超效率DEA MATLAB代码
基于DEA模型的银行运行效益评价
数据库技术Database Technology电子技术与软件工程Electronic Technology & Software Engineering基于DEA 模型的银行运行效益评价张雨翔(重庆邮电大学重庆市400065 )摘 要：本文选取了 12家上市银行作为样本，运用数据包络(DEA )及因子分析对国有银行及商业银行的综合运行效率值进行客观评 价，并计算出机构数量、金融投资等投入指标的冗余率及资产质量、债偿能力等产出指标的不足率。
研究结果表明：国有银行运行综合效益值低于股份制商业银行，且新型商业银行运行效益处于优秀水平。
最后，本文从政策制定、资产配置等方面提出针对性建议，以期提高银行业运行效益。
关键词：数据包络；因子分析；评价模型1引言评价模型是国内外学者研究的热点问题，被广泛应用于企业效 益评估、投资计划配置、行业前景分析等领域。
目前已有的传统评 价模型如层次分析法、TOPSIS 法、模糊综合评价法等存在诸如人 为主观性强、对样本数量或特征要求严苛、评价精度低等缺点，数 据包络分析(Data Envelopment Analysis, DEA)作为运筹学、管理学 与数理学科交叉下的新方法，可根据多项投入指标和产出指标进行 相对有效性评价，具有客观性强、误差小、无需预估参数的优点，因此本文选用DEA 对12家上市银行进行绩效评价，为投资管理、 资产配置决策提供科学的信息与建议。
2 DEA 模型的构建2. 1 C'R 模型1978年美国著名运筹学家A.chames 和W.W.Cooper 在Farrell 在生产率思想⑴基础上提出了基于多指标投入产出相对效率的数据包络分析法，并在上世纪80年代流行起来。
我国自1988年由魏权 龄121系统地介绍DEA 方法后，DEA 理论也逐渐发展并有所成就。
DEA 模型以决策单元(Decision Making Unit, DMU)为应用对 象。
Matlab代码的分析、优化和加速
Matlab代码的分析、优化和加速Profile(分析）在加速你的matlab程序之前，你需要知道你的代码哪一部分运行最慢。
matlab提供个简单的机制，让你能够知道你的代码的某一部分运行所占用CPU时间。
通过在代码段开始添加tic，及在结束添加toc；matlab就能计算出这一代码段的运行时间。
Tic和toc方法存在两个问题：（1）显示的时间是运行时间“wall clock”。
这个时间受你在运行你的代码时，你的计算机是否同时运行其它别的程序。
（2）你需要不断地压缩计时范围来查找你代码运行最慢的位置。
一个最好的方法是利用matlab 内嵌的代码分析器。
在你的程序前面通过添加命令profile on;及在程序结束添加profile viewer;并运行你的程序。
当程序正常运行结束时，代码分析器窗口将弹出，并显示分析结果。
它包含的信息有：Function Name :函数名；Calls :函数被调用次数；Total Time :执行该函数的CPU总用时，包含任何其它被它调用的函数的CPU时间。
Self Time :执行该函数的CUP总用时，不包含任何其它被它调用的函数的CUP时间。
Total Time Plot :时间用时的曲线图。
以上信息可进行各种排序和详细查看。
注意：当你完成你的代码分析后，请删除profile on和profile viewer，因为嵌入代码分析器会使用的程序运行变慢。
标准提示☆有问题找帮助文档。
学会使用帮助文档，学会针对待解决的问题检索文档资料。
☆性能查看MATLAB->Programming->Improving Performace and Memory Usage;或MATLAB->Programming Fundamentals->Performace->Techniques for Improveing Performace。
多线程如果你使用的是多核心的计算机，那么你就可以让Matlab同时运行多个线程，Matlab 程序中一些底层的函数(Low-level function)就有可能采用并行计算的方法。
DEA算法学习系列之三：一次性求解CCR模型所有DMU参数——效率、规模效益、有效性特征、调整值的matlab代码
DEA算法学习笔记系列（三）一次性求解CCR模型所有DMU参数——效率、规模效益、有效性特征、调整值的matlab代码目录1 编写目的 (4)1.1E XCEL一次只能计算一个DMU (4)1.2M A TLAB编程一次性计算所有DMU的效率、有效性、调整值 (5)2 MATLAB求解线性规划 (5)2.1系统函数说明 (5)2.1.1 调用格式： (5)2.1.2 输入参数说明 (5)2.1.3 返回值说明 (6)2.2简单例子，用代码求解 (7)2.2.1 例1 (7)2.2.2 例2： (8)2.2.3 例题3（无解的例子） (9)2.2.4 例4（需要标准化的例子，一个等式的例子） (10)2.2.5 例5 (11)2.2.6 例子6：松弛变量为基变量——用等式重解例1 (13)2.3自定义M A TLAB函数求解线性规划（从EXCEL读数据） (14)2.3.1 简单版：MyLinprog——读取给定文件中数据，返回计算结果 (14)3 DEA模型之CCR简介 (16)3.1CCR理论模型 (16)4 CCR模型计算过程——一个决策单元的计算过程 (18)4.1例题说明 (18)4.2基于理论构建模型——湖南省 (19)4.3调整形式，以利于线性规划函数求解 (19)4.4按照自定义函数，构造EXCEL文件 (20)4.4.1 矩阵A的格式和说明 (20)4.4.2 价值向量系数矩阵C的格式和说明 (20)4.4.3 资源限制矩阵b的格式和说明 (21)4.4.4 X取值条件的限制 (21)4.5调用自定义函数（M Y L INPROG）求解指定决策单元模型 (22)4.6计算结果评价 (22)4.6.1 最优值 (22)4.6.2 各变量的值 (23)4.6.3 模型效率分析 (24)4.7调整方案 (24)5 计算CCR模型的MATLAB函数——所有决策单元 (25)5.1程序代码（可直接运行） (25)5.2存放数据的EXCEL文件格式说明 (27)5.2.1 第一个：投入产出数据 (27)5.2.2 第二个数据：价值变量系数矩阵（不需准备） (27)5.2.3 第三个数据：资源限制矩阵（不需要准备） .................................................................. 28 5.2.4 第四个数据：决策变量的取值范围（不需要准备） ...................................................... 28 5.2.5 范例数据 .............................................................................................................................. 28 5.3 计算所有DMU 的函数 .............................................................................................................. 28 5.3.1 函数输入参数 ...................................................................................................................... 28 5.3.2 返回参数1：每个DMU 效率、规模效益、是否弱有效 ................................................ 28 5.3.3 返回参数2：每个DMU 的所有值 (29)5.3.4 返回参数3：增加的松弛变量 ........................................................................................... 29 5.3.5 返回参数4：非DEA 有效DMU 调整后的投入产出矩阵 .............................................. 29 5.3.6 返回参数5：非DEA 有效DMU 各个指标调整值 .......................................................... 29 5.4 返回参数例子 ............................................................................................................................. 29 5.4.1 返回参数1：每个DMU 效率、规模效益、是否弱有效 ................................................ 29 5.4.2 返回参数2：每个DMU 的所有值 (30)5.4.3 返回参数3：增加的松弛变量 ........................................................................................... 30 5.4.4 返回参数4：非DEA 有效DMU 调整后的投入产出矩阵 .............................................. 30 5.4.5 返回参数5：非DEA 有效DMU 各个指标调整值 .......................................................... 30 6 补充知识 ............................................................................................................................................ 30 6.1 自定义MA TLAB 函数 .................................................................................................................. 30 6.2 M A TLAB 向量操作 ....................................................................................................................... 32 6.2.1 读取矩阵第一列 .................................................................................................................. 32 6.3 M A TLAB 操作EXCEL 数据 ........................................................................................................... 32 6.3.1 读入excel 数据 .................................................................................................................... 32 6.3.2 写内容到xls ........................................................................................................................ 33 6.4 M A TLAB 的FOR 循环语句............................................................................................................ 35 7 参考资料 .. (35)λλ1 编写目的1.1 Excel 一次只能计算一个DMUDEA 的CCR 模型，他的对偶模型如下图：⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎨⎧≥=-+++=-+++=++++=++++=++++=++---无约束θθθθθλλλλλλλλλλλλλλλλλλλλλ,004.165921.266204.165922.93009.219620.144410.18120.144760.4929.17920.443000.46120.44320.24980.40131.84940.144431.84964.58145.98084.93656.130684.93608.58366.932..min 2432114321343212432114321jDs s s s s Vt s 很多人通过EXCEL 提供的一个插件进行计算，如下图所示：但是，这种方法有以下不足：（1）每次只能计算一个DMU ，如果有多个DMU ，那么需要人工重复计算过程多次；（2）通过Excel 计算，只能得到θ，没法得到各个，所以，也无法直接判断是规模效益递增还是递减；λ（3）没发直接得到ss ii、+-的值，也无法直接判断DMU 是弱DEA 有效，还是DEA 有效1.2 Matlab 编程一次性计算所有DMU 的效率、有效性、调整值文章通过编写Matlab 程序，实现一次性对所有DMU 计算效率θ、有效性（根据θ以及所有的汇总值）、调整值（根据ss ii、+-）。
如何优化Matlab代码效率
如何优化Matlab代码效率一、引言Matlab是一种广泛用于科学计算和工程数据分析的编程语言和环境。
尽管Matlab具有易学易用的优势，但在处理大规模数据和复杂算法时，其执行效率可能受到限制。
本文旨在探讨如何优化Matlab代码的效率，以提高程序执行速度和资源利用率。
二、算法优化在编写Matlab代码时，合理选择和设计算法是提高效率的关键。
以下是一些常见的算法优化方法：1. 向量化操作：利用Matlab对向量和矩阵运算的优化支持，尽量避免使用循环。
通过向量化操作，可以将多个操作并行执行，减少运算次数。
2. 预分配内存空间：在循环中频繁使用动态分配内存的操作会导致效率下降。
可以通过预先分配足够的内存空间来避免频繁的内存分配和释放操作。
3. 减少不必要的计算：分析算法流程，去除不必要的计算步骤和重复计算，减少程序运行时间。
4. 选择高效的数据结构：根据实际需求选择合适的数据结构，例如使用矩阵代替多维数组，使用稀疏矩阵进行存储和计算等。
5. 并行计算：利用Matlab的并行计算工具箱，将计算任务分解为多个子任务，并利用多核或集群资源并行执行，以加速程序运行。
三、内存管理合理的内存管理是优化Matlab代码效率的重要一环。
以下是一些内存管理的技巧：1. 及时释放不再使用的变量：及时清除不再使用的变量，以释放内存空间，避免因内存不足而引起的性能下降。
2. 使用稀疏矩阵：对于大规模的稀疏数据，使用稀疏矩阵可以大幅减少内存占用和计算时间。
3. 内存预分配：通过预估计算所需内存空间，提前分配足够的内存，减少内存分配的开销。
4. 尽量避免频繁的复制操作：在Matlab中，大部分变量传递和复制都是按值传递，会占用额外的内存。
在处理大规模数据时，尽量避免频繁的变量复制操作，以减少内存开销。
四、调试和性能分析工具Matlab提供了一系列的调试和性能分析工具，可以帮助开发者发现代码中的潜在性能瓶颈。
以下是一些常用的工具：1. Profiler：通过运行Profiler，可以收集代码的性能数据，包括函数的执行时间、内存占用等信息。
最优化各种方法MATLAB代码
最优化程序MATLAB 代码程序1.目标任务分别用最速下降法、FR 共轭梯度法、DFP 法和BFGS 法求解无约束最值问题：22112212min f (x)x 2x x 4x x 3x =-++-取初始点(1)T x (1,1)=和 (2)T x (2,2)=，分别通过Matlab 编程实现求解过程。
2.程序实现（程序文件见附件）2.1公用函数1)function f= fun( X ) %所求问题目标函数f=X(1)^2-2*X(1)*X(2)+4*X(2)^2+X(1)-3*X(2); end2) function g= gfun( X )%所求问题目标函数梯度g=[2*X(1)-2*X(2)+1,-2*X(1)+8*X(2)-3]; end3) function He = Hess( X )%所求问题目标函数Hesse 矩阵 n=length(X); He=zeros(n,n); He=[2,-2; -2,4];End2.2其他函数图2.2 函数程序文件图1) 最速下降法的文件名为 ：grad.m 。
2) FR 共轭梯度法的文件名为 ：frcg.m 。
3) DFP 法的文件名为 ：dfp.m 。
4)BFGS 法的文件名为 ：bfgs.m 。
3.程序运行结果3.1最速下降法3.1.1 初值为(1)T x (1,1)图3.1.1.1 最速下降法求解最小值输出结果图图3.1.1.2最速下降法求解最小值过程图3.1.2初值为(2)T x (2,2)图3.1.2.1最速下降法求解最小值输出结果图图3.1.2.2最速下降法求解最小值过程图3.2 FR 共轭梯度法3.2.1 初值为(1)T x (1,1)图3.2.1.1 FR 共轭梯度法求解最小值输出结果图图3.2.1.2 FR 共轭梯度法求解最小值过程图3.2.2初值为(2)T x (2,2)图3.2.2.1 FR 共轭梯度法求解最小值输出结果图图3.2.2.2 FR 共轭梯度法求解最小值过程图3.3 DFP 法3.3.1 初值为(1)T x (1,1)图3.3.1.1 DFP 法求解最小值输出结果图图3.3.1.2 DFP法求解最小值过程图图3.3.1.2 DFP法求解最小值过程图（3.3.2初值为(2)T x (2,2)图3.3.2.1 DFP 法求解最小值输出结果图图3.3.2.2 DFP 法求解最小值过程图3.4 BFGS 法3.4.1 初值为(1)T x (1,1)图3.4.1.1 BFGS 法求解最小值输出结果图图3.4.1.2 BFGS 法求解最小值过程图3.4.2初值为(2)T x (2,2)图3.4.2.1 BFGS 法求解最小值输出结果图图3.4.2.2 BFGS 法求解最小值输出过程图。
deabcc matlab代码
以下是一篇关于"deabcc matlab代码"的文章：
DEABCC是一种MATLAB代码形式，用于处理数据分析和可视化。
它具有强大的功能和灵活性，可以帮助用户更好地理解和分析数据。
DEABCC代码的编写非常简单，只需几行代码即可完成数据分析和可视化任务。
首先，我们需要将数据导入到MATLAB中，可以使用readtable函数或csvread函数来实现。
接下来，我们可以使用一系列的函数来对数据进行处理，例如统计描述函数、回归分析函数、图表绘制函数等。
统计描述函数可以帮助我们了解数据的分布情况，包括均值、中位数、标准差等。
回归分析函数可以帮助我们建立回归模型，预测因变量与自变量之间的关系。
图表绘制函数可以将数据可视化，例如绘制柱状图、折线图、散点图等，以帮助我们更直观地理解数据。
DEABCC代码还提供了一些高级功能，例如数据聚类分析、主成分分析等。
这些功能可以帮助用户更深入地挖掘数据中的规律和关联性。
总的来说，DEABCC代码是一种强大且易于使用的工具，适用于各种数据分析和可视化任务。
无论是学术研究、商业分析还是工程设计，DEABCC代码都可以帮助用户更好地理解和利用数据。
通过合理运用DEABCC代码，我们可以从数据中发现有价值的信息，并做出准确的决策。
30个智能算法matlab代码
30个智能算法matlab代码以下是30个使用MATLAB编写的智能算法的示例代码： 1. 线性回归算法：matlab.x = [1, 2, 3, 4, 5];y = [2, 4, 6, 8, 10];coefficients = polyfit(x, y, 1);predicted_y = polyval(coefficients, x);2. 逻辑回归算法：matlab.x = [1, 2, 3, 4, 5];y = [0, 0, 1, 1, 1];model = fitglm(x, y, 'Distribution', 'binomial'); predicted_y = predict(model, x);3. 支持向量机算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3];y = [1, 1, -1, -1, -1];model = fitcsvm(x', y');predicted_y = predict(model, x');4. 决策树算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; y = [0, 0, 1, 1, 1];model = fitctree(x', y');predicted_y = predict(model, x');5. 随机森林算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; y = [0, 0, 1, 1, 1];model = TreeBagger(50, x', y');predicted_y = predict(model, x');6. K均值聚类算法：matlab.x = [1, 2, 3, 10, 11, 12]; y = [1, 2, 3, 10, 11, 12]; data = [x', y'];idx = kmeans(data, 2);7. DBSCAN聚类算法：matlab.x = [1, 2, 3, 10, 11, 12]; y = [1, 2, 3, 10, 11, 12]; data = [x', y'];epsilon = 2;minPts = 2;[idx, corePoints] = dbscan(data, epsilon, minPts);8. 神经网络算法：matlab.x = [1, 2, 3, 4, 5];y = [0, 0, 1, 1, 1];net = feedforwardnet(10);net = train(net, x', y');predicted_y = net(x');9. 遗传算法：matlab.fitnessFunction = @(x) x^2 4x + 4;nvars = 1;lb = 0;ub = 5;options = gaoptimset('PlotFcns', @gaplotbestf);[x, fval] = ga(fitnessFunction, nvars, [], [], [], [], lb, ub, [], options);10. 粒子群优化算法：matlab.fitnessFunction = @(x) x^2 4x + 4;nvars = 1;lb = 0;ub = 5;options = optimoptions('particleswarm', 'PlotFcn',@pswplotbestf);[x, fval] = particleswarm(fitnessFunction, nvars, lb, ub, options);11. 蚁群算法：matlab.distanceMatrix = [0, 2, 3; 2, 0, 4; 3, 4, 0];pheromoneMatrix = ones(3, 3);alpha = 1;beta = 1;iterations = 10;bestPath = antColonyOptimization(distanceMatrix, pheromoneMatrix, alpha, beta, iterations);12. 粒子群-蚁群混合算法：matlab.distanceMatrix = [0, 2, 3; 2, 0, 4; 3, 4, 0];pheromoneMatrix = ones(3, 3);alpha = 1;beta = 1;iterations = 10;bestPath = particleAntHybrid(distanceMatrix, pheromoneMatrix, alpha, beta, iterations);13. 遗传算法-粒子群混合算法：matlab.fitnessFunction = @(x) x^2 4x + 4;nvars = 1;lb = 0;ub = 5;gaOptions = gaoptimset('PlotFcns', @gaplotbestf);psOptions = optimoptions('particleswarm', 'PlotFcn',@pswplotbestf);[x, fval] = gaParticleHybrid(fitnessFunction, nvars, lb, ub, gaOptions, psOptions);14. K近邻算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; y = [0, 0, 1, 1, 1];model = fitcknn(x', y');predicted_y = predict(model, x');15. 朴素贝叶斯算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; y = [0, 0, 1, 1, 1];model = fitcnb(x', y');predicted_y = predict(model, x');16. AdaBoost算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3];y = [0, 0, 1, 1, 1];model = fitensemble(x', y', 'AdaBoostM1', 100, 'Tree'); predicted_y = predict(model, x');17. 高斯混合模型算法：matlab.x = [1, 2, 3, 4, 5]';y = [0, 0, 1, 1, 1]';data = [x, y];model = fitgmdist(data, 2);idx = cluster(model, data);18. 主成分分析算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; coefficients = pca(x');transformed_x = x' coefficients;19. 独立成分分析算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; coefficients = fastica(x');transformed_x = x' coefficients;20. 模糊C均值聚类算法：matlab.x = [1, 2, 3, 4, 5; 1, 2, 2, 3, 3]; options = [2, 100, 1e-5, 0];[centers, U] = fcm(x', 2, options);21. 遗传规划算法：matlab.fitnessFunction = @(x) x^2 4x + 4; nvars = 1;lb = 0;ub = 5;options = optimoptions('ga', 'PlotFcn', @gaplotbestf);[x, fval] = ga(fitnessFunction, nvars, [], [], [], [], lb, ub, [], options);22. 线性规划算法：matlab.f = [-5; -4];A = [1, 2; 3, 1];b = [8; 6];lb = [0; 0];ub = [];[x, fval] = linprog(f, A, b, [], [], lb, ub);23. 整数规划算法：matlab.f = [-5; -4];A = [1, 2; 3, 1];b = [8; 6];intcon = [1, 2];[x, fval] = intlinprog(f, intcon, A, b);24. 图像分割算法：matlab.image = imread('image.jpg');grayImage = rgb2gray(image);binaryImage = imbinarize(grayImage);segmented = medfilt2(binaryImage);25. 文本分类算法：matlab.documents = ["This is a document.", "Another document.", "Yet another document."];labels = categorical(["Class 1", "Class 2", "Class 1"]);model = trainTextClassifier(documents, labels);newDocuments = ["A new document.", "Another new document."];predictedLabels = classifyText(model, newDocuments);26. 图像识别算法：matlab.image = imread('image.jpg');features = extractFeatures(image);model = trainImageClassifier(features, labels);newImage = imread('new_image.jpg');newFeatures = extractFeatures(newImage);predictedLabel = classifyImage(model, newFeatures);27. 时间序列预测算法：matlab.data = [1, 2, 3, 4, 5];model = arima(2, 1, 1);model = estimate(model, data);forecastedData = forecast(model, 5);28. 关联规则挖掘算法：matlab.data = readtable('data.csv');rules = associationRules(data, 'Support', 0.1);29. 增强学习算法：matlab.environment = rlPredefinedEnv('Pendulum');agent = rlDDPGAgent(environment);train(agent);30. 马尔可夫决策过程算法：matlab.states = [1, 2, 3];actions = [1, 2];transitionMatrix = [0.8, 0.1, 0.1; 0.2, 0.6, 0.2; 0.3, 0.3, 0.4];rewardMatrix = [1, 0, -1; -1, 1, 0; 0, -1, 1];policy = mdpPolicyIteration(transitionMatrix, rewardMatrix);以上是30个使用MATLAB编写的智能算法的示例代码，每个算法都可以根据具体的问题和数据进行相应的调整和优化。
链式网络DEA与matlab应用-二阶段附加投入DEA
链式网络DEA与matlab应用：二阶段附加投入的DEA链式网络DEA包括2阶段、3阶段等多阶段，我们考虑2阶段附加投入的DEA模型。
网络DEA 模型的形式是我们把决策单元分解为K 个子过程，每个子过程都有相应的投入变量和输出变量，同时还有中间变量，中间变量既是上一子系统输出的变量，又是下一子系统输入的变量，我们把各个过程依照流程的次序排列好，上一子过程的中间产出变量要由下一个过程进行消费，通过相关中间变量，紧密联系决策单元各子过程。
对应的一般模型为，DEA模型如下：第一阶段CCR模型：不仅考虑到要求保证第一阶段的效率值小于 1，同时考虑附加约束即第二阶段的效率值阈值为 1，计算第一阶段的最佳效率，记为0max 1θ。
所以，第一阶段的效率值 01θ的约束条件为00max 11[0,]θθ∈。
根据 Charnes -Cooper 变换，将第一阶段模型转换为线性方程，θ=同理根据 Charnes -Cooper 变换，1,01max θθ==⋅∑sr r r u yclear;clc;M=xlsread('C:\MATLAB74\work\new','Sheet1','A2:G28');%第一阶段3个投入M的1-2列，产出为M的3列；%第二阶段的新投入为M的4-5列，产出为M的6-7列X1=M(:,1:2);%第一阶段初始投入矩阵X1，列数为DMU的个数n，行数为投入种类m Z=M(:,3:3); %第一阶段产出矩阵Z，列数为DMU的个数n，行数为产出种类DX2=M(:,4:5);%第二阶段追加投入x2，列数为DMU的个数n，行数为附加投入种类H Y=M(:,6:7);%第二阶段最终产出矩阵Y，列数为DMU的个数n，行数为最终产出种类sn=size(X1,1);m=size(X1,2);D=size(Z,2);H=size(X2,2);s=size(Y,2);theta1=zeros(n,1);theta2=zeros(n,1);w=cell(n,1);v=w;Q=w;u=w;options=optimset('display','off');for i=1:n%% 第一次线性规划f=-[Z(i,:),zeros(1,(m+H+s))];A=[Z,-X1,zeros(n,(H+s));-Z,zeros(n,m),-X2,Y];b=zeros(2*n,1);Aeq=[zeros(1,D),X1(i,:),zeros(1,(H+s))];beq=1;lb=zeros(1,(D+m+H+s));ub=inf*ones(1,(D+m+H+s));[w1,feval]=linprog(f,A,b,Aeq,beq,lb,ub,[],options);theta1(i)=-feval;%% 第二次线性规划theta0=linspace(0,theta1(i));THETA=zeros(1,100);for j=1:100f=-theta0(j)*[zeros(1,m),zeros(1,D),zeros(1,H),Y(i,:)];A=[-X1,Z,zeros(n,H),zeros(n,s);zeros(n,m),-Z,-X2,Y];b=zeros(2*n,1);Aeq=[zeros(1,m),Z(i,:),X2(i,:),zeros(1,s);-theta0(j)*X1(i,:),Z(i,:),zeros(1,H),zeros(1,s)];beq=[1;0];lb=zeros(1,(m+D+H+s));ub=inf*ones(1,(m+D+H+s));[w2,feval]=linprog(f,A,b,Aeq,beq,lb,ub,[],options);THETA(j)=-feval;end%[~,j]=max(THETA);f=-theta0(j)*[zeros(1,m),zeros(1,D),zeros(1,H),Y(i,:)];A=[-X1,Z,zeros(n,H),zeros(n,s);zeros(n,m),-Z,-X2,Y];b=zeros(2*n,1);Aeq=[zeros(1,m),Z(i,:),X2(i,:),zeros(1,s);-theta0(j)*X1(i,:),Z(i,:),zeros(1,H),zeros(1,s)];beq=[1;0];lb=zeros(1,(m+D+H+s));ub=inf*ones(1,(m+D+H+s));[x,feval]=linprog(f,A,b,Aeq,beq,lb,ub,[],options);theta2(i)=-feval;v{i}=x(1:m);w{i}=x(m+1:m+D);Q{i}=x(m+D+1:m+D+H);u{i}=x(m+D+H+1:end);endB=[theta1,theta2./theta1,theta2];。