1、2、3…18、19、20）中：除了变量Xi （当i=j 时）的系数填“1”，其余变量的系数都填“0”，符号都选择“≤”，b 的值都为“1”；（2）在约束条件j （j=21）中：所有变量Xi 的系数都填“1”，符号选择“=”，b 的值为“2”四、数据输出解读1、所有数据输入完后，单击“解决”按钮，得到如下“提示信息”对话框2、单击“确定”后，得到“结果输出”表格3、结果表明：当便民超市在街区6和14设点时，其服务范围内的居民人数为最多；此时，预期最多服务人数为208000人。
运筹学实践教学报告范文(3篇)
第1篇一、引言运筹学作为一门应用数学分支，广泛应用于经济管理、工程技术、军事决策等领域。
本报告旨在通过运筹学实践教学，验证理论知识在实际问题中的应用效果，提高学生的实践能力和创新能力。
以下是对本次实践教学的总结和反思。
二、实践教学内容1. 线性规划问题本次实践教学选择了线性规划问题作为研究对象。
通过建立线性规划模型，我们尝试解决生产计划、资源分配等实际问题。
- 案例一：生产计划问题某公司生产A、B两种产品，每单位A产品需消耗2小时机器时间和3小时人工时间，每单位B产品需消耗1小时机器时间和2小时人工时间。
公司每天可利用机器时间为8小时，人工时间为10小时。
假设A、B产品的利润分别为50元和30元，请问如何安排生产计划以获得最大利润？- 建模：设A产品生产量为x，B产品生产量为y，目标函数为最大化利润Z = 50x + 30y，约束条件为：\[\begin{cases}2x + y \leq 8 \\3x + 2y \leq 10 \\x, y \geq 0\end{cases}\]- 求解：利用单纯形法求解该线性规划问题，得到最优解为x = 3，y = 2，最大利润为240元。
- 案例二：资源分配问题某项目需要分配三种资源：人力、物力和财力。
人力为50人，物力为100台设备，财力为500万元。
根据项目需求，每种资源的需求量如下：- 人力：研发阶段需20人，生产阶段需30人；- 物力：研发阶段需30台设备，生产阶段需50台设备；- 财力：研发阶段需100万元，生产阶段需200万元。
请问如何合理分配资源以满足项目需求？- 建模：设人力分配量为x，物力分配量为y，财力分配量为z，目标函数为最大化总效用U = x + y + z，约束条件为：\[\begin{cases}x \leq 20 \\y \leq 30 \\z \leq 100 \\x + y + z \leq 500\end{cases}\]- 求解：利用线性规划软件求解该问题，得到最优解为x = 20，y = 30，z = 100，总效用为150。
运筹学实验报告
运筹学实验报告一实验一：线性规划【例l】某制药厂用甲、乙两台机器生产A、B两种药物。
每种药物要经过两道工序，在甲机器上搅拌，在乙机器上包装。
生产每千克药物所需的加工时间以及机器1周可用于加工的总时间如下表1所示。
已知生产每千克药物A的利润是30元，B是25元，问应如何安排1周的生产计划才能使工厂获利最大？表 1 两种药物在各机器上所需加工时间及各机器可用于加工的总时间（1）写出数学模型，建立新问题、输入选项(电子表格、变量取非负连续)、输入数据、存盘、求解模型、结果存盘、观察结果。
（2）将电子表格格式转换成标准模型。
（3）将结果复制到Excel或Word文档中。
（4）分析结果。
解：（1）从已知条件写出该问题的数学模型：max Z=30x1+25x2;2x1+4x2＜＝40;3x1+2x2＜＝30;x1>=0,x2>=0.建立新问题、输入选项(电子表格、变量取非负连续)、输入数据、存盘、求解模型、结果存盘、观察结果：求解模型过程Simplex Tableau -- Iteration 1X1 X2 Slack_C1 Slack_C2Basis C(j) 30.0000 25.0000 0 0 R. H. S. RatioSlack_C1 0 2.0000 4.0000 1.0000 0 40.0000 20.0000Slack_C2 0 3.0000 2.0000 0 1.0000 30.0000 10.0000C(j)-Z(j) 30.0000 25.0000 0 0 0Simplex Tableau -- Iteration 1X1 X2 Slack_C1 Slack_C2Basis C(j) 30.0000 25.0000 0 0 R. H. S. RatioSlack_C1 0 2.0000 4.0000 1.0000 0 40.0000 20.0000Slack_C2 0 3.0000 2.0000 0 1.0000 30.0000 10.0000C(j)-Z(j) 30.0000 25.0000 0 0 0Simplex Tableau -- Iteration 3X1 X2 Slack_C1 Slack_C2Basis C(j) 30.0000 25.0000 0 0 R. H. S. RatioX2 25.0000 0 1.0000 0.3750 -0.2500 7.5000X1 30.0000 1.0000 0 -0.2500 0.5000 5.0000C(j)-Z(j) 0 0 -1.8750 -8.7500 337.5000（2）将电子表格格式转换成标准模型。
大学生运筹学实训报告范文
一、引言运筹学是一门应用数学的分支，它运用数学模型、统计方法和计算机技术等工具，对复杂系统进行优化和决策。
为了更好地理解和掌握运筹学的理论和方法，提高实际操作能力，我们开展了大学生运筹学实训。
以下是本次实训的报告。
二、实训目的1. 理解运筹学的基本概念、原理和方法；2. 学会运用运筹学解决实际问题；3. 提高团队协作和沟通能力；4. 培养独立思考和创新能力。
三、实训内容1. 线性规划（1）实训目的：通过线性规划实训，掌握线性规划问题的建模、求解和结果分析。
（2）实训内容：以生产问题为例，建立线性规划模型，运用单纯形法求解最优解。
2. 整数规划（1）实训目的：通过整数规划实训，掌握整数规划问题的建模、求解和结果分析。
（2）实训内容：以背包问题为例，建立整数规划模型，运用分支定界法求解最优解。
3. 非线性规划（1）实训目的：通过非线性规划实训，掌握非线性规划问题的建模、求解和结果分析。
（2）实训内容：以旅行商问题为例，建立非线性规划模型，运用序列二次规划法求解最优解。
4. 网络流（1）实训目的：通过网络流实训，掌握网络流问题的建模、求解和结果分析。
（2）实训内容：以运输问题为例，建立网络流模型，运用最大流最小割定理求解最优解。
5. 概率论与数理统计（1）实训目的：通过概率论与数理统计实训，掌握概率论与数理统计的基本概念、原理和方法。
（2）实训内容：以排队论为例，建立概率模型，运用排队论公式求解系统性能指标。
四、实训过程1. 组建团队，明确分工；2. 针对每个实训内容，查阅相关资料，了解理论背景；3. 根据实际问题，建立数学模型；4. 选择合适的算法，进行编程实现；5. 对结果进行分析，总结经验教训。
五、实训成果1. 理解了运筹学的基本概念、原理和方法；2. 掌握了线性规划、整数规划、非线性规划、网络流和概率论与数理统计等运筹学工具；3. 提高了团队协作和沟通能力；4. 培养了独立思考和创新能力。
六、实训心得1. 运筹学是一门实用性很强的学科，它可以帮助我们解决实际问题，提高工作效率；2. 在实训过程中，我们要注重理论联系实际，将所学知识应用于实际问题的解决；3. 团队协作和沟通能力在实训过程中至关重要，要学会与团队成员共同进步；4. 实训过程中，我们要敢于尝试，勇于创新，不断提高自己的实践能力。
运筹学实验报告总结心得
运筹学实验报告总结心得1. 背景运筹学是以数学模型为基础，结合管理科学、经济学和计算机科学等方法，研究在有限资源的条件下优化决策问题的学科。
本次实验旨在通过运筹学方法解决一个实际的问题，并从中探索运筹学的实际应用价值。
2. 分析2.1 问题描述本次实验中，我们需要解决一个物流配送的问题。
具体问题是：给定一定数量的货物和一些配送车辆，如何确定最优的配送路线和配送顺序，以使得总体的运输成本最小。
2.2 求解思路为了解决这个问题，我们采用了TSP（Traveling Salesman Problem，旅行商问题）的算法。
TSP是一种经典的组合优化问题，通过寻找最短的闭合路径，将n个城市依次访问一遍。
我们将货物所在的位置作为城市，将物流中心作为起始点和终点，通过TSP算法确定最优的配送路线。
2.3 模型设计我们将问题抽象成图论问题，货物的位置和物流中心可以看作图的顶点，两个顶点之间的距离可以看作图的边。
我们首先计算出所有顶点之间的距离，并构建一个距离矩阵。
然后，通过TSP算法，求解最优的路径。
3. 结果通过我们的实验，我们成功地解决了物流配送问题，并得到了最优的配送路线和顺序。
我们以图的形式展示了最优路径，并计算出了最小的运输成本。
4. 建议在实验过程中，我们发现了一些可以改进的地方。
首先，我们可以考虑引入实时交通信息来调整路径，以避免拥堵和路况不佳的区域。
其次，我们可以进一步优化TSP算法，以提高求解效率和准确度。
最后，我们还可以考虑引入其他因素，如货物的紧急程度或优先级，来调整配送顺序，以更好地满足客户需求。
5. 总结通过本次实验，我们深入了解了运筹学的应用，特别是在物流配送方面的应用。
我们成功地解决了一个实际问题，并得到了有用的结果和结论。
我们还发现了一些可以改进的地方，为进一步研究和应用运筹学提供了方向。
运筹学作为一门跨学科的领域，具有广泛的应用前景。
通过运筹学方法，我们可以帮助企业和组织优化决策，提高效率，降低成本。
运筹学实验报告
运筹学实验报告实验目的：了解及掌握运筹学一些常用软件，如excel，WinQsb：实验步骤1用Excel求解数学规划例：求max=2x1+x2+x34x1+2x2+2x2≥42x1+4x2≤204x1+8x2+2x3≤4步骤：1．输入模型数据制E3的公式到E4-E6：3．从“工具”菜单中选择“规划求解”，将弹出的“规划求解参数”窗口中的目标单元格设为$E$3，可变单元格设为$B$2:$D$2，目标为求最大值： 4．添加约束：由于本例的约束条件类型分别为<=、>=和＝，因此要分3次设置，每次设置完毕后都要单击“添加”按钮，如下图。
添加完成后选择“确定”返回。
5．单击“选项”按钮，将“规划求解选项”窗口中的“采用线性模型”和“假定非负”两项选中后点“确定”返回，设置好参数的界面如下图：6．单击“求解”按钮，得到问题的最优解为：x1 ＝1，x2＝0，x3＝0，max Z=2。
2.winQSB求解线性规划及整数规划[例]求解线性规划问题：Minz=2x1—x2+2x32x1+2x2+x3=43x1+x2+x4=6第1步：生成表格选择“程序，生成对话框：第2步：输入数据单击“OK”，生成表格并输入数据如下第3步：求解）：x1，x2，x3决策变量（Decision Variable最优解：x1=2,x2=0，x3=0目标系数：c1=2,c2= -1，c3=2最优值：4；其中x1贡献4、x2，x3贡献0；检验数（Reduced Cost）：0,0，1.75。
目标系数的允许减量（Allowable Min.c[j]）和允许增量（Allowable Max.c[j]）：目标系数在此范围变量时，最优基不变。
约束条件（Constraint）：C1、C2；左端（Left Hand Side）：4,6右端（Right Hand Side）：4,6松驰变量或剩余变量（Slack or Surplus）：该值等于约束左端与约束右端之差。
- 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)。
实验1 单纯形法求解线性规划成绩实验类型：●验证性实验○综合性实验○设计性实验实验目的：进一步熟练掌握单纯形法求解线性规划。
实验内容：单纯形法求解线性规划4个实验原理线性规划单纯形法（线性规划解有四种情形，唯一最优解，无穷多个最解，无界解，无可行解）实验步骤1 要求上机实验前先编写出程序代码2 编辑录入程序3 调试程序并记录调试过程中出现的问题及修改程序的过程4 经反复调试后，运行程序并验证程序运行是否正确。
5 记录运行时的输入和输出。
预习编写程序代码：实验报告：根据实验情况和结果撰写并递交实验报告。
参考程序：function [xx,b,fm,sgma,AA,flg]=myprgmh(m1,m,n,A,b,c)% 单纯形法求解性规划函数。
默认标准型人工变量在最前、剩余变量在后构成基本量;% m1 人工变量的个数；m 基变量的个数； n 所有变量的个数;% A 约束方程的系数矩阵;% b 约束方程右端列向量;输出 b 基变量的值;% c 目标函数的系数。
cb 基变量的系数% 输出 xx 为基变量的下标;% fm 输出目标函数的值;% flg 表示解得四种情况;B0=A(:,1:m); % B0 初始可行基矩阵（单位矩阵）;cb=c(:,1:m);xx=1:m; % xx 变量的下标;sgma=c-(cb*B0)*A; % sgma 检验数;h=-1;sta=ones(m,1);for i=1:nif sgma(i)>0h=1;endendvv=0;[msg,mk]=max(sgma);for i=1:mif A(i,mk)>0sta(i)=b(i)/A(i,mk);elsesta(i)=10000;endend[mst,mr]=min(sta);if mst==10000flg='unbounded solution';fm=inf;xx=[];b=[];h=-1;vv=1;AA=[];elsezy=A(mr,mk)for i=1:mif i==mrfor j=1:nA(i,j)=A(i,j)/zy;endb(i)=b(i)/zy;elseendendfor i=1:mif i~=mramk=A(i,mk);b(i)=b(i)-amk*b(mr);for j=1:nA(i,j)=A(i,j)-amk*A(mr,j); endelseendA;B1=A(:,1:m); % B1 新基的逆矩阵;cb(mr)=c(mk);xx(mr)=mk;sgma=c-cb*A;for i=1:nif sgma(i)>0h=1;endendendcbbfm=sum(cb*b);if (h==-1)&(vv~=1)vv=0;for i=1:mif xx(i)<=m1vv=vv+2;endendif vv>=2;flg='nofeasibel';xx=[];fm=[];b=[];vv=1;AA=[];endif vv~=1AA=A;ss=size(find(sgma))ww=ss(2)if ww==n-mflg='There is only one solution';elseflg='There are many solutions';endendendendendend一． 唯一最优解。
12max 3z x x =+12122125105014,0x x x x x x x +≤⎧⎪+≥⎪⎨≤⎪⎪≥⎩ >> [xx,b,fm,sgma,AA,flg]=myprgmh(m1,m,n,A,b,c)Zy=1cb = 0 3 0b =4013zy =1cb =0 3 0b =1043zy =5cb =1 3 0b = 245ss =1 2ww =2xx =4 5 2b = 245fm =14sgma =-0.2000 0 -1.0000 0 0AA =0.2000 0 -2.0000 1.0000 00 0 1.0000 0 1.00000.2000 1.0000 -1.0000 0 0flg =There is only one solution二． 无界解。
1231231323123max 2262220,,0z x x x x x x x x x x x x x =-+++≥⎧⎪-+≥⎪⎨-≥⎪⎪≥⎩>> A=[-1 0 0 1 1 1;0 -1 0 -2 0 1;0 0 -1 0 2 -1];b=[6 2 0]';m1=0;m=3;n=6;c=[0 0 0 2 -1 2]c =0 0 0 2 -1 2>> [xx,b,fm,sgma,AA,flg]=myprgmh(m1,m,n,A,b,c)zy =1cb = 2 0 0b = 614xx =[]b =[]fm =Infsgma =2 0 0 0 -3 0AA =[]flg =unbounded solution三． 无穷多最优解。
121212123max 248416412,,0z x x x x x x x x x =+⎧+≤⎪≤⎪⎨≤⎪⎪≥⎩>> A=[1 0 0 1 2;0 1 0 4 0;0 0 1 0 4];b=[8 16 12]';c=[0 0 0 2 4];m1=0;m=3;n=5 n =5>> [xx,b,fm,sgma,AA,flg]=myprgmh(m1,m,n,A,b,c)zy =4cb =0 0 4b =2163zy =1b =2 0 4b = 283ss =1 1ww =1xx =4 2 5b = 283fm =16sgma =-2 0 0 0 0AA = 1.0000 0 -0.5000 1.0000 0-4.0000 1.0000 2.0000 0 00 0 0.2500 0 1.0000flg =There are many solutions四．无可行解。
>> A=[1 0 1 -1 -1 0;0 1 -3 1 0 -1];>> b=[0;3];>> c=[-100 -100 1 1 0 0];>> [xx,b,fm,sgma,AA,flg]=myprgmh(2,2,6,A,b,c)xx = []B= []fm =[]sgma =0 -1 -196 0 -100 -99AA =[]flg =nofeasibel实验二、线性规划的灵敏性分析（一）实验目的1. 线性规划求解的单纯形法的灵敏度分析的编程实现2．掌握使用matlab、Lingo、Excel的规划求解功能求解，并利用“敏感性报告”进行分析。
（二）实验内容P45 1.6 （1）-（4）解的灵敏度分析P45 1.6 （1）max=2*x1+3*x2+4*x3;x1+x2+x3<5;x1-2*x2+5*x3<10;2*x1+3*x2-3*x3<6;计算结果Global optimal solution found.Objective value: 17.85714Total solver iterations: 0Variable Value Reduced CostX1 0.000000 1.428571X2 2.142857 0.000000X3 2.857143 0.000000Row Slack or Surplus Dual Price1 17.85714 1.0000002 0.000000 3.2857143 0.000000 0.14285714 8.142857 0.000000灵敏度分析Ranges in which the basis is unchanged:Objective Coefficient RangesCurrent Allowable Allowable Variable Coefficient Increase Decrease X1 2.000000 1.428571 INFINITY X2 3.000000 1.000000 2.500000 X3 4.000000 INFINITY 1.000000Righthand Side RangesRow Current Allowable Allowable RHS Increase Decrease 2 5.000000 6.333333 3.000000 3 10.00000 15.00000 9.500000 4 6.000000 INFINITY 8.142857分析结果：最优值是17.85714，此时x1=0，x2=2.142857，x3=2.857143x1=2.0时，x1在[2.0-∞,2.0+1.428571]=[-∞,3.142857]内变化时，最优值不变； x2=3.0时，x2在[3.0-2.5，3.0+1.0]=[0.5,4]内变化时，最优值不变；x3=4.0时，x3在[3.0-1.0，3.0+∞]=[2，∞]内变化时，最优值不变；其他可类似理解。
实验三、运输问题（一）实验目的1. 运输问题求解的编程实现2．掌握使用matlab 、Lingo 、Excel 的求解功能求解运输问题，并对结果进行分析。
（二）实验内容教师自拟。
P97 3.3, 或 3.5⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧≤++≤++≤++≤++≤+++≤+++≤+++;3500;3000;2000;1500;5000;2500;2500128411731062951121110987654321x x x x x x x x x x x x x x x x x x x x x x x x ..t s程序：model:sets:chengshi/1..3/:a;fuzhuang/1..4/:b;link(chengshi,fuzhuang):c,x;endsetsdata:a=2500 2500 5000;b=1500 2000 3000 3500;c=10 5 6 78 2 7 69 3 4 8;enddatamax=@sum(link(i,j):x(i,j)*c(i,j));@for(fuzhuang(j):@sum(chengshi(i):x(i,j))<=b(j););@for(chengshi(i):@sum(fuzhuang(j):x(i,j))<=a(i););endGlobal optimal solution found.Objective value: 72000.00Total solver iterations: 7X( 1, 2) 2000.000 0.000000X( 1, 3) 500.0000 0.000000X( 2, 3) 2500.000 0.000000X( 3, 1) 1500.000 0.000000X( 3, 4) 3500.000 0.000000实验四、整数规划（一）实验目的1. 整数规划求解的分支定界法的编程实现2．掌握使用matlab、Lingo、Excel的求解功能求解整数规划问题，并对结果进行分析。