用线性规划方法求解运输问题
线性规划算法在运输问题中的应用
线性规划算法在运输问题中的应用随着现代物流的发展，运输问题已成为企业经营中一个重要的问题。
如何在物流中实现优化运输，减少运输费用，增加效率，对企业利润的提升具有重要意义。
线性规划算法是运输问题优化中的一种重要算法，通过优化分配问题中的资源，实现最小化或最大化目标。
本文将探讨线性规划算法在运输问题中的应用。
一、运输问题在运输问题中，物流企业需要将各个厂商生产的货物运输到各个销售点。
假设存在m 个货源，n 个销售点，运输单位费用已知，并且每个销售点需要的货物数量也已知。
运输问题需要找到一种方案，使得总运输成本最小。
运输问题可以表示为如下形式的线性规划问题：$$\begin{aligned}\text{minimize}\quad & \sum_{i=1}^{m} \sum_{j=1}^{n} c_{ij}x_{ij}\\\text{subject to}\quad & \sum_{j=1}^{n} x_{ij} =a_i\quad(i=1,\dots,m) \\& \sum_{i=1}^{m} x_{ij} = b_j\quad(j=1,\dots,n) \\& x_{ij} \geqslant 0\quad(i=1,\dots,m; j=1,\dots,n)\end{aligned}$$其中 $c_{ij}$ 表示从货源 $i$ 运输到销售点 $j$ 的单位费用，$x_{ij}$ 表示从货源 $i$ 运输到销售点 $j$ 的货物数量，$a_i$ 表示货源$i$ 需要的货物数量，$b_j$ 表示销售点$j$ 需要的货物数量。
二、线性规划算法线性规划算法是一种用于优化线性目标函数的算法。
其能够有效地解决一些商业或工程中的问题。
线性规划算法的步骤如下：1.建立目标函数：根据优化的目的，建立线性表达式，该表达式称为目标函数。
2.限制条件：列出所有限制条件，在限制条件中，变量的取值范围必须是非负数。
利用线性规划解决集装箱调运问题
利用线性规划解决集装箱调运问题在现代物流中，集装箱运输是相当重要的货物运输方式。
管理好集装箱的调度，可以大大节省运输成本，提高物流企业的利润。
本文通过线性规划方法，对集装箱调运问题进行数学建模，并通过实例计算，得出利润最大的集装箱调运方案。
标签：集装箱调运线性规划空箱调运一、前提假设1.集装箱大小均视为一致，且空箱不计重量。
2.任意两个港口间COC空箱调度的成本是固定的。
3.如果一个港口需要从别处调运空箱，必须是在本处所有COC已经用完且还不能满足需求的情况下，且只调运所缺数量的集装箱。
4.集装箱运量必须满足需求。
二、建模1.变量选取Qijs：从i港运往j港的SOC数量Qijc：从i港运往j港的装有货物的COC数量，这个变量是指由其余港口发货到本港，卸货后再装货运走的COC数量Xijc：由其他港口调剂到i港再装货运到j港的COC空箱数量Eijc：从i港调剂到j港的COC空箱数量Dijs,Dijc：分别为i港到j港的SOC与COC需求N,W：分别为船只的载货数量与重量限制C：任意两个港口间COC空箱调度的成本Gijc,Gijs：分别为从i港到j港的COC与SOC重量Rijs,Rijc：分別为从i港到j港的SOC与COC运费Cijs,Cijc：分别为从i港到j港的SOC与COC运输成本2.目标函数采用利润最大化原则：maxZ=[(Rijc-Cijc)(Qijc+Xijc)]+(Rijs-Cijs)Qijs-C*Eijc；i≠j3.约束条件从i港到j港的SOC、COC数量不超过船的载运数量限制，COC包括从其他港调剂来的空箱装货后发出的数量和要调剂到其他港的空箱数量：Qijs+Qijc+Xijc+Eijc<=N；i,j=1,2,3…n，j≠i从i港到j港的SOC、COC数量不超过船的载运重量限制，COC包括从其他港调剂来的空箱装货后发出的数量：QijsGijs+(Qijc+Xijc)Gijc<=W；i,j=1,2,3…n，j≠ii港的、从其他港调剂来的空箱装货后发出的COC数量必须等于其他港调剂来i港的空箱数量：Xijc=Eijc；i,j=1,2,3…n,j≠i从i港到其他港的COC总数量和从i港调剂到其他港的空箱数量之和不超过其他港发货到i港的COC数量：(Qijc+Eijc)<=(Qjic+Xjic)；i,j=1,2,3…n,j≠i从i港发货到j港的COC数量满足i港j港的COC需求：Qijc+Xijc=Dijc；i,j=1,2,3…n,j≠i从i港发货到j港的SOC数量满足i港j港的SOC需求：Qijs=Dijs；i,j=1,2,3…n，j≠i三、实例求解某货运公司拥有两种集装箱运输服务，分别针对COC（Carrier owned Container）集装箱和SOC（Shipper Owend Container）集装箱，SOC集装箱占用运输成本，但不算在空箱调运之中。
运筹学中的运输问题例题
在运筹学中，运输问题是一类经典的线性规划问题，涉及将有限数量的货物从多个供应点运输到多个需求点，并且对应的成本最小化或者利润最大化。
以下是一个运输问题的例题：
假设有三个供应点A、B和C，和四个需求点X、Y、Z和W。
每个供应点都有一定数量的货物可供运输，每个需求点需要一定数量的货物。
给定的成本矩阵代表从每个供应点到每个需求点的运输成本。
供应点的供应量和需求点的需求量以及成本矩阵如下：
供应量：
A: 80单位
B: 70单位
C: 60单位
需求量：
X: 50单位
Y: 40单位
Z: 30单位
W: 70单位
成本矩阵：
X Y Z W
A 4 6 8 9
B 5 7 10 12
C 6 8 11 14
问题是如何将货物从供应点运输到需求点，以使总运输成本最小化。
在这个例题中，可以使用线性规划方法来解决运输问题，通过确定每个供应点向每个需求点运输的数量来最小化总成本。
解决该问题的线性规划模型可以表示为：
最小化ΣΣ(cost(i, j) * x(i, j))
i j
满足以下约束条件：
1. 每个供应点的供应量不能超过其可供应的数量：Σx(i, j) ≤供应点i的供应量, for each i
2. 每个需求点的需求量必须得到满足：Σx(i, j) ≥需求点j的需求量, for each j
3. x(i, j) ≥0, for each i, j
其中，x(i, j) 表示从供应点i到需求点j运输的货物数量，cost(i, j) 表示从供应点i到需求点j的运输成本。
通过求解该线性规划模型，我们可以获得最优的货物运输方案，以最小化总运输成本。
管理运筹学运输问题实验报告
管理运筹学运输问题实验报告一、实验目的通过研究和实践，掌握线性规划求解运输问题的基本模型和求解方法，了解运输问题在生产、物流和经济管理中的应用。
二、实验背景运输问题是管理运筹学中的一个重要问题，其主要目的是确定在不同生产或仓库的产量和销售点的需求之间如何进行运输，使得运输成本最小。
运输问题可以通过线性规划模型来解决。
三、实验内容1. 根据实验数据，建立运输问题的线性规划模型。
2. 使用Excel中的“规划求解器”功能求解模型。
3. 对不同情况进行敏感性分析。
四、实验原理运输问题是一种典型的线性规划问题，其目的是求解一组描述生产和需要之间的运输方案，使得总运输费用最小。
运输问题的一般模型如下：min ∑∑CijXijs.t. ∑Xij = ai i = 1,2,...,m∑Xij = bj j = 1,2,...,nXij ≥ 0其中，Cij表示从i生产地到j销售点的运输成本；ai和bj分别表示第i个生产地和第j个销售点的产量和需求量；Xij表示从第i个生产地向第j个销售点运输的物品数量。
五、实验步骤1. 根据实验数据，建立运输问题的线性规划模型。
根据题目所给数据，我们可以列出线性规划模型：min Z =200X11+300X12+450X13+350X21+325X22+475X23+225X31+275X32+400X 33s.t. X11+X12+X13 = 600X21+X22+X23 = 750X31+X32+X33 = 550X11+X21+X31 = 550X12+X22+X32 = 600X13+X23+X33 = 450Xij ≥ 02. 使用Excel中的“规划求解器”功能求解模型。
在Excel中，选择“数据”选项卡中的“规划求解器”，输入线性规划的目标函数和约束条件，并设置求解参数，包括求解方法、求解精度、最大迭代次数等。
3. 对不同情况进行敏感性分析。
敏感度分析是指在有些条件发生变化时，线性规划模型的最优解会如何变化。
数学建模,线性规划,运输为问题
X31 30.00000 0.000000
X32 20.00000 0.000000
X33 0.000000 3.000000
X34 0.000000 11.00000
X35 0.000000 23.00000
X36 0.000000 8.000000
X41 0.000000 7.000000
Objective value: 1620.000
Infeasibilities: 0.000000
Total solver iterations: 9
Variable Value Reduced Cost
X11 0.000000 14.00000
X12 0.000000 6.000000
X13 0.000000 4.000000
X55 0.000000 8.000000
X56 0.000000 32.00000
X64 30.00000 0.000000
X65 0.000000 3.000000
X66 0.000000 7.000000
Row Slack or Surplus Dual Price
1 1620.000 -1.000000
X42 0.000000 0.000000
X43 40.00000 0.000000
X44 0.000000 26.00000
X45 0.000000 16.00000
X46 0.000000 13.00000
X52 30.00000 0.000000
X53 0.000000 0.000000
X54 0.000000 21.00000
供应限制：x11+x12+x13+x14+x15+x16=20
运筹学运输问题的实验结论
运筹学运输问题的实验结论
根据运筹学的实验研究，以下是针对运输问题得出的一些结论：
1. 最优解存在：对于运输问题，总是存在一个最优解。
这意味着通过合理的运输方案，可以最大程度地满足需求，最小化成本。
2. 可行解集是有界的：在运输问题中，可行解集合是有界的，即存在某个上界，使得解决方案不能超过该上界。
这意味着在解决问题时需要在这个有界的解空间中进行搜索。
3. 需要使用线性规划方法：运输问题可以被看作是一个线性规划问题，可以使用线性规划方法来求解。
线性规划方法可以通过建立数学模型，将运输问题转化为最小化或最大化一个线性函数的问题。
4. 早期建立实验模型可以节省时间和资源：在实验研究中，建立一个运输问题的实验模型可以帮助决策者更准确地了解运输问题的本质，并在实践中节省时间和资源。
5. 利用敏感性分析来评估方案：敏感性分析可以评估运输方案的稳定性，即在不同的环境或条件下，方案的性能如何变化。
通过敏感性分析，可以评估不同变量的变化对运输方案的影响，以制定更有鲁棒性的方案。
需要注意的是，这些结论是基于实验和研究的结果得出的，可能仍然存在一些特定情况或具体问题中的例外。
因此，在具体
应用中，仍然需要灵活考虑，结合实际情况来决策和解决运输问题。
运用线性规划对运输问题进行研究运输问题在企业管理方面的应用
运用线性规划对运输问题进行研究运输问题在企业管理方面的应用一、本文概述随着全球化的推进和市场竞争的日益激烈，运输问题在企业管理中扮演着越来越重要的角色。
如何有效地进行物资运输、降低成本、提高效率，成为了企业运营中必须面对和解决的问题。
线性规划作为一种数学优化技术，为运输问题的研究和解决提供了有力的工具。
本文旨在探讨线性规划在运输问题中的应用，以及它在企业管理中的实际作用。
本文将首先介绍线性规划的基本概念、原理及其在运输问题中的应用原理。
接着，通过具体案例，分析线性规划在运输问题中的实际应用，包括如何建立运输问题的数学模型、如何运用线性规划求解最优运输方案等。
本文还将探讨线性规划在企业管理中的其他应用，如资源分配、生产计划等。
本文将总结线性规划在运输问题和企业管理中的应用效果，并展望未来的发展趋势。
通过本文的研究，我们期望能够帮助企业更好地理解和应用线性规划，优化运输方案，提高运营效率，从而在激烈的市场竞争中获得优势。
也希望本文能为相关领域的研究人员提供参考，推动线性规划在运输问题和企业管理领域的研究和发展。
二、线性规划理论基础线性规划是一种数学方法，用于解决具有线性约束和线性目标函数的优化问题。
它广泛应用于各种领域，包括运输问题。
在企业管理中，线性规划尤其适用于资源分配、生产调度和物流优化等问题。
线性规划问题的基本形式可以描述为：在给定的线性约束条件下，最大化或最小化一个线性目标函数。
这些约束条件和目标函数都是由决策变量的线性组合构成的。
决策变量是在问题中需要优化的变量，例如运输量、生产量等。
在运输问题中，线性规划可以用于优化运输成本、运输时间和运输路线等。
例如，假设一个企业需要将其产品从多个工厂运输到多个销售点，每个工厂和销售点之间的运输成本可能不同。
通过线性规划，企业可以找出一种运输方案，使得总运输成本最低，同时满足各种约束条件，如每个工厂的生产能力、每个销售点的需求量等。
线性规划的理论基础包括线性代数、凸分析和优化理论等。
管理运筹学运输问题中的多种计算方法类比
管理运筹学是运用数学、统计学、经济学等方法来解决组织内部和外部问题的学科。
在管理运筹学中，运输问题是一个非常重要的课题，它涉及到如何有效地运输物资和产品，以最大限度地降低成本并提高效率。
为了解决这个问题，管理者可以使用多种计算方法进行类比，以找到最佳的解决方案。
本文将介绍几种常见的计算方法，并对它们进行比较分析。
1. 线性规划方法线性规划是一种常用的数学优化方法，它旨在寻找一个线性模型的最佳解。
在运输问题中，可以使用线性规划方法来确定最佳的运输路线和成本分配。
通过设置合适的约束条件和目标函数，线性规划可以帮助管理者找到最优的解决方案，从而在运输过程中节约成本并提高效率。
2. 最短路径算法最短路径算法是一种用于寻找图中最短路径的算法。
在运输问题中，最短路径算法可以帮助管理者确定最佳的运输路线，从而减少运输时间和成本。
通过将地理空间网络建模成图，并使用最短路径算法来计算最佳路径，管理者可以更好地规划运输路线，提高运输效率。
3. 整数规划方法整数规划是线性规划的一种扩展，它要求决策变量是整数。
在运输问题中，整数规划方法可以帮助管理者解决一些现实中存在的离散性问题，比如车辆数量限制等。
通过将运输问题建模为整数规划问题，并使用相应的算法来求解，管理者可以更好地考虑实际情况，确保运输过程的顺利进行。
4. 蒙特卡洛模拟蒙特卡洛模拟是一种基于随机抽样的数学方法，用于模拟问题的随机性和不确定性。
在运输问题中，蒙特卡洛模拟可以帮助管理者评估不同风险场景下的运输方案，并选择最优的决策。
通过进行大量的随机抽样和模拟计算，管理者可以更好地了解不同情况下的运输成本和效率，从而做出更好的决策。
5. 遗传算法遗传算法是一种模拟生物进化过程的启发式优化方法，可以用于求解复杂的优化问题。
在运输问题中，遗传算法可以帮助管理者寻找最佳的运输路线和分配方案，特别是对于大规模和复杂的运输网络。
通过模拟自然选择和遗传变异的过程，遗传算法可以帮助管理者在复杂的运输环境中找到最优解决方案。
- 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)。
用线性规划方法求解运输问题线性规划是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支,它是辅助人们进行科学管理的一种数学方法.在经济管理、交通运输、工农业生产等经济活动中，提高经济效果是人们不可缺少的要求，而提高经济效果一般通过两种途径：一是技术方面的改进，例如改善生产工艺，使用新设备和新型原材料.二是生产组织与计划的改进，即合理安排人力物力资源.线性规划所研究的是：在一定条件下，合理安排人力物力等资源，使经济效果达到最好.一般地，求线性目标函数在线性约束条件下的最大值或最小值的问题，统称为线性规划问题。
满足线性约束条件的解叫做可行解，由所有可行解组成的集合叫做可行域。
决策变量、约束条件、目标函数是线性规划的三要素.运输问题的提出及其数学模型：现在人们生产活动中，不可避免的要进行物资调运工作，如某时期内将生产基地的蔬菜，粮食等各类物资，分别运到需要这些物资的地区。
如何根据各地的生产量和需求量及各地之间的运输费用，如何制定一个运输方案，使总的运输量费用最小，这类的问题称为运输问题。
假设有m 个产地，记为A 1、A 2….A m ,生产某种物资，可供应的产量分别为a 1,a 2….a m ,有n 个销地，记为B 1、B 2…B n ,其需求量分别为b 1、b 2…b n ,假设在供需平衡的情况下，即∑=m i ai 1=∑=nj bj 1，从第i 个产地到j 个销地的单位物资的运费为c ij ，在满足各地需求的前提下，求运费最小的方案。
设x ij （i=1、2…m,j=1、2…n ）为第i 个产地到第j 个销地的运量，则运输问题的数学模型为Min Z = ∑=m i 1∑=n j cijxij 1⎪⎪⎪⎩⎪⎪⎪⎨⎧>==∑∑==011xij bjxij aixij mi n j i=1,2…m,j=1,2…n;当目标是利益时，目标式改为最大值，在供需平衡条件下，有m+n 个等式约束，有mn 个变量，约束条件的系数矩阵A 有m+n 行mn 列，目标函数由运价矩阵Cm*n 与变量矩阵Xm*n 对应元素相乘求和构成。
用Lingo 求解：某市有三个蔬菜收购站：A 1、A 2、A 3，蔬菜在集散地的收购量分别为200吨，170吨，160吨；另知有八家菜市场(s 1,s 2,s 3,s 5,s 6,s 7,s 8)需要从这三个菜市场进购蔬菜，他们的需求量分别是75吨，60吨，80吨，70吨，100吨，55吨，90吨，80吨。
并且已知若菜市场缺一单位的蔬菜的损失为10元，8元，5元，10元，10元，8元，5元，8元，问题是如何利用现有库存资源满足这八家菜市场的需求，并使总运输成本和损失最低最低。
从收购站向八个菜市场送货的运输成本价(元／吨)如下表所示该运输问题的目标就是总运费最小化。
令X ij表示从仓库A i到超市S j运送的商品吨数。
从而有运输问题的数学模型：目标函数：MIN=4* X11+8* X12+…+11* X33+10* X38 -10*(75- X11 - X21 - X31) -…. -8*(80- X18 - X28 - X38)库存约束：ΣX1j<=200；ΣX2j<=170；ΣX3j<=160；j=1，2，3，4, (8)需求约束：ΣX il=75；ΣX i2=60；ΣX i3=80；ΣX i4=70；ΣX i5=100；ΣX i6=55；ΣX i7=90；ΣX i8=80；i=l，2，3非负约束：x ij>=0模型的lingo语言描述如下MODEL:SETS:jsd/1..3/:a;!三个集散地,收购量a(i);csc/1..8/:b;!八个菜市场，每天需求量b(j);dqss/1..8/:d;!各菜市场的单位短缺损失d(j);j_c(jsd,csc):x,c,l;!i到j的距离矩阵为l(i,j),单位运费c(i,j),决策变量为x(i,j); ENDSETSDATA:a=200,170,160;b=75,60,80,70,100,55,90,80;d=10,8,5,10,10,8,5,8;l=4,8,8,19,11,6,22,26,14,7,7,16,12,16,23,17,20,19,11,14,6,15,5,10;c=1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1;ENDDATA@for(jsd(i):[st1]@sum(csc(j):x(i,j))=a(i));!收购量限制;@for(csc(j):[st2]@sum(jsd(i):x(i,j))<=b(j));!需求量限制;[obj]min=@sum(jsd(i):@sum(csc(j):c(i,j)*x(i,j)*l(i,j)))+@sum(jsd(i):@sum(csc(j):d(j)*(b(j)-x(i,j))));END模型求解的结果如下Global optimal solution found.Objective value: 14330.00Total solver iterations: 11Variable Value Reduced Cost A( 1) 200.0000 0.000000 A( 2) 170.0000 0.000000 A( 3) 160.0000 0.000000 B( 1) 75.00000 0.000000 B( 2) 60.00000 0.000000 B( 3) 80.00000 0.000000 B( 4) 70.00000 0.000000 B( 5) 100.0000 0.000000 B( 6) 55.00000 0.000000 B( 7) 90.00000 0.000000 B( 8) 80.00000 0.000000 D( 1) 10.00000 0.000000 D( 2) 8.000000 0.000000 D( 3) 5.000000 0.000000 D( 4) 10.00000 0.000000D( 6) 8.000000 0.000000 D( 7) 5.000000 0.000000 D( 8) 8.000000 0.000000 X( 1, 1) 75.00000 0.000000 X( 1, 2) 0.000000 0.000000 X( 1, 3) 0.000000 0.000000 X( 1, 4) 0.000000 2.000000 X( 1, 5) 70.00000 0.000000 X( 1, 6) 55.00000 0.000000 X( 1, 7) 0.000000 12.00000 X( 1, 8) 0.000000 11.00000 X( 2, 1) 0.000000 11.00000 X( 2, 2) 60.00000 0.000000 X( 2, 3) 80.00000 0.000000 X( 2, 4) 30.00000 0.000000 X( 2, 5) 0.000000 2.000000 X( 2, 6) 0.000000 11.00000 X( 2, 7) 0.000000 14.00000 X( 2, 8) 0.000000 3.000000 X( 3, 1) 0.000000 21.00000 X( 3, 2) 0.000000 16.00000 X( 3, 3) 0.000000 8.000000 X( 3, 4) 0.000000 2.000000 X( 3, 5) 30.00000 0.000000 X( 3, 6) 0.000000 14.00000 X( 3, 7) 90.00000 0.000000 X( 3, 8) 40.00000 0.000000 C( 1, 1) 1.000000 0.000000 C( 1, 2) 1.000000 0.000000 C( 1, 3) 1.000000 0.000000 C( 1, 4) 1.000000 0.000000 C( 1, 5) 1.000000 0.000000 C( 1, 6) 1.000000 0.000000 C( 1, 7) 1.000000 0.000000 C( 1, 8) 1.000000 0.000000 C( 2, 1) 1.000000 0.000000 C( 2, 2) 1.000000 0.000000 C( 2, 3) 1.000000 0.000000 C( 2, 4) 1.000000 0.000000 C( 2, 5) 1.000000 0.000000 C( 2, 6) 1.000000 0.000000 C( 2, 7) 1.000000 0.000000 C( 2, 8) 1.000000 0.000000C( 3, 2) 1.000000 0.000000 C( 3, 3) 1.000000 0.000000 C( 3, 4) 1.000000 0.000000 C( 3, 5) 1.000000 0.000000 C( 3, 6) 1.000000 0.000000 C( 3, 7) 1.000000 0.000000 C( 3, 8) 1.000000 0.000000 L( 1, 1) 4.000000 0.000000 L( 1, 2) 8.000000 0.000000 L( 1, 3) 8.000000 0.000000 L( 1, 4) 19.00000 0.000000 L( 1, 5) 11.00000 0.000000 L( 1, 6) 6.000000 0.000000 L( 1, 7) 22.00000 0.000000 L( 1, 8) 26.00000 0.000000 L( 2, 1) 14.00000 0.000000 L( 2, 2) 7.000000 0.000000 L( 2, 3) 7.000000 0.000000 L( 2, 4) 16.00000 0.000000 L( 2, 5) 12.00000 0.000000 L( 2, 6) 16.00000 0.000000 L( 2, 7) 23.00000 0.000000 L( 2, 8) 17.00000 0.000000 L( 3, 1) 20.00000 0.000000 L( 3, 2) 19.00000 0.000000 L( 3, 3) 11.00000 0.000000 L( 3, 4) 14.00000 0.000000 L( 3, 5) 6.000000 0.000000 L( 3, 6) 15.00000 0.000000 L( 3, 7) 5.000000 0.000000 L( 3, 8) 10.00000 0.000000Row Slack or Surplus Dual Price ST1( 1) 0.000000 -7.000000 ST1( 2) 0.000000 -6.000000 ST1( 3) 0.000000 -2.000000 ST2( 1) 0.000000 13.00000 ST2( 2) 0.000000 7.000000 ST2( 3) 0.000000 4.000000 ST2( 4) 40.00000 0.000000 ST2( 5) 0.000000 6.000000 ST2( 6) 0.000000 9.000000 ST2( 7) 0.000000 2.000000OBJ 14330.00 -1.000000 该结果显示最低运费为14330元，最优运输方案是：收购站A1向菜市场S1供货75吨，收购站A1向菜市场S5供货70吨，收购站A1向菜市场S6供货55吨，收购站A2向菜市场S2供货60吨，收购站A2向菜市场S3供货80吨，收购站A2向菜市场S4供货30吨，收购站A3向菜市场S5供货30吨，收购站A3向菜市场S7供货90吨，收购站A3向菜市场S8供货40吨，。