整数规划和多目标规划模型知识分享
(完整word版)整数规划的数学模型及解的特点
整数规划的数学模型及解的特点整数规划IP (integer programming)：在许多规划问题中，如果要求一部分或全部决策变量必须取整数。
例如，所求的解是机器的台数、人数、车辆船只数等，这样的规划问题称为整数规划，简记IP 。
松弛问题(slack problem)：不考虑整数条件，由余下的目标函数和约束条件构成的规划问题称为该整数规划问题的松弛问题。
若松弛问题是一个线性规化问题，则该整数规划为整数线性规划(integer linear programming)。
一、整数线性规划数学模型的一般形式∑==nj jj x c Z 1min)max(或中部分或全部取整数n j nj i jij x x x mj ni x b xa ts ,...,,...2,1,...,2,10),(.211==≥=≥≤∑=整数线性规划问题可以分为以下几种类型1、纯整数线性规划(pure integer linear programming)：指全部决策变量都必须取整数值的整数线性规划。
有时，也称为全整数规划。
2、混合整数线性规划(mixed integer liner programming)：指决策变量中有一部分必须取整数值，另一部分可以不取整数值的整数线性规划。
3、0—1型整数线性规划(zero —one integer liner programming)：指决策变量只能取值0或1的整数线性规划。
1 解整数规划问题0—1型整数规划0—1型整数规划是整数规划中的特殊情形，它的变量仅可取值0或1，这时的⎪⎪⎪⎩⎪⎪⎪⎨⎧≥≤+≥+≤-+=且为整数0,5210453233max 2121212121x x x x x x x x x x z变量xi 称为0—1变量，或称为二进制变量。
0—1型整数规划中0—1变量作为逻辑变量(logical variable)，常被用来表示系统是否处于某一特定状态，或者决策时是否取某个方案。
第5讲 整数规划、非线性规划、多目标规划1
第5讲整数规划、非线性规划、多目标规划一、整数规划1、概念数学规划中的变量（部分或全部）限制为整数时，称为整数规划。
若在线性规划模型中，变量限制为整数，则称为整数线性规划。
整数规划的分类:如不加特殊说明，一般指整数线性规划。
对于整数线性规划模型大致可分为两类：1）变量全限制为整数时，称纯（完全）整数规划。
2）变量部分限制为整数的，称混合整数规划。
2、整数规划特点(i)原线性规划有最优解，当自变量限制为整数后，其整数规划解出现下述情况：①原线性规划最优解全是整数，则整数规划最优解与线性规划最优解一致。
②整数规划无可行解。
例1原线性规划为21min x x z +=s.t.⎩⎨⎧≥≥=+0,05422121x x x x 其最优实数解为：01=x ，452=x ，45min =z ③有可行解（当然就存在最优解），但最优值变差。
例2原线性规划为21min x x Z +=s.t.⎩⎨⎧≥≥=+0,06422121x x x x 其最优实数解为：01=x ，232=x ，23min =z 若限制整数得：11=x ，12=x ，2min =z 。
（ii ）整数规划最优解不能按照实数最优解简单取整而获得。
3、0-1整数规划0−1型整数规划是整数规划中的特殊情形，它的变量j x 仅取值0或1。
这时j x 称为0−1变量，或称二进制变量。
j x 仅取值0或1这个条件可由下述约束条件：10≤≤j x ，且为整数所代替，是和一般整数规划的约束条件形式一致的。
在实际问题中，如果引入0−1变量，就可以把有各种情况需要分别讨论的线性规划问题统一在一个问题中讨论了。
引入10-变量的实际问题：（1）投资场所的选定——相互排斥的计划例3某公司拟在市东、西、南三区建立门市部。
拟议中有7个位置（点）)7,,2,1( =i A i 可供选择。
规定在东区：由321,,A A A 三个点中至多选两个；在西区：由54,A A 两个点中至少选一个；在南区：由76,A A 两个点中至少选一个。
运筹学必考知识点总结
运筹学必考知识点总结在运筹学中，有一些必考的知识点是非常重要的。
这些知识点涵盖了运筹学的基本概念、方法和模型，对于考生来说，掌握这些知识点是至关重要的。
本文将对运筹学的一些必考知识点进行总结，帮助考生更好地备考。
1. 线性规划线性规划是运筹学中的重要方法之一，它通过建立数学模型来解决各种决策问题。
在线性规划中，目标是最大化或最小化一个线性函数，同时满足一系列线性约束条件。
考生需要掌握线性规划的基本理论，包括线性规划模型的建立、单纯形法和对偶理论等内容。
2. 整数规划整数规划是线性规划的扩展，它要求决策变量取整数值。
整数规划在实际应用中有着广泛的用途，因此对于考生来说，掌握整数规划的基本理论和解题方法是必不可少的。
3. 动态规划动态规划是一种用于求解多阶段决策问题的优化方法。
在动态规划中，问题被分解为多个子问题，并且这些子问题之间存在重叠。
考生需要了解动态规划的基本原理、状态转移方程的建立以及动态规划算法的实现。
4. 网络流问题网络流问题是运筹学中的一个重要领域，它涉及到图论和优化算法等多个方面的知识。
在网络流问题中，主要考察最大流、最小割、最短路等问题的求解方法。
5. 效用理论效用理论是运筹学中的一个重要分支，它研究人们在做出决策时的偏好和选择。
效用函数、期望效用、风险偏好等概念是考试中的热点内容。
6. 排队论排队论是研究排队系统的运作规律和性能指标的数学理论。
在排队论中，考生需要了解排队系统的稳定性条件、平衡方程、性能指标的计算方法等。
7. 多目标决策多目标决策是指在考虑多个目标时的决策问题。
在多目标决策中，往往需要考虑到多个目标之间的矛盾和权衡，因此考生需要掌握多目标规划的基本原理和解题方法。
8. 随机规划随机规划是考虑到不确定因素的决策问题。
在随机规划中，目标函数、约束条件等参数都是随机变量，因此需要考虑到风险和概率的因素。
以上是一些运筹学中的必考知识点，考生在备考过程中需要重点关注这些知识点。
规划模型
产品 1：机床 1 → 机床 3 → 机床 4 产品 2：机床 1 → 机床 2 → 机床 4 产品 3：机床 2 → 机床 3
解：
设 xij 表示产品 i 在机床 j 上的开始加工时间（ i = 1,2,3）；
下面将逐步列出问题的整数规划模型。
1、同一件产品在不同机床上的加工顺序约束
对于同一件产品，在下一台机床上加工的开始时间不得早于 在上一台机床上加工的结束时间，故应有：
⎪⎩
xij = 0或1
i = 1,2,L,n j = 1,2,L,n i = 1,2,L,n; j = 1,2,L,n
例6 某城市消防总部将全市划分为11个防火区，设有4个消 防站，下图中表示了各防火区域与消防站的位置，其中① ，②，③，④表示消防站，1，2，3，……，11表示消防区 域。根据历史资料证实，各消防站可在事先规定的允许时 间内对所负责的地区火灾予以消灭，图中虚线即表示各地 区由哪个消防站负责（没有虚线连接就表示不负责），现 在总部提出，在同样负责全市消防的前提下，是否可以减 少消防站的数目？如果可以，应当关闭哪个？
工结束时间分别为x14+a14， x24+a24， x33+a33，故全部产品的 实际加工结束时间为：
W = max { x14 + a14 , x24 + a24 , x33 + a33 }
转化为线性表达式： min Z = W
⎧W ⎪⎨W
≥ ≥
x a + 14
14
x a + 24
24
数学建模-数学规划模型
将决策变量、目标函数和约束条件用数学方程表示出来，形成线性规划模型。
线性规划的求解方法
单纯形法
单纯形法是线性规划最常用的求解方法，它通过不断迭代和调整决策 变量的值，逐步逼近最优解。
对偶法
对偶法是利用线性规划的对偶性质，通过求解对偶问题来得到原问题 的最优解。
分解法
分解法是将一个复杂的线性规划问题分解为若干个子问题，分别求解 子问题，最终得到原问题的最优解。
混合法
将优先级法和权重法结合起来，既考虑目标的优先级又考虑目标的 权重，以获得更全面的优化解。
多目标规划的求解方法
约束法
通过引入约束条件，将多目标问题转化为单目标问题求解。常用的约束法包括线性约束 、非线性约束等。
分解法
将多目标问题分解为若干个单目标问题，分别求解各个单目标问题，然后综合各个单目 标问题的解得到多目标问题的最优解。
特点
多目标规划问题通常具有多个冲突的目标， 需要权衡和折衷不同目标之间的矛盾，因此 求解难度较大。多目标规划广泛应用于经济 、管理、工程等领域。
多目标规划的建模方法
优先级法
根据各个目标的重要程度，给定不同的优先级，然后结合优先级 对目标进行优化。
权重法
给定各个目标的权重，将多目标问题转化为加权单目标问题，通过 求解加权单目标问题得到多目标问题的最优解。
数学建模-数学规划 模型
目录
• 数学规划模型概述 • 线性规划模型 • 非线性规划模型 • 整数规划模型 • 多目标规划模型
01
CATALOGUE
数学规划模型概述
定义与分类
定义
数学规划是数学建模的一种方法，通 过建立数学模型描述和解决优化问题 。
分类
整数规划知识点总结
整数规划知识点总结一、整数规划基本概念整数规划是指决策变量的取值受到整数限制的线性规划问题。
数学形式可以表示为：\[\min c^Tx\]\[ s.t. Ax \leq b\]\[x\geq0 \]\[x_i \in \{0, 1, 2, ...\}\]其中，c为目标函数系数，x是决策变量，A是约束系数矩阵，b是约束条件的右端向量，决策变量x是整数。
当所有的决策变量都是整数时，称为纯粹整数规划（Pure Integer Programming）。
当部分决策变量为整数，部分为连续变量时，称为混合整数规划（Mixed Integer Programming, MIP）。
二、整数规划解法整数规划问题的求解可以采用分支定界法、割平面法、隐枚举法等不同方法。
下面将对常用的整数规划解法进行简要介绍。
1.分支定界法分支定界法是一种求整数规划解的有效方法，它通过对决策变量进行分支，将整数规划问题不断分解为子问题，然后采用线性规划方法求解子问题。
具体步骤如下：1）求解线性规划松弛问题，得到一个整数解。
2）若解为整数，则成为可行解，否则确定需要分支的决策变量，分为两个子问题。
3）对子问题继续重复上述过程，直到无法再分或求解出整数解为止。
2.割平面法割平面法是在分支定界法的基础上进行改进，它在每一次迭代求解线性规划松弛问题后，引入一些额外的不等式（割平面）来改进松弛问题的界。
这些割平面是通过分析整数规划问题的特性产生的，可以有效提高整数规划问题求解的效率。
3.隐枚举法隐枚举法是一种通过隐藏对决策变量的枚举，将整数规划问题转化为线性规划问题进行求解的方法。
该方法可以高效地求解整数规划问题，是一种常用的整数规划求解算法。
以上是整数规划常用的三种求解方法，通过不同的算法可以解决不同种类的整数规划问题。
三、整数规划应用领域整数规划在实际决策问题中有着广泛的应用，如生产计划、运输调度、项目投资、资源配置等诸多领域。
下面将对整数规划在不同应用领域的具体案例进行介绍。
《多目标规划模型》课件
02
权重法的主要步骤包括确定权重、构造加权目标函数、求解加权目标函数，最 后得到最优解。
03
权重法的优点是简单易行，适用于目标数量较少的情况。但缺点是主观性强， 依赖于决策者的经验和判断。
约束法
1
约束法是通过引入约束条件，将多目标问题转化 为单目标问题，然后求解单目标问题得到最优解 。
2
约束法的主要步骤包括确定约束条件、构造约束 下的目标函数、求解约束下的目标函数，最后得 到最优解。
多目标规划模型
目录
• 多目标规划模型概述 • 多目标规划模型的建立 • 多目标规划模型的求解方法 • 多目标规划模型的应用案例 • 多目标规划模型的未来发展与挑战
01 多目标规划模型概述
定义与特点
定义
多目标规划模型是一种数学优化方法 ，用于解决具有多个相互冲突的目标 的问题。
特点
多目标规划模型能够权衡和折衷多个 目标之间的矛盾，寻求满足所有目标 的最佳解决方案。
02 多目标规划模型的建立
确定目标函数
01
目标函数是描述系统或决策问题的期望结果的数学表达 式。
02
在多目标规划中，目标函数通常包含多个目标，每个目 标对应一个数学表达式。
03
目标函数的确定需要考虑问题的实际背景和决策者的偏 好。
确定约束条件
01 约束条件是限制决策变量取值范围的限制条件。 02 在多目标规划中，约束条件可以分为等式约束和
谢谢聆听
模型在大数据和人工智能时代的应用前景
要点一
总结词
要点二
详细描述
随着大数据和人工智能技术的快速发展，多目标规划模型 在许多领域的应用前景广阔。
大数据时代带来了海量的数据和复杂的问题，这为多目标 规划模型提供了广阔的应用场景。例如，在金融领域，多 目标规划可以用于资产配置和风险管理；在能源领域，多 目标规划可以用于能源系统优化和碳排放管理。同时，随 着人工智能技术的不断发展，多目标规划模型有望与机器 学习、深度学习等算法相结合，共同推动相关领域的发展 。
整数规划和多目标规划模型
1 整数规划的MATLAB 求解方法用MATLAB 求解一般混合整数规划问题由于MATLAB 优化工具箱中并未提供求解纯整数规划和混合整数规划的函数，因而需要自行根据需要和设定相关的算法来实现。
现在有许多用户发布2 1的工具箱可以解决该类问题。
这里我们给出开罗大学的 Sherif 和 Tawfik 在MATLAB Central 上发布的一个用于求解一般混合整数规划的程序，在此命名 为 intprog ，在原程序的基础上做了简单的修改，将其选择分枝变量的算法由自然序改造成分枝变量选择原则中的一种，即:选择与整数值相差最大的非整数 变量首先进行分枝。
intprog 函数的调用格式如下:[X,fval,eXitflag]=intprog(c,A,b,Aeq,beq,lb,ub,M,TolXInt eger)该函数解决的整数规划问题为：min s.tf Ax TcX b A eq Xb eqlb X ub X i 0 (i 1,2, ,n)X j 取整数(j M )在上述标准问题中，假设X 为n 维设计变量，且问题具有不等式约束 m i 个, 等式约束m 2个，那么:c 、X 均为n 维列向量，b 为m 1维列向量，b eq 为m 2维列向量，A 为rni j n 维矩阵，A eq 为m 2 n 维矩阵。
在该函数中，输入参数有 c,A,b,A eq,beq,lb,ub,M 和 TolXInteger 。
其中 c 为 目标函数所对应设计变量的系数， A 为不等式约束条件方程组构成的系数矩阵，b 为不等式约束条件方程组右边的值构成的向量。
Aeq 为等式约束方程组构成的 系数矩阵，beq 为等式约束条件方程组右边的值构成的向量。
lb 和ub 为设计变量对应的上界和下界。
M 为具有整数约束条件限制的设计变量的序号，例如问 题中设计变量为X 1,X 2, , X 6，要求X 2,X 3和X 6为整数，则 M=[2;3;6];若要求全 为整数，则M=1:6，或者M=[1;2;3;4;5;6]。
数学建模常用模型及代码
数学建模常用模型及代码
一.规划模型
1.线性规划
线性规划与非线性规划问题一般都是求最大值和最小值，都是利用最小的有限资源来求最大利益等，一般都利用lingo工具进行求解。
点击进入传送门
2.整数规划
求解方式类似于线性规划，但是其决策变量x1,x2等限定都是整数的最优化问题。
传送门
3. 0-1规划
决策变量只能为0或者为1的一类特殊的整数规划。
n个人指派n项工作的问题。
传送门
４.非线性规划
目标函数或者存在约束条件函数是决策变量的非线性函数的最优化问题。
传送门
５.多目标规划
研究多于一个的目标函数在给定区域上的最优化。
把求一个单目标，在此单目标最优的情况下将其作为约束条件再求另外一个目标。
传送门
6.动态规划
运筹学的一个分支。
求解决策过程最优化的过程。
传送门
二. 层次分析法
是一种将定性和定量相结合的，系统化的，层次化的分析方法，主要有机理分析法和统计分析法。
传送门
三.主成分分析
指标之间的相关性比较高，不利于建立指标遵循的独立性原则，指标之间应该互相独立，彼此之间不存在联系。
传送门。
《数学规划模型 》课件
非线性规划问题通常具有多个局 部最优解，寻找全局最优解是一
个挑战。
非线性规划的解法
梯度法
通过迭代计算，逐步逼近 最优解。每次迭代需要计 算目标函数的梯度和约束 条件的海森矩阵。
牛顿法
利用泰勒级数展开，构造 一个二次函数近似原函数 ，然后求解该二次函数的 极值点。
拟牛顿法
在牛顿法的基础上，通过 迭代更新海森矩阵的近似 值，提高算法的收敛速度 。
多目标规划的解法
总结词
多目标规划的解法包括层次分析法、权重法、主要目标法等 。
详细描述
多目标规划的解法有多种，其中较为常用的包括层次分析法 、权重法、主要目标法等。这些方法通过一定的数学手段和 计算技术，将多目标问题转化为单目标问题，以便进行求解 。
多目标规划的应用实例
总结词
多目标规划的应用非常广泛，包括经济、交通、能源 、环境等多个领域。
线性规划问题通常表示为在给定一组线性约束条件下，最小化或最大化一组线性目 标函数。
线性规划问题具有明确的目标函数和约束条件，且这些条件都是线性的，因此称为 线性规划。
线性规划的解法
线性规划问题可以通过多种方法求解， 其中最常用的是单纯形法。
单纯形法是一种迭代算法，通过不断迭 代寻找最优解。在每一步迭代中，算法 会检查当前解是否满足所有约束条件， 并尝试通过移动到相邻解来改进目标函
非线性规划的应用实例
投资组合优化
在给定风险和收益目标下，通过 非线性规划模型优化投资组合的
配置。
生产计划优化
在生产过程中，通过非线性规划 模型优化资源分配、生产计划等
。
物流优化
在物流配送中，通过非线性规划 模型优化运输路线、车辆调度等
。
- 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)。
整数规划和多目标规划模型1 整数规划的MATLAB 求解方法（一） 用MATLAB 求解一般混合整数规划问题由于MATLAB 优化工具箱中并未提供求解纯整数规划和混合整数规划的函数，因而需要自行根据需要和设定相关的算法来实现。
现在有许多用户发布的工具箱可以解决该类问题。
这里我们给出开罗大学的Sherif 和Tawfik 在MATLAB Central 上发布的一个用于求解一般混合整数规划的程序，在此命名为intprog ，在原程序的基础上做了简单的修改，将其选择分枝变量的算法由自然序改造成分枝变量选择原则中的一种，即：选择与整数值相差最大的非整数变量首先进行分枝。
intprog 函数的调用格式如下：[x,fval,exitflag]=intprog(c,A,b,Aeq,beq,lb,ub,M,TolXInteger) 该函数解决的整数规划问题为：⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧∈=≥≤≤=≤=）取整数（M j x n i x ubx lb b x A b Ax t s xc f j i eqeq T ),,2,1(0..min在上述标准问题中，假设x 为n 维设计变量，且问题具有不等式约束1m 个，等式约束2m 个，那么：c 、x 均为n 维列向量，b 为1m 维列向量，eq b 为2m 维列向量，A 为n m ⨯1维矩阵，eq A 为n m ⨯2维矩阵。
在该函数中，输入参数有c,A,b,A eq ,b eq ,lb,ub,M 和TolXInteger 。
其中c 为目标函数所对应设计变量的系数，A 为不等式约束条件方程组构成的系数矩阵，b 为不等式约束条件方程组右边的值构成的向量。
Aeq 为等式约束方程组构成的系数矩阵，b eq 为等式约束条件方程组右边的值构成的向量。
lb 和ub 为设计变量对应的上界和下界。
M 为具有整数约束条件限制的设计变量的序号，例如问题中设计变量为621,,,x x x ，要求32,x x 和6x 为整数，则M=[2;3;6]；若要求全为整数，则M=1:6，或者M=[1;2;3;4;5;6]。
TolXInteger 为判定整数的误差限，即若某数x 和最邻近整数相差小于该误差限，则认为x 即为该整数。
在该函数中，输出参数有x, fval 和exitflag 。
其中x 为整数规划问题的最优解向量，fval 为整数规划问题的目标函数在最优解向量x 处的函数值，exitflag 为函数计算终止时的状态指示变量。
例1 求解整数规划问题：⎪⎪⎪⎩⎪⎪⎪⎨⎧≥≥≤+≥-+= 0,12 1124 124 ..max212212121，且取整数值x x x x x x x t s x x f算法：c=[-1;-1]; A=[-4 2;4 2;0 -2]; b=[-1;11;-1]; lb=[0;0]; M=[1;2]; %均要求为整数变量 Tol=1e-8;%判断是否整数的误差限 [x,fval]=linprog(c,A,b,[],[],lb,[])%求解原问题松弛线性规划[x1,fval1]=intprog(c,A,b,[],[],lb,[],M,Tol) %求最优解整数解 结果：x =%松弛线性规划问题的最优解1.50002.5000 fval = -4.0000 x1 =%整数规划的最优解2 1 fval2 = -3.0000（二） 用MATLAB 求解0-1规划问题在MATLAB 优化工具箱中，提供了专门用于求解0-1规划问题的函数bintprog ，其算法基础即为分枝界定法，在MATLAB 中调用bintprog 函数求解0-1规划时，需要遵循MATLAB 中对0-1规划标准性的要求。
0-1规划问题的MATLAB 标准型⎪⎪⎩⎪⎪⎨⎧==≤=1,0..min x b x A bAx t s x c f eq eq T在上述模型中，目标函数f 需要极小化，以及需要满足的约束条件，不等式约束一定要化为形式为“≤”。
假设x 为n 维设计变量，且问题具有不等式约束1m 个，等式约束2m 个，那么：c 、x 均为n 维列向量，b 为1m 维列向量，eq b 为2m 维列向量，A 为n m ⨯1维矩阵，eq A 为n m ⨯2维矩阵。
如果不满足标准型的要求，则需要对原问题进行转化，化为标准型之后才能使用相关函数，标准化的方法和线性规划中的类似。
0-1规划问题的MATLAB 求解函数MATLAB 优化工具箱中求解0-1规划问题的命令为bintprog bintprog 的调用格式x = bintprog(f) x = bintprog(f,A,b) x = bintprog(f,A,b,Aeq,beq) x = bintprog(f,A,b,Aeq,beq,x0) x = bintprog(f,A,b,Aeq,Beq,x0,options) [x,fval] = bintprog(...) [x,fval,exitflag] = bintprog(...) [x,fval,exitflag,output] = bintprog(...)命令详解1）x = bintprog(f)该函数调用格式求解如下形式的0-1规划问题⎩⎨⎧==1,0..min x t s xc f T2）x = bintprog(c,A,b)该函数调用格式求解如下形式的0-1规划问题⎪⎩⎪⎨⎧=≤=1,0..min x b Ax t s x c f T3）x = bintprog (c,A,b,Aeq,beq)该函数调用格式求解如下形式的0-1规划问题：⎪⎪⎩⎪⎪⎨⎧==≤=1,0..min x b x A bAx t s x c f eq eq T4）x = bintprog (c,A,b,Aeq,beq,x0)该函数调用格式求解如下形式的0-1规划问题⎪⎪⎩⎪⎪⎨⎧==≤=1,0..min x b x A bAx t s x c f eq eq T在前一个调用格式的基础上同时设置求解算法的初始解为x0，如果初始解x0不在0-1规划问题的可行域中，算法将采用默认的初始解 5）x = bintprog (c,A,b,Aeq,beq,x0,options)用options 指定的优化参数进行最小化。
可以使用optimset 来设置这些参数上面的函数调用格式仅设置了最优解这一输出参数，如果需要更多的输出参数，则可以参照下面的调用格式：[x,fval] = bintprog(...)在优化计算结束之时返回整数规划问题在解x 处的目标函数值fval[x,fval,exitflag] = bintprog(...)在优化计算结束之时返回exitflag 值，描述函数计算的退出条件。
[x,fval,exitflag,output] = bintprog(...) 在优化计算结束之时返回结构变量output 例2：求解0-1规划问题()()()⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧========∑∑∑∑==== 21;21 4,3,21 10 21 1 21 1 ..max1111,n ,,j ,n ,,i x ,n ,,j x ,n ,,i x t s x E f ij ni ij n j ij n i nj ijij ），（或⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=23321622243113212329152226331220E为了程序的可读性，我们用一维下标来表示设计变量，即用41~x x 表示1411~x x ，用85~x x 表示2421~x x ，用129~x x 表示3431~x x ，用1613~x x 表示4441~x x ，于是约束条件和目标函数分别为：⎪⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎪⎨⎧===+++=+++=+++=+++=+++=+++=+++=+++)16,,2,1( 1,0111111111612841511731410621395116151413121110987654321 i x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x i 1644622521414313212111x E x E x E x E x E x E x E f +++++++=算法：c=[20;12;33;26;22;15;29;23;21;13;31;24;22;16;32;23]; Aeq=[1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0; 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0; 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1; 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0; 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0; 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0; 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1; ];beq=ones(1,8);[x,fval]=bintprog(c,[],[],Aeq,beq);B=reshape(x,4,4); %由于x 是一列元素，为了使结果更加直观，故排成与效率矩阵E 相对应的形式B'fval结果：Optimization terminated.ans =0 1 0 00 0 1 01 0 0 00 0 0 1fval =85整数规划的应用——组件配套问题某机械产品需要由三个工厂开工一起生产后组装完成。
每件机械需要4个组件1和3个组件2。
生产这两种组件需要消耗两种原材料A和B。
已知这两种原材料的供应量分别为400kg和600kg。
由于三个工厂的生产条件和拥有设备工艺条件不同，每个工厂生产组件的能力和原材料的消耗也不尽相同，且每个工厂开工一次都是配套生产一定数量的组件1和组件2，其具体的数据如表所示。
表11-2 各工厂生产能力和消耗原材料的数据表现在的最优化问题是，这三个工厂应当如何安排生产，才能使该产品的配套数达到最大？（Ⅰ）组件配套问题的建模设21x x 、和3x 是三个工厂分别开工的次数，将其作为该问题的设计变量。
由于每个工厂开工一次都是配套生产，故每次开工消耗的原材料一定，且生产的组件数也是一定的。
在这个假设的前提之下，我们可以得出该问题的目标函数和约束条件。
因为原材料的总量是有限的，根据工厂的开工次数，可得工厂１将消耗A 材料19x ，工厂２将消耗A 材料26x ，工厂３将消耗A 材料34x ，故有约束条件：400469321≤++x x x同理，对于材料B 的总量约束条件可以表达为：6009107321≤++x x x 然后再来分析三个工厂零件生产的情况，三个工厂生产的组件1的数量分别为2178x x 、和39x ，故组件1的总数为：3211978x x x Q ++= 同理，组件2的总数为：3212596x x x Q ++=下一步是分析目标函数，该问题要求的不是生产的各种组件总数最多，而是要求产品的配套数量最大，即能组成的机械数目最多。