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。
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。
运筹学实验心得(精选5篇)
运筹学实验心得(精选5篇)运筹学实验心得篇1实验心得：1.背景与目标：运筹学是一门决策支持学科，它使用数学模型和算法来解决实际生活中的优化问题。
本实验的目标是通过学习运筹学的基本理论和方法，提高自己在实际问题中的决策能力和解决问题的能力。
2.实验内容：本实验包括了几个重要的运筹学主题，包括线性规划、整数规划、非线性规划和动态规划等。
我们首先学习了这些基本概念和算法，然后通过具体案例进行了实践操作，并运用所学知识对实际生活中的一些问题进行了分析和解决。
3.实验结果与收获：通过实验，我们成功地运用运筹学方法解决了一些实际问题。
例如，我们使用线性规划算法解决了货物配送问题，并使用整数规划算法解决了人员调度问题。
同时，我们也收获了一些理论知识和实践经验。
我们学会了如何使用数学模型和算法来解决实际问题，并提高了自己的决策能力和解决问题的能力。
4.反思与建议：在实验过程中，我们遇到了一些困难和挑战。
例如，有时候我们无法理解复杂的数学模型和算法，或者无法找到合适的实际问题来验证我们的知识。
因此，我们建议在学习运筹学时，应该注重基本概念和算法的学习，并积极寻找合适的实际问题来巩固和应用所学知识。
总的来说，这次实验让我们更加深入地了解了运筹学的魅力和价值，也让我们更加坚定了自己的学习方向和目标。
运筹学实验心得篇2当然，我可以帮助您撰写一篇运筹学实验的心得体会。
以下是一个可能的示例：---标题：运筹学实验：理论到实践的桥梁摘要：这篇*分享了一次运筹学实验的经历，描述了实验中的问题、解决方法以及所学到的经验教训。
关键词：运筹学，实验，问题解决，学习经验---运筹学是我在大学期间最喜爱的科目之一。
它提供了一种实用且富有挑战性的方法来理解和解决现实世界中的优化问题。
然而，真正将理论与实际联系起来的，是我的第一次运筹学实验。
实验开始时，我被一大堆复杂的数学模型和计算机程序搞得眼花缭乱。
理论知识和抽象的模型使我有些晕头转向，但我还是勇敢地面对了挑战。
- 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)。
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。
maxZ=30X1+25X22X1+4X2<=403X1+2X2<=30X1>=0, X2>=0(3)将结果复制到Excel或Word文档中:Combined Report for 例111:04:07 Saturday April 16 2011Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable Variable Value Profit c(j) C ontribution Cost Status Min. c(j) Max. c(j)1 X1 5.0000 30.0000 150.0000 0 basic 12.5000 37.50002 X2 7.5000 25.0000 187.5000 0 basic 20.0000 60.0000Objective Function (Max.) = 337.5000Left Hand Right Hand Slack Shadow Allowable Allowable Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS1 C1 40.0000 <= 40.0000 0 1.8750 20.0000 60.00002 C2 30.0000 <= 30.0000 0 8.7500 20.0000 60.0000(4) 分析结果:当X1=5，X2=7.5时，原线性规划问题取得最大值，maxZ=337.5X1的价值系数c1取最大允许取值范围为[12.5,37.5]时，原问题的最优解不变； X2的价值系数c2取最大允许取值范围为[20,60]时，原问题的最优解不变；常数b1的最大允许变化范围为[20,60], 原问题的最优基不变，但最优解有可能变化； 常数b2的最大允许变化范围为[20,60], 原问题的最优基不变，但最优解有可能变化；实验二：对偶理论用winQSB 软件完成下列问题⎪⎪⎩⎪⎪⎨⎧≥≤++≤++≤++++=03120232100631100422324max 321321321321321x x x x x x x x x x x x x x x Z ，，约束材料约束材料约束材料利润1．写出对偶线性规划，变量用y 表示。
2．求原问题及对偶问题的最优解。
3．分别写出价值系数c j 及右端常数的最大允许变化范围。
4．目标函数系数改为C ＝（5，3，6），同时常数改为b =（120，140，100），求最优解。
5．增加一个设备约束20056321≤++x x x 和一个变量x 4，系数为（c 4,a 14,a 24,a 34,a 44）=（7，5，4，1，2），求最优解。
6．在第5问的模型中删除材料2的约束，求最优解。
解：（1）原线性规划问题的对偶问题数学模型表示为：s.t ⎪⎪⎩⎪⎪⎨⎧≥>=++>=++>=++++=03,2,1332261423121124332312312021001100mi Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y nW(２)原问题的结果电子表格表示为：Combined Report for 例2 16:50:13 Saturday April 16 2011Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable Variable Value Profit c(j) C ontribution Cost Status Min. c(j) Max. c(j)1 X1 25.0000 4.0000 100.0000 0 basic 2.0000 6.00002 X2 25.0000 2.0000 50.0000 0 basic 1.3333 4.00003 X3 0 3.0000 0 -5.0000 at bound -M 8.0000Objective Function (Max.) = 150.0000Left Hand Right Hand Slack Shadow Allowable Allowable Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS1 C1 100.0000 <= 100.0000 0 0.5000 66.6667 200.00002 C2 100.0000 <= 100.0000 0 1.0000 50.0000 120.00003 C3 100.0000 <= 120.0000 20.0000 0 100.0000 M从表格中可以看出，原问题的最优解为X*=(25,25,0) T,所求的的最大值为maxZ=150;原问题的影子价格对应列的数据既为对偶问题的最优解，因此，从表格中可以看出，对偶问题的最优解为Y*=(0.5,1,0),所求的的最小值为minW=150;(3) 由（2）中原问题的电子表格可以看出，价值系数C1的最大允许变化范围为[2,6];价值系数C2的最大允许变化范围为[1.3333,4];价值系数C3的最大允许变化范围为[-M,8];在这最大允许范围内，原问题的最优基不变，最优解也不变。
常数b1的最大允许变化范围为[66.6667,200];常数b2的最大允许变化范围为[50,120];常数b3的最大允许变化范围为[100,M];在这最大允许范围内，原问题的最优基不变，但最优解可能变化。
(４)原问题变化后其最优表为：Combined Report for 例2.317:12:07 Saturday April 16 2011Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable Variable Value Profit c(j) C ontribution Cost Status Min. c(j) Max. c(j)1 X1 20.0000 5.0000 100.0000 0 basic 3.0000 9.00002 X2 20.0000 3.0000 60.0000 0 basic 1.6667 3.00003 X3 10.0000 6.0000 60.0000 0 basic 6.0000 10.0000Objective Function (Max.) = 220.0000 (Note: Alternate Solution Exists!!)Left Hand Right Hand Slack Shadow Allowable Allowable Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS1 C1 120.0000 <= 120.0000 0 1.0000 93.3333 200.00002 C2 140.0000 <= 140.0000 0 0 100.0000 180.00003 C3 100.0000 <= 100.0000 0 1.0000 60.0000 140.0000从表中可以看出，其最优解为X*=（20,20,10）T，对应的最大值为maxZ=220；(５)原问题改变后所对应的最优表为：Combined Report for 例217:19:36 Saturday April 16 2011Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable Variable Value Profit c(j) C ontribution Cost Status Min. c(j) Max. c(j)1 X1 14.2857 4.0000 57.1429 0 basic 2.8000 4.66672 X2 0 2.0000 0 -0.2857 at bound -M 2.28573 X3 0 3.0000 0 -5.0000 at bound -M 8.00004 X4 14.2857 7.0000 100.0000 0 basic 6.5000 10.0000Objective Function (Max.) = 157.1429Left Hand Right Hand Slack Shadow Allowable Allowable Constraint Side Direction Side or Surplus Price Min. RHS Max. RHS1 C1 100.0000 <= 100.0000 0 0.7143 66.6667 125.00002 C2 100.0000 <= 100.0000 0 0.8571 80.0000 123.07693 C3 57.1429 <= 120.0000 62.8571 0 57.1429 M4 C4 114.2857 <= 200.0000 85.7143 0 114.2857 M从表中可以看出，其最优解为X*=（14.2857,0,0,14.2857）T，最大值为maxZ=157.1429 (6)在第5问的模型中删除材料2的约束，所得到的最优表为：Combined Report for 例217:23:58 Saturday April 16 2011Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable Variable Value Profit c(j) C ontribution Cost Status Min. c(j) Max. c(j)1 X1 30.7692 4.0000 123.0769 0 basic 2.8000 21.00002 X2 0 2.0000 0 -1.7692 at bound -M 3.76923 X3 0 3.0000 0 -2.4615 at bound -M 5.46154 X4 7.6923 7.0000 53.8462 0 basic 4.0909 10.0000Objective Function (Max.) = 176.9231Left Hand Right Hand Slack Shadow Allowable AllowableConstraint Side Direction Side or Surplus Price Min. RHS Max. RHS1 C1 100.0000 <= 100.0000 0 1.3077 66.6667 500.00002 C3 100.0000 <= 120.0000 20.0000 0 100.0000 M3 C4 200.0000 <= 200.0000 0 0.2308 40.0000 240.0000从表中可得，该线性规划的最优解为X*=（30.7692,0,0,7.6923）T，最大值为maxZ=176.9231.。