分枝定界算法应用小结
python分支定界算法解决问题范例
Python分支定界算法解决问题范例一、概述分支定界算法是一种用于解决组合优化问题的算法。
它通过不断地分解问题和减少搜索空间来找到最优解。
Python是一种广泛应用的编程语言，其简洁、灵活的特性使其成为实现分支定界算法的理想工具。
本文将以一个例子来展示如何使用Python实现分支定界算法解决问题，以帮助读者更好地理解和运用这一算法。
二、问题描述假设有一个物品清单，每个物品有其对应的价值和重量。
同时有一个背包，其最大承重为W。
现需要将物品放入背包，使得背包中的物品总价值最大，但总重量不能超过背包的承重。
如何选择物品并放置到背包中才能使得总价值最大化呢？三、分支定界算法解决方案1. 定义问题我们需要明确问题的定义和目标。
通过对问题进行数学建模，可以将其表示为一个0-1背包问题。
具体而言，我们可以定义以下几个参数：- n：物品的数量- weight[i]：第i个物品的重量- value[i]：第i个物品的价值- W：背包的最大承重通过以上定义，我们可以将问题表述为，在给定n个物品、其对应的重量和价值以及背包的最大承重情况下，如何选择物品并放置到背包中，使得背包中的物品总价值最大，但总重量不能超过背包的承重。
2. 分支定界算法实现接下来，我们将使用Python实现分支定界算法来解决上述问题。
具体步骤如下：我们定义一个Node类来表示搜索树的节点，其中包括以下几个属性：level、value、weight、bound和include。
- level表示当前节点所处的层级；- value表示当前节点已获得的总价值；- weight表示当前节点已获得的总重量；- bound表示当前节点的价值上界；- include表示一个列表，记录了每个物品是否被选择放入背包中。
```pythonclass Node:def __init__(self, level, value, weight, bound, include):self.level = levelself.value = valueself.weight = weightself.bound = boundself.include = include```我们定义一个bound函数来计算当前节点的价值上界。
基于分支定界法的整数规划问题研究与应用
基于分支定界法的整数规划问题研究与应用分支定界法是求解整数规划问题的经典算法之一。
本文旨在介绍分支定界法的基本思想、求解步骤及应用。
一、分支定界法的基本思想分支定界法是利用分治的方法，在整数规划问题的可行域内寻找最优解的过程。
具体来说，分支定界法将整数规划问题分解为若干个子问题，每个子问题都是整数规划问题，然后依次对每个子问题求解，直到找到最优解或确定无解。
该算法的主要思想是通过不断地划分可行域，缩小问题的规模，最终得到最优解。
二、分支定界法的求解步骤1. 构造初始上限和下限首先，需要根据整数规划问题的约束条件，对问题的可行域进行分析，确定一个初始上限和下限。
上限是指问题的最优解的理论上界，下限是指问题的最优解的理论下界。
这两个值用于确定分支定界树的根节点和搜索起点。
2. 构造分支定界树从分支定界树的根节点开始，利用深度优先搜索（DFS）算法依次搜索每个子问题。
确定每个子问题的上下界之后，可以进一步划分可行域以缩小问题规模。
具体来说，将子问题中的某一个约束条件取出，将该约束条件分为两个互不相交的条件，分别对应一个新的子问题。
也就是说，每个子问题都会产生两个子问题。
通过这种方式，子问题可以一步步地细化，将整数规划问题的搜索空间逐渐缩小，从而更快地找到最优解。
4. 剪枝在分支定界树的搜索过程中，当某个子问题的上下界不重叠时，即上界小于下界时，该子问题可以被剪枝，因为在该子问题中不可能找到最优解。
此时，将该子问题从搜索中剪去，减少搜索的时间复杂度。
5. 输出最优解当分支定界树完成搜索后，需要从搜索树的叶节点中选择一组整数解作为最优解。
方式包括求出具有最小目标函数值的解、豁免约束条件对目标函数的贡献、豁免变量的取值范围或随机选择解等。
分支定界法广泛应用于计算机科学和运筹学领域，包括生产调度、网络设计、布线、图像处理等方面。
例如，分支定界法可以解决旅行商问题、背包问题、装载问题等组合优化问题。
此外，分支定界法还被应用于解决经济学中的最优化问题，如资金分配问题、生产计划问题等。
分支定界算法实验报告
一、实验目的通过本次实验，掌握分支定界算法的基本原理，并学会在实际问题中运用分支定界法求解整数规划问题。
了解算法的搜索策略、分支与定界方法，以及剪枝技巧，从而提高解决实际问题的能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 运行环境：Python 3.8三、实验原理分支定界算法是一种用于求解整数规划问题的方法。
它通过构建一个搜索树，将问题分解为一系列子问题，并对这些子问题进行求解。
在搜索过程中，算法会根据子问题的上下界和当前最优解进行剪枝，以减少搜索空间，提高求解效率。
四、实验步骤1. 问题建模：根据实际问题，建立整数规划模型，并确定决策变量、目标函数和约束条件。
2. 分支策略：选择一个分支变量，按照该变量的取值范围进行分支。
例如，如果决策变量x只能取整数，则将x分别取上界和下界，得到两个子问题。
3. 定界策略：对每个子问题，求解其线性松弛问题的最优解，得到该子问题的上界和下界。
4. 剪枝策略：根据子问题的上下界和当前最优解，判断是否需要剪枝。
如果子问题的上界小于当前最优解，则可以剪枝。
5. 求解子问题：对需要求解的子问题，重复执行步骤2-4，直到找到最优解。
五、实验内容本次实验以背包问题为例，说明分支定界算法的求解过程。
背包问题：给定一组物品，每个物品具有重量和价值，背包的容量有限。
求解在不超过背包容量的情况下，如何选择物品，使得背包中的物品总价值最大。
模型：设背包容量为C，物品数量为n，决策变量为x_i（i=1,2,...,n），表示是否选择第i个物品。
目标函数：最大化总价值V = Σ(v_i x_i)约束条件：- 背包容量约束：Σ(w_i x_i) ≤ C- 决策变量约束：x_i ∈ {0,1} (i=1,2,...,n)分支定界算法求解过程：1. 问题建模：根据背包问题的描述，建立整数规划模型。
2. 分支策略：选择重量最大的物品作为分支变量，将x_i分别取0和1，得到两个子问题。
基于分支定界法的整数规划问题研究与应用
基于分支定界法的整数规划问题研究与应用分支定界法是一种常用于求解整数规划问题的方法，其核心思想是通过不断分割问题空间，找到目标函数的最优解。
本文将介绍分支定界法的基本原理和步骤，并通过一个具体的例子来展示其应用。
分支定界法的基本原理是将整数规划问题转化为一个可行解空间的树结构。
将问题的线性规划松弛问题求解得到一个最优解，然后根据这个最优解将问题空间分割成两个子问题。
对于每个子问题，再次求解线性规划松弛问题，直到找到一个整数解或者证明问题无解为止。
分支定界法的步骤如下：1. 通过求解线性规划松弛问题得到一个最优解值z*，如果z*为整数，则找到一个整数解，结束算法；否则进入下一步。
2. 根据线性规划松弛问题最优解z*，选择一个变量进行分支。
假设选择变量x1进行分支，则将该问题空间分为两个子问题：x1≤[z*]（向下取整）和x1≥[z*]+1（向上取整）。
4. 选择一个未被选择过的变量进行分支，重复步骤2和步骤3，直到找到一个整数解或者证明问题无解为止。
下面通过一个例子来详细展示分支定界法的应用。
假设有如下整数规划问题：最大化目标函数：z = 4x1 + 6x2约束条件：2x1 + 5x2 ≤ 10x1 + 3x2 ≤ 5x1, x2 ≥ 0求解得到最优解z* = 9/2 ≈ 4.5，这个最优解不是整数，因此需要进一步进行分支。
选择变量x1进行分支，分为两个子问题：1. 子问题1：x1≤42. 子问题2：x1≥5求解得到最优解z* = 4，这个最优解是整数，是一个可行解。
更新解的上界为4，并进一步判断是否有更优的解存在。
通过不断分支，可以得到更多的子问题，直到找到整数解或者证明问题无解。
求解整数规划问题的分支定界法
求解整数规划问题的分支定界法整数规划问题是运筹学和数学中非常重要的一个分支，它本身又有着非常广泛的应用，例如资源分配、制造流程规划等等。
但是，由于整数规划问题的复杂性，导致绝大部分问题都是NP困难问题，即使运用最先进的算法，也很难找到一个高效的解决方案。
然而，分支定界法就是其中一种能够求解整数规划问题的有效方法。
一、什么是整数规划整数规划是指在线性规划（LP）问题的基础上，需要将变量的取值限制为整数类型（不是实数类型），其数学描述如下所示：$$\begin{aligned} \max \ \ & c^Tx \\s.t. \ \ & Ax \leq b\\& x_i\in\mathbb{Z} \ \ (i=1,2,...,n)\end{aligned}$$其中$c,x, b$以及 $A$分别是问题中的参数，表示目标函数的系数、变量向量、约束条件以及约束矩阵。
二、什么是分支定界法分支定界法，又被称为分支剪枝法，是求解整数规划问题的一个常用方法。
它的核心思想在于，将整数规划问题分解为多个子问题，并通过将问题空间不断地分割，不断缩小问题的范围，从而找到最优解。
分支定界法大致分为以下几个步骤：（1）确定目标函数与约束条件，即整数规划问题的数学模型；（2）运用松弛法将整数规划问题转化为线性规划问题，从而求解该线性规划问题及其最优解；（3）根据最优解的情况，判断该最优解是否为整数解，如果不是，则选择其中一个变量进行分支（通常是将其约束为下取整和上取整）；（4）根据变量的分支，得到两个新的整数规划问题，需要分别对其进行求解；（5）执行步骤（3）和（4），直到分支出的所有问题均已求解完毕，即得到原问题的最优解。
三、分支定界法的优缺点分支定界法虽然是一种有效的求解整数规划问题的方法，但是也有其优点和缺点。
优点：（1）能够精确求解整数规划问题。
（2）适用于各种规模的整数规划问题，虽然时间复杂度大，但是运作效率相对较高。
最短路径问题的分支定界算法
最短路径问题的分支定界算法最短路径问题是图论中的重要问题之一，它在许多实际应用中具有广泛的意义。
为了解决最短路径问题，我将介绍一种有效的算法——分支定界算法。
一、问题描述最短路径问题是要找到图中两个顶点之间的最短路径。
给定一个带权有向图，其中顶点表示路径上的地点，边表示路径的长度。
我们需要找到从起点到终点的最短路径。
二、分支定界算法原理分支定界算法是一种穷举搜索算法，通过分解问题的解空间，并确定每个子问题的解上下界，以逐步缩小搜索空间。
以下是分治定界算法的基本步骤：1. 初始化a. 定义一个队列，用于存放候选路径；b. 设置初始最短路径长度为正无穷；c. 将起点加入队列。
2. 分支定界a. 从队列中取出当前路径，并计算路径长度；b. 如果当前路径长度大于等于当前最短路径长度，则剪枝，继续下一个路径；c. 如果当前路径的终点是目标终点，则更新最短路径长度和最短路径，继续下一个路径；d. 否则，扩展当前路径，将其邻节点添加到队列中。
3. 终止条件a. 当队列为空时，终止搜索，得到最短路径。
三、算法实现以下是使用分支定界算法解决最短路径问题的伪代码：```初始化队列；初始化最短路径长度为正无穷；将起点加入队列；while (队列非空) {取出当前路径，并计算路径长度；if (当前路径长度大于等于当前最短路径长度) {剪枝，继续下一个路径；}if (当前路径的终点是目标终点) {更新最短路径长度和最短路径；继续下一个路径；}扩展当前路径，将其邻节点添加到队列中；}返回最短路径；```四、案例分析为了更好地理解分支定界算法的应用，我们以一个简单的案例来说明。
假设有一个城市地图，其中包含多个地点，我们需要找到从起点到终点的最短路径。
首先，我们将起点添加到队列，并初始化最短路径长度为正无穷。
然后，通过不断从队列中取出路径，并计算路径长度，进行分支定界操作。
在每一步分支定界操作中，我们根据当前路径长度与最短路径长度的比较，以及当前路径终点是否为目标终点，来进行剪枝或更新最短路径。
python 分支定界法
Python 分支定界法1. 介绍分支定界法是一种在计算机科学中常用的算法解决方法，用于在搜索问题中确定解的范围。
在这种方法中，问题被划分为多个子问题，通过评估每个子问题的边界条件来确定是否需要进一步搜索。
这种方法通常用于解决优化问题、搜索问题和决策问题。
在Python中，我们可以使用分支定界法来解决各种问题，包括图搜索、最短路径、最小生成树等。
本文将介绍分支定界法的基本原理和在Python中的应用。
2. 基本原理分支定界法的基本原理是将问题划分为多个子问题，并通过对每个子问题进行评估来确定解的范围。
在每个子问题中，我们可以使用一些启发式方法来估计解的上界和下界，从而确定是否需要进一步搜索。
通过逐步缩小解的范围，我们可以提高算法的效率并找到最优解。
3. 分支定界法的应用3.1 图搜索分支定界法在图搜索中的应用非常广泛。
在图搜索问题中，我们需要找到从一个节点到另一个节点的最短路径或最小代价路径。
通过使用分支定界法，我们可以根据当前路径的代价和启发式方法来估计剩余路径的代价，并根据这些估计值来选择下一个节点进行搜索。
这种方法可以大大减少搜索的空间，并找到最优解。
3.2 最短路径最短路径问题是图搜索问题的一个特例，它要求找到从一个节点到另一个节点的最短路径。
在分支定界法中，我们可以使用启发式方法来估计剩余路径的代价，并根据这些估计值来选择下一个节点进行搜索。
通过不断更新路径的代价和选择最优节点，我们可以找到最短路径。
3.3 最小生成树最小生成树问题是在一个连通图中找到一棵包含所有节点的子图，并使得子图的边的权重之和最小。
分支定界法可以用于解决最小生成树问题。
通过选择边的权重最小的节点进行搜索，并使用启发式方法来估计剩余节点的权重和，我们可以找到最小生成树。
4. Python中的分支定界法在Python中，我们可以使用分支定界法来解决各种问题。
以下是使用分支定界法的一般步骤：1.定义问题的状态和边界条件。
分支定界算法解决最短路径问题
分支定界算法解决最短路径问题分支定界算法是一种常用的解决最短路径问题的方法。
该算法通过不断分支和界定，逐步缩小搜索空间，最终找到最短路径。
本文将介绍分支定界算法的原理、应用以及一些优化技巧。
一、算法原理分支定界算法通过将问题分解为一系列子问题，并对每个子问题进行搜索和剪枝操作，来减小问题的规模。
其基本步骤如下：1. 确定问题的模型：将最短路径问题转化为图论问题，即从起点到终点寻找一条路径，使得路径上的总权重最小。
2. 初始化条件：设定起点和终点，初始化最短路径长度为无穷大。
3. 构建搜索树：从起点开始，依次向下搜索，每次扩展一个节点，并计算当前路径的总权重。
4. 剪枝操作：根据问题的性质，在搜索过程中，剪去不可能产生最优解的路径，减少搜索的时间和空间开销。
5. 更新最短路径：在搜索过程中，记录当前最短路径的长度，并更新最优解。
6. 终止条件：当搜索到达终点或者搜索树为空时，终止搜索，并输出最短路径长度。
二、算法应用分支定界算法在实际问题中有着广泛的应用，其中最短路径问题是其中一个重要的领域。
例如，在交通规划中，分支定界算法可以用于寻找最短路径，以帮助司机选择最优的行驶路线。
在物流配送中，也可以使用分支定界算法来规划货物的最短路径，以减少成本和时间。
此外，在电路布线、网络路由等领域，分支定界算法也有着应用。
三、算法优化为了提高分支定界算法的效率和精确度，可以采取一些优化技巧：1. 启发式搜索：引入启发式函数来指导搜索的方向，选择有可能导致更短路径的节点进行扩展，在一定程度上减少搜索空间。
2. 剪枝策略：根据问题的特点，设计合适的剪枝策略，避免无效搜索和重复计算。
3. 并行计算：利用多线程或分布式计算的方法，同时搜索多个子问题，加速算法的执行速度。
4. 动态规划：在一些具有重叠子问题性质的问题中，可以使用动态规划技术，避免重复计算，减少时间和空间开销。
四、总结分支定界算法是解决最短路径问题的一种有效方法，通过不断分支和界定，可以高效地找到最短路径。
- 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)。
分枝定界算法应用小结摘要本文首先总结了分枝定界算法的总体内容。
然后，我们列举了6个分枝定界算法应用的实例，它们分别：（1）基于分枝限界法的公交换乘算法设计；（2）分枝定界算法用于有机混合物的分析；（3）求解最大割问题的分枝定界算法；（4）弱有效集上凹函数极大问题的分枝定界算法；（5）分枝定界算法在食品分析中的应用—水果中有机酸的同时定性定量分析；（6）基于分枝定界法的环肋圆柱壳优化研究。
我们得知，分枝定界算法是一种常用算法，属于枚举算法，能够系统地搜索解空间，分枝定界算法的应用非常广泛。
一、分枝定界算法总述分枝定界算法也可以叫做分支限定法。
分枝定界法是一个用途十分广泛的算法，运用这种算法的技巧性很强，不同类型的问题解法也各不相同。
总的来说，“分支限定法求解问题的过程与图的广度优先方法类似。
它是把问题的各个结点的解看作是解空间树上的各个分支结点，求解过程是在解空间树中进行官广度优先搜索的过程。
”[1]分枝定界算法的具体内容如下：“步骤一：如果问题的目标为最小化，则设定目前最优解的值Z=∞。
步骤二：根据分枝法则（Branching rule），从尚未被洞悉（Fathomed）节点（局部解）中选择一个节点，并在此节点的下一阶层中分为几个新的节点。
步骤三：计算每一个新分枝出来的节点的下限值（Lower bound，LB）。
步骤四：对每一节点进行洞悉条件测试，若节点满足以下任意一个条件，则此节点可洞悉而不再被考虑：此节点的下限值大于等于Z值。
已找到在此节点中，具最小下限值的可行解；若此条件成立，则需比较此可行解与Z 值，若前者较小，则需更新Z值，以此为可行解的值。
此节点不可能包含可行解。
步骤五：判断是否仍有尚未被洞悉的节点，如果有，则进行步骤二，如果已无尚未被洞悉的节点，则演算停止，并得到最优解。
”[2]二、分枝定界算法的有关应用分枝定界算法是一种常用算法，属于枚举算法，能够系统地搜索解空间，分枝定界算法的应用非常广泛。
以下列举几个具体应用实例。
1、基于分枝限界法的公交换乘算法设计[3]（1）问题陈述伴随着经济的高速发展，公共交通问题成为解决城市拥挤，环境污染等问题的重要手段。
由于受计算机硬件及软件资源的制约，我们在对城市，特别是大型城市庞大的公交网络进行公交换乘问题求解时，不可能对每一种可能解进行计算。
那该如何更好地解决该问题呢？（2）该问题算法设计思想在本文所解决的公交换乘问题中，我们的设计是根据具体城市的具体情况，我们对城市地图进行逐层分块，直至求出所求解。
从起点站开始，我们总是试图转乘最少次数的车到终点站，因此，当我们坐上一辆公交车后，我们要尽可能走更远的距离。
只有当这趟车不满足我们乘车方向的要求时，我们才会考虑转车。
所以我们在每一个起始点站总是试图找到能够到达离目的地最近的一趟车。
在每一个车站总会有好几趟车经过，我们怎样才能知道坐哪趟车才会是最佳方案呢？从这站开始，每走一站，我们便作一次条件判断，保留满足某一条件的车次，对不满足这一条件的车次修枝（删除）。
按此方案，不断往前走，只要有车次能够继续往目的地方向前进，我们就决不换车。
只有当目前所有的车都不满这一条件时，我们再按上面的方案，把此站作为起始站换乘车辆继续前进，直至终点站。
根据以上思想设计的算法是一种行之有效的公交换乘解决方案。
2、分枝定界算法用于有机混合物的分析[4]在分析工作中常常会遇到一种分析体系，即定性组成不完全确知的混合体系称为“灰色”分析体系。
最常见的情形为已知混合物体系中可能存在的组分（物种）范围，但种类和数目未知。
对于这类灰色分析体系，一般需先用某方法进行定性分析，再进行定量测定。
采用分枝定界算法，实现未知混合试样体系的同时定性定量分析。
此方法克服了逐步回归法只能找出局部最优解的不足，仅用较少的计算就可以找出全局最优解。
在最优回归子集的选择中，选用4个判据，解决了最优回归子集难判断的问题，使最优回归子集的选择更加准确，真实，可靠。
采用分枝定界算法，实现最优回归子集的选择。
3、求解最大割问题的分枝定界算法[5]最大割问题是图论中的一个典型的NP困难问题，它在工程问题中有着广泛的应用。
该应用基于最大割问题的半定规划松弛模型，给出了最大割问题的一种二次规划松弛模型，并且理论证明了文中提出的二次规划松弛模型要优于半定规划松弛模型. 在该模型的基础上，利用分枝定界算法求解最大割问题。
对小规模和中等规模的最大割问题分别作数值实验。
实验表明分枝定界算法能够给出最大割问题一个好的近似解。
4、弱有效集上凹函数极大问题的分枝定界算法[6]弱有效集上的优化问题主要思想是寻找一个使决策者最满意的弱有效解，为了达到这个目的，决策者选择一些实值目标函数，搜索一个弱有效解以便优化其目标函数。
该应用考虑了一凹函数在弱有效集上的极大问题。
此优化问题主要有两方面的困难。
第一，弱有效解集一般说来不再是凸集，因此，存在多个局部最优解；第二，该问题不属于存在一个全局最优解在多面体集的一个极点取得的一类间题。
其方法的主要思想是，首先，把所考虑的问题转化为在k+1维空间中的一个特殊全局优化问题；其次，用分枝定界型算法求解产生的非凸优化问题。
当实施算法时，分枝过程是采用锥形剖分；定界过程是通过求解普通线性规划完成的。
5、分枝定界算法在食品分析中的应用—水果中有机酸的定性定量分析[7]研究水果中有机酸的成分和含量具有一定的实际意义，目前分析混合物的方法都有一个共同的弱点，即要求预先知道待测样品中所含有机酸的数目及种类。
这一点对实际待测样品来说是难于满足的。
即使满足了这一要求，应用这些方法也非常麻烦。
因为这些方法对数目及种类不同的有机酸体系，要求应用不同的校正矩阵，这就限制了这些方法的使用范围。
由于实际样品的分析往往比人工混合样更复杂，而上述方法仅对人工混合酸进行了分析， 没有研究水果等实际样品的测定方法， 因此这些方法能否用于测定实际样品，还需要进行进一步研究。
该应用将分枝定界算法与电位滴定法相结合，设计出一种新方法。
在实验中只需解析由一份试样测得的数据，即可同时得到待测样品中所含有机酸的数目、种类及含量。
本法不需预先知道水果中有机酸的数目及种类，具有简单、快速、准确等优点。
不同的酸具有不同的离解常数， 因此它们的滴定曲线也不相同。
当离子强度、温度等条件恒定时， 在某个PH 值下， 滴定剂氢氧化钠溶液的体积与待测酸的浓度间有线性关系，其数学模型可由下式给出1122i i i i n n i V K C K C K C e =++++ ， (1,,)i m = （1）式中i V 为滴定至第i 个Ph 值时所消耗的NaOH 溶液的体积 ；k c 为第k 种可能存在的酸的浓度;ik K 为第6 种可能存在的酸在第个i 点上的比例因子，i e 为测量误差，一般为服从零均等方差的正态分布误差，n 为可能存在于待测样品中的组分数。
常规定性分析的目的是找出混合样品中存在的组分，从数学角度看就是要找出（1）式中究竟存在哪些项。
这个问题可归结为回归变量的选择。
该应用分枝定界算法来实现最优回归子集的选择。
此法既克服了穷举法计算量大缺点，又克服了逐步回归法只能找出局部最优解的不足；仅用较少的计算就可以找出全局最优解。
在回归分析中，任一不相关变量(组分) 集A ，与其某一子集B 的残差平方和(RSS)，存在不等式：()()RSS A RSS B ≤此式是分枝定界算法的基础。
6、基于分枝定界法的环肋圆柱壳优化研究[8]加筋圆柱壳结构的优化问题属于典型的离散优化问题，工程中常用的处理方法是先求得问题的连续变量的最优解。
然后按照工程要求进行规格化处理，但是圆整后的解很可能出现在约束区域外，成为不可行解，并且圆整没有规律可循，当维数较高时，校核的工作量较大。
另外，圆整的方法甚至不能得到离散变量的最优解。
针对这种离散优化问题，本文则采用分枝界定法[8]对环肋圆柱壳在静水压力作用下的最小重量设计进行了研究，设计变量是壳板的厚度、肋骨的型、间距和数量，讨论了强度约束和稳定性约束以及材料几何参数对重量以及其它特征量的影响。
该应用基于分枝界定法分析了环肋圆柱壳在静水压力作用下的混合优化问题， 讨论了分枝界定方法的精度以及材料和几何特性对于环肋圆柱壳重量和其它特征量的影响。
可以得出如下结论：（1）分支界定法能够有效求解环肋圆柱壳的混合优化问题， 计算量小， 精度高；（2）环肋圆柱壳经优化后， 壳板的重量比例大约是70%， 肋骨重量占30%， 并且随壳体的长径比变化不大；（3）圆柱壳的优化中，肋骨的应力约束是主要约束。
在算例中，肋骨应力已经非常接近许用应力标准，其他应力、局部和总体失稳压力还有一定的储备。
参考文献[1] 梁田贵张鹏.算法设计与分析.北京：冶金工业出版社，2004，31[2] 百度百科.分枝界限法. /view/2102243.html，2011.5.20[3] 张华丽. 基于分枝限界法的公交换乘算法设计.软件导刊，2009，（12）：42-43[4] 于洪梅侯德芳周士蓉.分枝定界算法用于有机混合物的分析.计算机与应用化学，2002，（7）：451-453[5] 张亚玲龙熙华穆学文.求解最大割问题的分枝定界算法.西安科技大学学报，2006，（12）：541-544[6] 杜廷松张明望王浚岭.弱有效集上凹函数极大问题的分枝定界算法.黑龙江大学自然科学学报，2002，（6）：14-17[7] 曾伟吴少辉张惠珍李克安童沈阳.分枝定界算法在食品分析中的应用—水果中有机酸的同时定性定量分析.北京大学学报(自然科学版)，1994，（2）：159-163[8] 李学斌.基于分枝定界法的环肋圆柱壳优化研究.船舶力学，2008，（10）：793-798。