用LINGO解决非线性规划问题

Lingo超经典案例大全LINGO是Linear Interactive and General Optimizer的缩写，即“交互式的线性和通用优化求解器”。

Lingo超强的优化计算能力在很多方面（线性规划、非线性规划、线性整数规划、非线性整数规划、非线性混合规划、二次规划等）比matlab、maple等强得多，Lingo编程简洁明了，数学模型不用做大的改动（或者不用改动）便可以直接采用Lingo语言编程，十分直观。

Lingo模型由4个段构成：（1）集合段（sets endsets）；（2）数据段（data enddata)；(3)初始段（init endinit）；（4）目标与约束段。

Lingo的五大优点：1. 对大规模数学规划，LINGO语言所建模型较简洁，语句不多；2. 模型易于扩展，因为@FOR、@SUM等语句并没有指定循环或求和的上下限，如果在集合定义部分增加集合成员的个数，则循环或求和自然扩展，不需要改动目标函数和约束条件；3. 数据初始化部分与其它部分语句分开，对同一模型用不同数据来计算时，只需改动数据部分即可，其它语句不变；4. “集合”是LINGO有特色的概念，它把实际问题中的事物与数学变量及常量联系起来，是实际问题到数学量的抽象，它比C语言中的数组用途更为广泛。

5. 使用了集合以及@FOR、@SUM等集合操作函数以后可以用简洁的语句表达出常见的规划模型中的目标函数和约束条件，即使模型有大量决策变量和大量数据，组成模型的语句并不随之增加．一、求解线性整数规划、非线性整数规划问题：1.线性整数规划：model:max=x1+x2;x1+9/14*x2<=51/14;-2*x1+x2<=1/3;@gin(x1);@gin(x2);end求得x1=3，x2=1，最大值为4.运用matlab求时可以发现有两组解：x1=3，x2=1和x1=2，x2=2。

通过验证也可知这两组解均满足。

⾮线性整数规划模型（LINGO代码实现）⾮线性整数规划模型LINGO讲解分析：第⼀步：确定决策变量问题是确定调运⽅案，使得总运输费⽤最⼩。

⽽总运输费⽤=货物运量*货物单价，题⽬给了货物单价了，我们求货物运量即可，这⾥的货物运量则是我们的决策变量。

第⼆步：确定⽬标函数和约束条件上图第⼀⾏就是我们的⽬标函数，下⾯三⾏是我们的约束条件，在满⾜约束条件的前提下，软件会不断遍历Xij所有可能的值，然后z也会根据Xij的变化⽽产⽣不同的值，这个时候⽤⼀个min函数取所有可能值当中的最⼩值，即可。

第三步：⽤LINGO代码实现model:title 最少运费问题;sets:!集合的定义，WH是集合的名字，W1..W6是集合的长度，⼀般写成1..6,相当于创建了⼀个能放六个元素的容器WH，是抽象的，是虚⽆的，是⼀种声明，告诉我们“：”后⾯的变量是⼀个什么类型的变量，显然，后⾯的AI是⼀个确确实实有六个数的数组，是具体的，是实在WH/W1..W6/:AI;!集合的名称、集合内的成员、集合的属性（可以看成是与改集合有关的变量或常量，相当与数组）;VD/V1..V8/:DJ;links(WH,VD):C,X;!以WH和VD为基础，衍⽣集合。

相当于把两个向量结合在⼀起，形成⼀个⼆维数组，有⾏和列，C和X这两个变量是实在的具体的⼆维数组，只不过后⾯C我们赋值了，X是通过系统根据约束条件和⽬标函数⾃⼰赋值的;endsetsdata:!数据段;AI=60,55,51,43,41,52;DJ=35,37,22,32,41,32,43,38;C=6,2,6,7,4,2,5,94,9,5,3,8,5,8,25,2,1,9,7,4,3,37,6,7,3,9,2,7,12,3,9,5,7,2,6,55,5,2,2,8,1,4,3;enddatamin=@sum(links(I,J):c(i,j)*x(i,j)); !⽬标函数.links我们上线提到了，是⼀个6X8的集合名;@for(WH(i):@sum(VD(j):x(i,j))<=AI(I));!约束条件.@for⼀出，你就要知道这⼀⾏写的就是约束条件了;@for(vd(j):@sum(WH(i):x(i,j))=DJ(j));!约束条件.;end。

运筹学lingo实验报告(一)运筹学lingo实验报告介绍•运筹学是一门研究在给定资源约束下优化决策的学科，广泛应用于管理、工程、金融等领域。

•LINGO是一种常用的运筹学建模和求解软件，具有丰富的功能和高效的求解算法。

实验目的•了解运筹学的基本原理和应用。

•掌握LINGO软件的使用方法。

•运用LINGO进行优化建模和求解实际问题。

实验内容1.使用LINGO进行线性规划的建模和求解。

2.使用LINGO进行整数规划的建模和求解。

3.使用LINGO进行非线性规划的建模和求解。

4.使用LINGO进行多目标规划的建模和求解。

实验步骤1. 线性规划•确定决策变量、目标函数和约束条件。

•使用LINGO进行建模，设定目标函数和约束条件。

•运行LINGO求解线性规划问题。

2. 整数规划•在线性规划的基础上，将决策变量的取值限制为整数。

•使用LINGO进行整数规划的建模和求解。

3. 非线性规划•确定决策变量、目标函数和约束条件。

•使用LINGO进行非线性规划的建模和求解。

4. 多目标规划•确定多个目标函数和相应的权重。

•使用LINGO进行多目标规划的建模和求解。

实验结果•列举各个实验的结果，包括最优解、最优目标函数值等。

结论•运筹学lingo实验是一种有效的学习运筹学和应用LINGO的方法。

•通过本实验能够提高对运筹学概念和方法的理解，并掌握运用LINGO进行优化建模和求解的技能。

讨论与建议•实验过程中是否遇到困难或问题，可以进行讨论和解决。

•提出对于实验内容或方法的建议和改进方案。

参考资料•提供参考书目、文献、教材、网站等资料，以便学生深入学习和研究。

致谢•对与实验指导、帮助或支持的人员表示感谢，如老师、助教或同学等。

以上为运筹学lingo实验报告的基本框架，根据实际情况进行适当调整和补充。

实验报告应简洁明了，清晰表达实验目的、内容、步骤、结果和结论，同时可以加入必要的讨论和建议，以及参考资料和致谢等信息。

LINGO 软件简介LINGO 软件是一个处理优化问题的专门软件,它尤其擅长求解线性规划、非线性规划、整数规划等问题.一个简单示例有如下一个混合非线性规划问题：⎪⎩⎪⎨⎧≥≤≤+++---+为整数2132121321322212121,;0,,210022..15023.027798max x x x x x x x x x x t s x x x x x x x .LINGO 程序模型：max =98x1+277x2-x1^2-0.3x1x2-2x2^2+150x3; x1+2x2+2x3<=100; x1<=2x2;gin x1;gin x2; Lingo 默认变量非负注意：binx 表示x 是0-1变量；ginx 表示x 是整数变量；bndL,x,U表示限制LxU ；freex 表示取消对x 的符号限制,即可正、可负.结果：Global optimal solution found.Objective value: 9561.200 Extended solver steps: 0 Total solver iterations: 45 Variable Value Reduced CostX1 6.000000 -76.70000X2 31.00000 -151.2000X3 16.00000 -150.0000Row Slack or Surplus Dual Price1 9561.200 1.0000002 0.000000 0.0000003 56.00000 0.000000———————— 非常简单在LINGO 中使用集合为了方便地表示大规模的规划问题,减少模型、数据表示的复杂程度,LINGO 引进了“集合”的用法,实现了变量、系数的数组化下标表示.例如：对⎪⎪⎩⎪⎪⎨⎧==-++-==≤++∑=.,,;10)0(;4,3,2,1),()())()1()(;4,3,2,1,20)(..)}(20)(450)(400{min4,3,2,1均非负INV OP RP INV I I DEM I OP I RP I INV I INV I I RP t s I INV I OP I RP I求解程序：model :sets :mark/1,2,3,4/:dem,rp,op,inv;也可以vmark/1..4/:dem,rp,op,inv;endsetsmin=sum mark:400rp+450op+20inv;也可以markI:400rpI+450opI+20invI;for markI: rpI<40;for markI|Igt1: invI=invI-1+rpI+opI-demI;inv1=10+rp1+op1-dem1;data:dem=40,60,75,35;enddataend上面程序在model…end之间有1集合定义、2数据输入和3其他三部分内容.集合定义部分从sets：到endsets：定义了一个指标集合mark可以理解为数组下标及其范围和其4个属性dem、rp、op、inv用此向量的数组变量.数据输入部分从data：到enddata依次给出常量dem的值.其他部分：给出优化目标及约束.一般而言,LINGO中建立优化模型的程序可以由五部分组成,或称为五段section：1集合段SETS：这部分以“SETS：”开始,以“ENDSETS”结束,作用在于定义必要的集合变量SET及其元素member,含义类似于数组的下标和属性attribute,含义类似于数组.2目标与约束段：这部分实际上定义了目标函数、约束条件等,但这部分没有段的开始和结束标记；该段一般常用到LINGO内部函数,尤其是和集合相关的求和函数SUM和循环函数FOR等.3数据段DATA：这部分以“DATA：”开始,以“ENDDATA”结束,作用在于对集合的属性数组输入必要的常数数据.格式为：attribute属性=value_list常数列表;常数列表中的数据之间可以用逗号、空格或回车符分隔.如果想要在运行时才对参数赋值,可以在数据段使用输入语句,其格式为“变量名=；”,但仅限对单个变量赋值,而不能用于属性变量数组的单个元素.4初始段INIT：这部分以“INIT：”开始,以“ENDINIT”结束,作用在于对集合的属性数组定义初值因为求解算法一般是迭代算法,提供一个较好的初值,能提高计算效果.定义初值的语句格式为：attribute属性=value_list常数列表;这与数据段中的用法类似.5计算段CALC：这部分以“CALC：”开始,以“ENDCALC”结束,作用在于对一些原始数据进行预处理加工,使其成为模型直接需要的数据.该段中通常是计算赋值语句.基本集合与派生集合为了处理二维数组变量等有多个下标的问题,LINGO引入了“派生集”的概念.我们把直接列出元素的指标集合叫“基本集合”,而基于其他集合派生出来的二维或多维指标集合称为“派生集”.派生集的定义格式为：派生集名原始集合1,原始集合2,…,原始集合n：属性变量列表；实际上就是笛卡儿积的意思,即：派生集={i1,i2, (i)n| i1集合1, i2集合2,…, in集合n}.1一个应用例子布局问题：某些建筑工地的位置用平面坐标a,b表示及水泥日用量d已知.现有A、B两临时料场位于P5,1、Q2,7,日储量20.问A、B两料场分别向各工地运输多少吨水泥,使总吨公里数最小若重新安排两料场的位置,应怎样安排才能使总吨公里数最小这样安排可节省多少吨公里设工地位置ai ,bi,水泥日用量为dii=1,2,…,6；料场位置xi,yi,日储量ej,j=1,2；从料场j向工地i运送量为cij.该问题的数学模型为：LINGO求解程序为：MODEL:sets:Imark/1..6/:a,b,d;Jmark/1,2/:x,y,e;IJmarkImark,Jmark:c;endsetsdata:Location for demand需求点位置;a=1.25,8.75,0.5,5.75,3,7.25;b=1.25,0.75,4.75,5,6.5,7.75;Quantities of the demand and supply供需量;d=3,5,4,7,6,11;e=20,20;enddatainit:Initial location for the supply初始点;x,y=5,1,2,7;endinitObjective function目标;OBJ min=sum IJmarki,j: ci,jxj-ai^2+yj-bi^2^1/2; demand contraints需求约束;for Imarki:DEMAND_CON SUM Jmarkj:ci,j=di;; supply constrains供给约束;for Jmarkj:SUPPLY_CON SUM Imarki:ci,j<=ej;;for Jmark: free x;free y;;2一个动态规划的例子：最短路问题从S城市到T城市之间找一条最短路径,道路情况如下：数学模型为：LINGO求解程序：model:sets:cities/s,a1,a2,a3,b1,b2,c1,c2,t/:L; 属性Li表示城市S到城市i的最优行驶路线的里程;roadscities,cities/ 派生集合roads表示的是网络中的道路;s,a1 s,a2 s,a3 由于并非所有城市间都有道路直接连接,所以将路具体列出;a1,b1 a1,b2 a2,b1 a2,b2 a3,b1 a3,b2b1,c1 b1,c2 b2,c1 b2,c2 属性Di,j是城市i到城市j的直接距离已知;c1,t c2,t/:D;endsetsD= 6 3 36 5 8 67 46 7 8 95 6;L=0,,,,,,,,; 因为Ls=0;enddatafor citiesi|igt index s: 这行中"indexs"可以直接写成"1";Li=min roadsj,i:Lj+Dj,i;; 这就是最短路关系式;endVariable ValueL S0.000000L A16.000000L A23.000000L A33.000000L B110.00000L B27.000000L C115.00000L C216.00000L T20.00000最短路径为： S-〉A3-〉B2-〉C1-〉T3指派问题设有6个人做6件事.其中cij表示第i人做第j事的收益；设第i人做第j事时xij =1,否则xij=0.该问题的规划模型：说明：其中“-”表示某人无法做该事.可令其为-表示绝对不行或0领薪不用干活LINGO求解程序：MODEL:sets:Imark/1..6/:i;Jmark/1..6/:j;IJmarkImark,Jmark:c,x;endsetsdata:第i人做第j事的收益;c=20,15,16,5,4,717,15,33,12,8,69,12,18,16,30,1312,8,11,27,19,14-99,7,10,21,10,32-99,-99,-99,6,11,13;enddataOBJ max=sum IJmarki,j: cx;每人做一项工作;for Imarki: SUM Jmarkj:xi,j=1;;每事一人做;for Jmarkj: SUM Imarki:xi,j=1;;for IJmark: bin x;本约束可以不要,因为有解时必为0或1; END4生产与销售计划问题某公司用两种原油A 和B 混合加工成两种汽油甲和乙.甲、乙两种汽油含原油A 的最低比例分别为50%和60%,每吨售价分别是4800元和5600元.该公司现有原油A 和B 的库存量分别为500吨和1000吨,还可以从市场上买到不超过1500吨的原油A.原油A 的市场价为：购买量不超500吨时单价为10000元/吨；购买量超过500吨但不超1000吨时,超过500吨部分单价为8000元/吨；购买量超过1000吨部分的单价是6000元/吨.该公司应如何安排原油的采购和加工以获得最大利润数学模型： 设原油A 用于生产甲、乙两种汽油的数量分别是x11和x12,原油B 用于生产甲、乙两种汽油的数量分别是x21和x22；购买原油A 的数量是x 吨,采购支出为cx 千元/吨.为了处理分段函数cx,将原油采购量x 分解为对应价格10千元/吨的采购量x1、对应对应价格8千元/吨的采购量x2和对应价格6千元/吨的采购量x3,它们应满足：0)500(21=-x x 表示要么x1=500要么x2=0,即x1的量不达到500时x2=00)500(32=-x x 表示要么x2=500要么x3=0,即x2的量不达到500时x3=0此时采购支出3216810)(x x x x c ++=模型改变为：LINGO 求解程序：model :init:x1=500;x2=500;x3=0;x12=1500;x22=1000;x11=0;x21=0;endinitmax=4.8x11+4.8x21+5.6x12+5.6x22-10x1-8x2-6x3; x11+x12<=x+500;x21+x22<=1000;0.5x11-0.5x21>=0;0.4x12-0.6x22>=0;x=x1+x2+x3;x1-500x2=0;x2-500x3=0;bnd0,x1,500;bnd0,x2,500;bnd0,x3,500;。

LINGO的使用简介LINGO软件是美国的LINGO系统公司开发的一套专门用于求解最优化问题的软件包．LINGO除了能够用于求解线性规划和二次规划外，还可以用于非线性规划求解、以及一些线性和非线性方程(组）的求解等．LINGO软件的最大特色在于它允许优化模型中的决策变量为整数,即可以求解整数规划，而且执行速度快．LINGO是用来求解线性和非线性优化问题的简易工具．LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果．在这里仅简单介绍LINGO的使用方法．LINGO(Linear INteractive and General Optimizer )的基本含义是交互式的线性和通过优化求解器．它是美国芝加哥大学的 Linus Schrage 教授于1980年开发了一套用于求解最优化问题的工具包,后来经过完善成何扩充，并成立了LINDO系统公司．这套软件主要产品有：LINDO,LINGO，LINDO API和What’sBest．它们在求解最优化问题上，与同类软件相比有着绝对的优势．软件有演示版和正式版．正式版包括:求解包(solver suite）、高级版(super)、超级版（hyper)、工业版(industrial)、扩展版(extended）．不同版本的LINGO对求解问题的规模有限制，如附表３-1所示．附表３-1 不同版本LINGO对求解规模的限制版本类型总变量数整数变量数非线性变量数约束数演示版 300 30 30 150求解包 500 50 50 250高级版 2000 200 200 1000超级版 8000 800 800 4000工业版 32000 3200 32000 16000扩展版无限无限无限无限3.1 LINGO程序框架LINGO可以求解线性规划、二次规划、非线性规划、整数规划、图论及网络最优化问题和最大最小求解问题，以及排队论模型中最优化等问题．一个LINGO程序一般会包括以下几个部分：（1) 集合段:集部分是LINGO模型的一个可选部分．在LINGO模型中使用集之前，必须在集部分事先定义．集部分以关键字“sets：”开始，以“endsets”结束．一个模型可以没有集部分，或有一个简单的集部分,或有多个集部分．一个集部分可以放置于模型的任何地方，但是一个集及其属性在模型约束中被引用之前必须先定义．（2）数据段：在处理模型的数据时，需要为集部分定义的某些元素在LINGO求解模型之前为其指定值．数据部分以关键字“data:”开始，以关键字“enddata"结束．（3) 目标和约束段：这部分用来定义目标函数和约束条件等．该部分没有开始和结束的标记．主要是要用到LINGO的内部函数，尤其是与集合有关的求和与循环函数等．（4)初始段:这个部分要以关键字“INIT：”开始，以关键字“ENDINIT"结束，它的作用是对集合的属性定义一个初值．在一般的迭代算法中，如果可以给一个接近最优解的初始值，会大大减少程序运行的时间．（5）数据预处理段：这一部分是以关键字“CALC:”开始，以关键字“ENDCALC”结束．它的作用是把原始数据处理成程序模型需要的数据，它的处理是在数据段输入完以后、开始正式求解模型之前进行的，程序语句是按顺序执行的．3.2 LINGO中集合的概念在对实际问题建模的时候，总会遇到一群或多群相联系的对象，比如工厂、消费者群体、交通工具和雇工等等．LINGO允许把这些相联系的对象聚合成集（sets）．一旦把对象聚合成集，就可以利用集来最大限度地发挥LINGO建模语言的优势．现在将深入介绍如何创建集，并用数据初始化集的属性．3.2。

Lingo在飞行管理中的应用Lingo是一种用于线性和非线性优化问题的软件系统，同时也被广泛应用于航空和飞行管理领域。

在飞行管理中，Lingo主要用于优化航班调度、飞机分配以及航班路径规划等问题，以提高航空公司的运输效率、降低成本和提高服务质量。

下面将介绍Lingo在飞行管理中的应用。

一、航班调度与飞机分配航班调度和飞机分配是影响航空公司运作效率的两个关键因素。

航班调度决定了航班的时间表和航线，而飞机分配则关乎飞机的规划和调度。

Lingo可以通过建立数学模型和优化算法，有效地解决这些问题。

例如，一个航空公司需要优化其各个机场之间的直达航线，同时避免航班冲突和飞行时间过长。

使用Lingo，可以通过确定机场之间的距离、飞机速度和飞行高度等因素，并采用优化算法，得到最优的航班路径和时间表。

此外，航空公司还可以利用Lingo优化高峰期的航班计划，以实现更优的航班调度和飞机分配方案。

二、航班路径规划航班路径规划是另一个重要的问题，它涉及到飞行计划、飞行高度和飞机速度等因素。

使用Lingo，可以建立数学模型，考虑到飞行器的性能、飞行时间和燃油成本等因素，并采用优化算法，以获得最优的航班路径。

这有助于实现航班安全和有效运输，同时降低成本和对环境的影响。

三、航空物流管理航空物流管理涉及到货运航班、货物跟踪、库存管理等方面。

使用Lingo可以帮助航空公司优化货运航班、货物分配和货物跟踪等方面的问题。

例如，确定最佳的货运航班路径、货物的装载方式等，以达到运输效率的最大化。

Lingo在飞行管理中的应用范围广泛，可以帮助航空公司实现航班调度、飞机分配、航班路径规划和物流管理等方面的优化，以提高运输效率和服务质量，降低成本和对环境的影响。

LINGO 操作入门LINGO 是用来求解线性和非线性优化问题的简易工具。

LINGO 内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO 高效的求解器可快速求解并分析结果。

当你在windows 下开始运行LINGO 系统时，会得到类似下面的一个窗口：外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。

在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO 的默认模型窗口，建立的模型都都要在该窗口内编码实现。

下面举两个例子。

例1.1 如何在LINGO 中求解如下的LP 问题：,6002100350..32min 212112121≥≤+≥≥++x x x x x x x t s x x在模型窗口中输入如下代码： min =2*x1+3*x2; x1+x2>=350; x1>=100;2*x1+x2<=600;然后点击工具条上的按钮 即可。

>=和<=可写成>和<一个表达式可写成多行，如 min=2*x1 +3*x2；LINGO WINDOWS 命令文件菜单（File Menu ） 1． 新建（New ）从文件菜单中选用“新建”命令、单击“新建”按钮或直接按F2键可以创建一个新的“Model”窗口。

在这个新的“Model”窗口中能够输入所要求解的模型。

2． 打开（Open ）从文件菜单中选用“打开”命令、单击“打开”按钮或直接按F3键可以打开一个已经存在的文本文件。

这个文件可能是一个Model 文件。

3． 保存(Save)从文件菜单中选用“保存”命令、单击“保存”按钮或直接按F4键用来保存当前活动窗口（最前台的窗口）中的模型结果、命令序列等保存为文件。

4． 另存为．．．(Save As ．．．) 从文件菜单中选用“另存为．．．”命令或按F5键可以将当前活动窗口中的内容保存为文本文件，其文件名为你在“另存为．．．”对话框中输入的文件名。