数学建模小实例
- 格式:doc
- 大小:73.00 KB
- 文档页数:8
数学建模几何在生活中应用
数学建模在几何学的应用在生活中非常广泛,以下是一些具体的应用实例:
1.购房贷款:在购房过程中,数学模型可以帮助我们理解和分析贷款的各种可能方案。
例
如,利用数学模型,我们可以比较等额本金和等额本息这两种不同的还款方式,并计算出在不同利率和还款期限下,每种方式的还款总额和每月还款金额。
这样,我们就可以选择最适合自己的还款方案。
2.时尚穿搭:高跟鞋是一种时尚单品,但穿多高的高跟鞋才能达到最佳的视觉效果呢?这
时,我们可以借助数学模型来解决这个问题。
根据黄金分割原理,当女生的腿长和身高比值是0.618时,身材会显得最迷人。
因此,我们可以计算出最适合女生身高的高跟鞋高度,使她们在穿搭上更加出彩。
3.银行利率:在金融领域,数学建模也发挥着重要作用。
例如,我们可以通过建立数学模
型来分析银行利率的变化对存款或贷款的影响。
这种分析可以帮助我们更好地理解金融市场的运作,从而做出更明智的决策。
数学建模的实例与分析在现代社会中,数学建模作为一种重要的科学方法,被广泛应用于各个领域。
通过数学模型的构建和分析,我们能够深入了解问题的本质,预测未来的趋势,并为决策提供科学依据。
本文将为大家介绍两个关于数学建模的实例,并对其进行详细分析。
实例一:股票价格预测股票市场一直以来都备受人们的关注,因为其价格的波动会对投资者的财富造成重大影响。
为了帮助投资者更好地预测股票价格,数学建模成为了一种重要的工具。
在股票价格预测的建模过程中,一般使用时间序列分析方法。
首先,我们需要获取一段时间内的历史股票数据,包括每日的股票价格和交易量。
然后,通过统计学方法对这些数据进行分析,例如平均值、标准差等。
接下来,我们可以利用时间序列模型,如ARIMA模型,来对未来的股票价格进行预测。
除了时间序列分析,机器学习算法也可以应用于股票价格的预测。
例如,可以使用支持向量机(SVM)或人工神经网络(ANN)等算法,通过训练模型来捕捉股票价格的变化规律,并进行预测。
这些算法能够根据历史数据中的模式和趋势,预测未来股票价格的走势。
通过数学建模,我们能够更好地理解股票市场的运行规律,并及时预测股票价格的变化,为投资者提供决策参考。
实例二:交通拥堵模拟随着城市化的发展,交通拥堵成为了一个普遍存在的问题。
为了有效地缓解交通拥堵,数学建模可以帮助我们研究交通流的特性,并设计出更好的交通管理策略。
在交通拥堵模拟中,常常使用微观模型和宏观模型相结合的方法。
微观模型关注个体车辆的行为,例如车辆的加速度、减速度以及车头间距等。
而宏观模型则关注整体交通流的特性,例如道路容量、流量以及速度等。
通过对交通流的建模和仿真,我们可以模拟城市道路网络中交通流的变化,以及拥堵的产生和扩散过程。
借助于数学建模,我们可以预测在不同交通管理策略下,拥堵情况的变化以及交通状况的优化效果。
此外,数学建模还可以结合其他领域的知识,如人工智能和大数据分析,来进一步提高交通拥堵模拟的准确性和可靠性。
数学建模在生活中的应用数学建模是将真实世界中的问题转化为数学模型并进行求解的过程。
这样就可以通过分析数学模型得出对问题的解决方案和预测未来发展趋势。
现代生活中数学建模的应用非常广泛,以下是其中的几个例子。
1. 交通流量预测城市交通拥堵是一个普遍存在的问题,交通流量预测可以帮助城市规划者和交通管理部门更好地组织交通流量。
数学建模可以通过收集历史交通数据、道路拓扑结构、公共交通等因素,建立交通流量预测模型。
在此基础上,通过计算预测出交通流量峰值,及时采取合适的交通管理措施来避免拥堵。
2. 风险评估与保险在金融领域中,数学建模可以用于风险评估和保险计算。
对于保险公司来说,通过数学建模可以评估风险和建立合适的保险方案。
这样保险公司不仅可以根据风险程度收取合理的保费,而且可以保证公司的盈利。
3. 医疗应用医学研究因其数据复杂性而需要使用数学建模。
医学数学建模主要应用于疾病预测、疾病分类、治疗优化等方面。
例如,肿瘤生长模型可以帮助医生预测肿瘤的发展趋势,从而为合适的治疗方案提供基础。
4. 客流管理在公共交通系统,数学建模可以用于客流管理。
这些模型可以帮助人们更好地规划使用公共交通工具的时间和路线。
通过收集历史客流数据和公共交通运营数据,建立客流管理模型,就可以在客流高峰期和交通停机时间段内提供更好的公共交通服务。
5. 工业生产优化数学建模可以为工业企业提供优化生产方案的支持。
生产优化模型可以在减少物料浪费、提高生产效率和优化工程任务分配的同时,最小化生产成本。
总之,数学建模在现代生活中的应用非常广泛。
通过数学建模的分析、设计和优化,我们可以在各个领域中提高效率,提高准确性,从而更好地满足人们的需求。
数学建模实例
数学建模是将实际问题转化为数学模型,通过对模型进行分析和求解来解决问题的一种方法。
以下是数学建模的一些实例:
1. 客流热力学模型:在城市轨道交通拥挤情况下,建立客流热力学模型,分析出客流分布的状况,有效提高轨道交通系统的运行性能。
2. 互联网广告投放模型:针对互联网广告投放的问题,建立数学模型,分析各种广告投放策略的影响,提出最佳的广告投放策略。
3. 股票价格预测模型:针对股票市场,建立数学模型,通过对历史数据的分析和预测,预测未来股票价格的走势,为投资决策提供科学依据。
4. 生态系统模型:建立生态系统稳定性数学模型,探究物种间相互作用的影响,预测生态系统发展趋势,为环境保护提供科学依据。
5. 智能交通路网模型:建立智能交通路网数学模型,分析路网拥堵状况,提出最优路径,实现交通系统的智能化管理。
6. 供应链管理模型:建立供应链管理数学模型,分析供应链各环节的影响,优化供应链各环节的质量和效率,提升企业综合效益。
7. 机器学习模型:应用机器学习算法,通过对大量历史数据的分析和学习,预测未来数据的走势,为商业决策提供科学依据。
数学建模的实例分析数学建模是一种将实际问题转化为数学模型进行求解的方法。
通过对问题的分析、建立适当的模型,运用数学方法进行求解,从而得到对实际问题的理解和解决方案。
本文将通过一个实例来具体分析数学建模在实际问题中的应用。
一、问题描述假设某城市的道路交通堵塞问题日益严重,市政府计划对交通信号灯进行优化。
为了合理地调配交通信号灯的时长,需要考虑到车辆流量、道路长度、红绿灯周期等多个因素。
具体问题如下:如何合理地设置交通信号灯的时长,以最大程度地提高交通效率并减少交通拥堵。
二、问题分析针对上述的问题,我们可以首先将道路网络抽象为一个图论模型。
将路口作为节点,道路作为边,通过各个路口之间的连接关系来描述交通情况。
而交通信号灯的时长则可以视为图论中边的权重,表示车辆通过该边所需要的时间。
基于上述分析,我们将问题进行数学建模:1. 定义变量:- $N$:路口数量- $G = (V, E)$:图,其中 $V$ 表示路口的集合,$E$ 表示道路的集合- $L$:红绿灯周期长度- $T(e)$:边 $e$ 的通过时间2. 建立模型:- 目标函数:最小化车辆的平均通过时间 $C$,即\[C = \frac{1}{N} \sum_{e \in E} \frac{T(e)}{T(L)}\]- 约束条件:- 路口的通过时间必须满足红绿灯周期长度 $L$,即对于任意路口 $i \in V$,有\[\sum_{e \in E(i)} T(e) = L\]其中 $E(i)$ 表示与路口 $i$ 相关联的道路集合。
3. 求解方法:- 利用优化算法,如遗传算法、模拟退火算法等,求解上述问题模型,得到最优的交通信号灯时长。
三、实例分析以某城市的一个交通繁忙的路口为例来具体分析。
1. 数据采集:- 通过交通监控摄像头,采集车辆通过路口的数据,并记录通过时间。
- 统计各个道路的车辆流量、道路长度等信息。
2. 建模过程:- 根据采集到的数据,构建图模型。
“学”以致用-----简单数学建模应用问题100例数学教学过程中学习了一个数学公式后,需要做大量的应用题,通过训练来加深理解所学公式。
但是在生活中又有多少实际问题是可以直接套用公式的呢?理想状态下的公式直接运用,在生产及生活中的实例是少之又少。
为此学生总感到学了数学没有什么实际用处,所以对学习数学少有兴趣。
数学建模的引入对培养学生利用数学方法分析、解决实际问题的能力开辟了一条有效的途径,让中职学生从中体会到数学是来源于生活并应用于生活的.数学建模是一种思维方式,它是一个动态的过程,通过此过程可以将一个实际的问题,经过模型准备、模型假设、模型构成、模型解析、模型检验与应用等五个具体步骤,转变为可以用数学方法(公式)来解决的,在理想状态下的数学问题,上述的整个流程统称为数学建模如果想解决某个实际问题(也许它和数学没有直接的关系),可以按下面流程对问题进行数学建模。
一.模型准备先了解该问题的实际背景和建模目的,尽量弄清要建模的问题属于哪一类学科的问题,可能需要用到哪些知识,然后学习或复习有关的知识,为接下来的数学建模做准备.由于人们所掌握的专业知识是有限的,而实际问题往往是多样和复杂的,模型准备对做好数学建模问题是非常重要的.二.模型假设有了模型准备的基础,要想把实际问题变为数学问题还要对其进行必要合理的简化和假设.明确了建模目的又掌握了相关资料,再去除一些次要因素.以主要矛盾为主来对该实际问题进行适当的简化并提出一些合理的假设。
模型假设不太可能一蹴而就,可以在模型的不断修改中得到逐步完善.三.模型构成在模型假设的基础上,选择适当的数学工具并根据已知的知识和搜集的信息来描述变量之间的关系或其他数学结构(如数学公式、定理、算法等).做模型构成时可以使用各种各样的数学理论和方法,但要注意的是在保证精度的条件下尽量用简单的数学方法是建模时要遵循的一个原则.四.模型解析在模型构成中建立的数学模型可以采用解方程、推理、图解、计算机模拟、定理证明等各种传统的和现代的数学方法对其进行求解,其中有些可以借助于计算机软件来做这些工作。
数学建模的应用实例《数学建模的应用实例》嘿,同学们!你们知道吗?数学建模可太神奇啦!它就像一把万能钥匙,能打开好多好多现实生活中的难题之门。
比如说,我们经常会在电视上看到天气预报。
那天气预报是怎么来的呢?这里面就有数学建模的功劳!气象学家们会收集大量的数据,像温度、湿度、风速等等。
然后,他们用数学建模的方法,把这些数据整合起来,建立起一个复杂的数学模型。
通过这个模型,就能预测出未来的天气情况啦!这难道不神奇吗?再想想我们坐公交车的时候。
公交公司要怎么安排车辆的发车时间和数量呢?这也需要数学建模呀!他们要考虑到不同时间段的乘客数量,路线的长短,还有交通状况等等。
就好像是在搭一个超级复杂的积木城堡,每一块积木都不能放错地方。
如果安排不好,要么车上挤得要命,要么空车乱跑,那多浪费资源呀!还有哦,我们去超市买东西的时候。
超市的老板怎么决定进多少货呢?这也得靠数学建模!他们得考虑商品的销量、保质期、存储成本等等。
这不就像是在玩一场精心策划的游戏,稍有不慎就会输得很惨吗?记得有一次,我们班组织春游。
老师让我们计算需要准备多少食物和水。
我们几个小伙伴就一起商量,先统计了参加春游的人数,然后估计每个人大概会吃多少、喝多少。
这不也是一种小小的数学建模嘛!我们算来算去,可认真啦,就怕准备少了大家不够吃,准备多了又浪费。
我还听说,在建筑设计中,数学建模也很重要呢!建筑师们要计算房子能承受多大的重量,怎样的结构更稳固。
这就好比是给房子打造一副坚不可摧的骨架,要是算错了,那房子可就危险啦!数学建模就像是一个神奇的魔法棒,在我们生活的方方面面挥舞着,解决着各种各样的问题。
它能让复杂的事情变得清晰,让困难的问题变得简单。
难道我们不应该好好学习数学建模,让它帮助我们解决更多的难题吗?我觉得呀,数学建模的世界就像一个巨大的宝藏,等着我们去探索和发现!只要我们用心去学,一定能在这个神奇的世界里收获满满!。
简单数学建模实例随着社会和科技的发展,数学建模已经越来越成为各个领域的重要手段。
而简单数学建模实例的模拟与实验,也成为了学生学习数学和拓展实际应用的重要方式。
在此,我们将为大家介绍一些简单的数学建模实例。
(一)瓶子里的气体假设一个恒定体积的瓶子装满的气体,其中含有 x % 的氮气,y % 的氧气和 z % 的二氧化碳。
现在在瓶子中加入一定量的氧气,使得瓶子中氮气的百分比降至 v %。
问原瓶子中氧气的百分比是多少?这个问题只需要列出守恒方程即可:氧气的质量与氮气和二氧化碳的质量之和等于瓶子中气体的总质量。
再加上一个初始状态的方程,就可以得到两个关于 y 和 z 的一元二次方程,解它们即可。
(二)小球的弹性碰撞两个小球,一个重量为 m1,在速度为 v1 的情况下运动;另一个球的重量为 m2,在速度为 v2 的情况下静止。
两个小球弹性碰撞后,速度分别为 u1 和 u2。
问 u1 和 u2 在什么情况下相等?这个问题需要利用动能守恒和动量守恒的规律,分别列出两个守恒方程,然后解方程即可。
其中,动能守恒方程是指碰撞前后的总动能是守恒的;动量守恒方程是指碰撞前后的总动量也是守恒的。
(三)植物生长的模拟植物的生长是与光、水、温度等因素有关的,而光照强度、水分充足和温度适宜是保证植物生长的基本条件。
因此,我们可以利用数学方法,建立植物生长与光照强度、水分和温度之间的关系模型。
具体地说,我们可以将光照强度、水分和温度三个因素定量化,例如化学计量法,然后建立该物种的生长速度与光照强度、水分和温度之间的函数关系。
最后,可以通过改变各个因素来预测植物的生长速度。
(四)自然灾害预测自然灾害如洪水、地震、气象灾害等都是由物理或化学规律导致的,因此可以利用数学方法,预测或模拟这些自然灾害。
例如,可以通过建立地震发生的概率模型,分析地震的分布规律和发生的时间等信息,从而预警或预测地震。
在预测洪水方面,我们可以通过搜集洪水历史数据、雨量和地下水位等信息,建立预警模型。
数学教学中的数学建模案例数学建模是指运用数学原理与方法解决实际问题的过程。
在数学教学中,数学建模可以帮助学生将抽象的数学概念与实际问题相结合,提高他们解决问题的能力和应用数学的能力。
本文将介绍几个数学建模在数学教学中的典型案例。
案例一:用数学建模解决实际问题我们以一个实例开始,假设一个园区的供电系统需要进行优化和改造,以降低能耗和成本。
为了解决这个问题,我们可以通过数学建模来分析和优化供电系统。
首先,我们可以收集园区的用电数据,包括用电量、峰谷电价等信息。
然后,我们可以建立数学模型,使用线性规划等方法来优化供电系统的运行。
通过调整供电系统的负荷分配和电源配置,我们可以找到一种最优方案,以达到降低能耗和成本的目标。
在数学教学中,我们可以通过这个案例引导学生运用数学知识和方法解决实际问题。
学生可以根据实际场景,收集数据,建立数学模型,并利用计算机软件进行模拟和优化。
这样,学生不仅可以巩固数学知识,还可以提高他们的问题解决能力和创新思维。
案例二:用数学建模解决交通流问题交通流问题是城市规划中的一个重要问题。
如何合理安排信号灯的时序,以及交通流的优化调度,都是需要运用数学建模来解决的。
我们可以以某个路口的交通流问题为例。
假设某个路口存在交通拥堵问题,我们需要通过数学建模来优化车辆的行驶路径和交通信号。
首先,我们可以通过收集交通流数据,包括车辆数量、车速等信息。
然后,我们可以建立数学模型,使用图论等方法来分析交通网络的拓扑结构,考虑车辆的速度、密度等因素,并结合交通信号的控制,来优化交通流的调度和路口的通行效率。
在数学教学中,我们可以通过这个案例让学生了解到数学在交通规划中的应用。
学生可以通过收集数据、建立数学模型,运用图论等数学知识,来解决交通流问题。
通过这种实践性的学习,学生可以更好地理解数学的应用和实际问题的解决方法。
案例三:用数学建模解决金融风险问题金融风险管理是银行和其他金融机构需要处理的一个重要问题。
1、司乘人员配备问题某昼夜服务的公交路线每天各时间区段内需司机和乘务人员如下:设司机和乘务人员分别在各时间区段一开始上班,并连续工作八小时,问该公交线路至少配备多少名司机和乘务人员?解: 设i x为第i班应报到的人员i,建立线性模型如下:)6,(,2,1LINGO程序如下:MODEL:min=x1+x2+x3+x4+x5+x6;x1+x6>=60;x1+x2>=70;x2+x3>=60;x3+x4>=50;x4+x5>=20;x5+x6>=30;END得到的解为:x1=60,x2=10,x3=50,x4=0,x5=30,x6 =0;配备的司机和乘务人员最少为150人。
2、铺瓷砖问题要用40块方形瓷砖铺下图所示形状的地面,但当时市场上只有长方形瓷砖,每块大小等于方形的两块。
一人买了20块长方形瓷砖,试着铺地面,结果无法铺好。
试问是这人的功夫不到家还是这个问题根本无解呢?解答:3、 棋子颜色问题在任意拿出黑白两种颜色的棋子共n 个,随机排成一个圆圈。
然后在两颗颜色相同的棋子中间放一颗黑色棋子,在两颗颜色不同的棋子中间放一颗白色棋子,放完后撤掉原来所放的棋子,再重复以上的过程,这样放下一圈后就拿走前次的一圈棋子,问这样重复进行下去各棋子的颜色会怎样变化呢?分析与求解:由于在两颗同色棋子中放一颗黑色棋子,两颗不同色的棋子中间放一颗白色棋子,故可将黑色棋子用1表示,白色棋子用-1表示。
这是因为-1×(-1)=1,1×1=1,这代表两颗同色棋子中放一颗黑色棋子;1×(-1)= -1,这代表两颗不同色的棋子中间放一颗白色棋子。
设棋子数为n ,12,,,n a a a L 为初始状态。
当n=3时步数 状态(舍掉偶次项) 0 1a 2a 3a 1 21a a 32a a 13a a 2 31a a 21a a 32a a 3 32a a 31a a 21a a 4 12a a 23a a 31a a说明当n=3时,经过3步进入初始状态。
数学建模优化建模实例数学建模是将现实问题抽象为数学问题,并利用数学方法解决问题的过程。
优化建模是数学建模中的一种常见方法,其主要目标是寻找一个最优解,在给定的约束条件下最大化或最小化一些指标。
下面将以一个实际问题为例,介绍数学建模和优化建模的过程。
假设公司生产和销售苹果汁。
为了提高生产效率和降低成本,该公司希望确定每个生产周期的最佳生产数量和销售价格。
同时,公司还面临一个供应约束:每个生产周期公司最多能购买苹果的数量是固定的,且销售数量必须小于或等于生产数量。
首先,我们需要将问题进行数学建模。
定义变量:-总生产数量:X(每个生产周期生产的苹果汁的数量)-销售数量:Y(每个生产周期销售的苹果汁的数量)-单位生产成本:C(每单位苹果汁的生产成本)-单位销售价格:P(每单位苹果汁的销售价格)-每个生产周期苹果的供应限制数量:S(每个生产周期可以购买的苹果的数量)问题的目标是最大化利润,即最大化销售收入减去生产成本。
因此,我们的目标函数可以定义为:Profit = P * Y - C * X公司面临的约束条件包括:1.生产数量必须小于或等于供应限制数量:X<=S2.销售数量必须小于或等于生产数量:Y<=X接下来,我们可以通过数学优化建模的方法来求解这个问题。
我们可以构建一个数学模型来描述问题,并使用相关的数学工具和算法来求解最优解。
在这个例子中,我们可以使用线性规划的方法来求解。
线性规划是一种常用于解决优化问题的数学方法,它通过确定一组决策变量的值,使得目标函数最大化或最小化,同时满足一组约束条件。
在我们的例子中,我们可以将问题表示为线性规划模型:最大化 Profit = P * Y - C * X约束条件:1.X<=S2.Y<=X通过求解这个线性规划模型,我们可以得到最优的生产数量X和销售数量Y,以及对应的利润Profit。
解决这个问题的方法有很多种,如单纯形法、内点法等。
我们可以通过使用线性规划软件工具来求解这个问题,比如MATLAB、Gurobi等。
《数学建模》实验报告计算过程如下, 结果如下:画图程序命令如下:函数图象如下:实验题目二: 编写利用顺序Guass消去法求方程组解的M-函数文件,并计算方程组的解解: M-函数文件如下:方程组的计算结果如下:实验题目三: 编写“商人们安全过河”的Matlab程序解: 程序如下:function foot=chouxiang%%%%%%%%%%%%%%%%%%%%%% 程序开始需要知道商人数, 仆人数, 船的最大容量n=input('输入商人数目:');nn=input('输入仆人数目:');nnn=input('输入船的最大容量:');if nn>nn=input('输入商人数目:');nn=input('输入仆人数目:');nnn=input('输入船的最大容量:');end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 决策生成jc=1; % 决策向量存放在矩阵“d”中, jc为插入新元素的行标初始为1for i=0:nnnfor j=0:nnnif (i+j<=nnn)&(i+j>0) % 满足条件D={(u,v)|1<=u+v<=nnn,u,v=0,1,2}d(jc,1:3)=[i,j 1]; %生成一个决策向量后立刻将他扩充为三维(再末尾加“1”)d(jc+1,1:3)=[-i,-j,-1]; % 同时生成他的负向量jc=jc+2; % 由于一气生成两个决策向量,jc指标需要往下移动两个单位endendj=0;end再验证:程序结果说明在改变商人和仆人数目, 其他条件不变的条件下。
可能无法得到结果。
程序结果说明在改变商人和仆人数目,其他条件不变的条件下。
可能无法得到结果。
常用数学建模方法及实例数学建模是将实际问题转化为数学模型,通过数学方法进行求解和分析的过程。
常用的数学建模方法包括线性规划、整数规划、非线性规划、图论、动态规划等。
一、线性规划线性规划是一种用于求解线性约束下目标函数的最优值的方法。
它常用于资源分配、生产计划、供应链管理等领域。
例1:公司有两个工厂生产产品A和产品B,两种产品的生产过程需要使用原材料X和Y。
产品A和产品B的利润分别为10和8、工厂1每小时生产产品A需要1个单位的X和2个单位的Y,每小时生产产品B需要2个单位的X和1个单位的Y。
工厂2每小时生产产品A需要2个单位的X和1个单位的Y,每小时生产产品B需要1个单位的X和3个单位的Y。
公司给定了每种原材料的供应量,求使公司利润最大化的生产计划。
二、整数规划整数规划是线性规划的一种扩展,要求变量的取值为整数。
整数规划常用于离散决策问题。
例2:公司有5个项目需要投资,每个项目的投资金额和预期回报率如下表所示。
公司有100万元的投资资金,为了最大化总回报率,应该选择哪几个项目进行投资?项目投资金额(万元)预期回报率1207%2306%3409%4104%5508%三、非线性规划非线性规划是一种求解非线性目标函数下约束条件的最优值的方法。
它广泛应用于经济、金融和工程等领域。
例3:公司通过降低售价和增加广告费用来提高销售额。
已知当售价为p时,销量为q=5000-20p,广告费用为a时,销售额为s=p*q-2000a。
已知售价的范围为0≤p≤100,广告费用的范围为0≤a≤200,公司希望最大化销售额,求最优的售价和广告费用。
四、图论图论是一种用于研究图(由节点和边组成)之间关系和性质的数学方法,常用于网络分析、路径优化、社交网络等领域。
例4:求解最短路径问题。
已知一个有向图,图中每个节点表示一个城市,每条边表示两个城市之间的道路,边上的权重表示两个城市之间的距离。
求从起始城市到目标城市的最短路径。
五、动态规划动态规划是一种通过将问题划分为子问题进行求解的方法,常用于求解最优化问题。
1、司乘人员配备问题
某昼夜服务得公交路线每天各时间区段内需司机与乘务人员如下:
设司机与乘务人员分别在各时间区段一开始上班,并连续工作八小时,问该公交线路至少配备多少名司机与乘务人员?
解: 设为第班应报到得人员,建立线性模型如下:
LINGO程序如下:
MODEL:
min=x1+x2+x3+x4+x5+x6;
x1+x6>=60;
x1+x2>=70;
x2+x3>=60;
x3+x4>=50;
x4+x5>=20;
x5+x6>=30;
END
得到得解为:
x1=60,x2=10,x3=50,x4=0,x5=30 ,x6=0;
配备得司机与乘务人员最少为150人。
2、铺瓷砖问题
要用40块方形瓷砖铺下图所示形状得地面,但当时市场上只有长方形瓷砖,每块大小等于方形得两块。
一人买了20块长方形瓷砖,试着铺地面,结果无法铺好。
试问就是这人得功夫不到家还就是这个问题根本无解呢?
3、棋子颜色问题
在任意拿出黑白两种颜色得棋子共n个,随机排成一个圆圈。
然后在两颗颜色相同得棋子中间放一颗黑色棋子,在两颗颜色不同得棋子中间放一颗白色棋子,放完后撤掉原来所放得棋子,再重复以上得过程,这样放下一圈后就拿走前次得一圈棋子,问这样重复进行下去各棋子得颜色会怎样变化呢?
分析与求解:
由于在两颗同色棋子中放一颗黑色棋子,两颗不同色得棋子中间放一颗白色棋子,故可将黑色棋子用1表示,白色棋子用-1表示。
这就是因为-1×(-1)=1,1×1=1,这代表两颗同色棋子中放一颗黑色棋子;1×(-1)= -1,这代表两颗不同色得棋子中间放一颗白色棋子。
设棋子数为,为初始状态。
当n=3时
步数状态(舍掉偶次项)
1
2
3
4
说明当n=3时,经过3步进入初始状态。
当n=4时
步数状态(舍掉偶次项)
1
2
3
4
说明当n=4时,经过4步全变为黑色棋子。
既不循环也不全为黑子
结论:当棋子数为时,至多经过次操作,就可以全部变为黑子,当棋子数不为时则一般不能全变为黑子。
Matlab程序:进行实验
%棋子颜色问题演示
% 1---黑子,-1 -----白子
n=4; %定义棋子数
times=6;%定义迭代次数
x0=zeros(1,n);
x1=zeros(1,n); %定义数组
for i=1:n
k=rand(1,1);
if(k>0、5) x0(i)=1;
else x0(i)=-1;
end
end; % 赋初值
x0
for i=1:times
i
for k=1:n-1
x1(k)=x0(k)*x0(k+1);
end
x1(n)=x0(n)*x0(1);
x1 %显示各次结果
x0=x1;
end
程序语句解释:
1、zeros(m,n),产生一个m×n得0矩阵,通常用于定义一个指定大小得矩阵、zeros(1,n)
则产生一个全部为0得行向量。
2、rand(m,n),产生一个m×n得随机矩阵,每个元素都服从[0,1]上得均匀分布、rand(1,1)则产生一个服从[0,1]上得均匀分布得数字。
4、选修课策略问题
某学校规定,运筹学专业得学生毕业时必须至少学习过两门数学课、三门运筹学课与两门计算机课。
这些课程得编号、名称、学分、所属类别与先修课要求如表1所示。
那么,毕业时学生最少可以学习这些课程中哪些课程。
如果某个学生既希望选修课程得数量少,又希望所获得得学分多,她可以选修哪些课程?
模型得建立
1不考虑学分情形:
记i=1,2,…,9表示9门课程得编号。
设表示第i门课程选修,表示第i门课程不选。
问题得目标为选修得课程总数最少,即
约束条件包括两个方面:
第一方面就是课程数量得约束:
每个人最少要学习2门数学课,则
每个人最少要学习3门运筹学课,则
每个人最少要学习2门计算机课,则有:
第二方面就是先修课程得关系约束:
如“数据结构”得先修课程就是“计算机编程”,这意味着如果,必须,这个条件可以表示为(注意当时对没有限制)。
这样,所有课程得先修课要求可表为如下得约束
“最优化方法”得先修课就是“微积分”与“线性代数”,有:
“数据结构”得先修课程就是“计算机编程”,有:
“应用统计”得先修课就是“微积分”与“线性代数”,有:
“计算机模拟”得先修课程就是“计算机编程”,有:
“预测理论”得先修课程就是“应用统计”,有:
“数学实验”就是“微积分”与“线性代数”,有:
这样一来,总得0-1规划模型为:
12345356894679313247
5
1526785
9192
129232,..,,,,,01
x x x x x x x x x x x x x x x x x x x x s t x x x x x x x x x x x x
x x x ++++≥⎧⎪++++≥⎪⎪+++≥⎪
≤≤⎪⎪≤⎪⎨
≤≤⎪⎪≤⎪
≤⎪⎪≤≤⎪⎪=⎩L 或 解得:
1236791,1,1,1,1,1x x x x x x ======。
即选修课程为:微积分,线性代数、最优化方法,计算机模拟,计算机编程,数学实验。
LINGO 程序为: model: sets:
item/1、、9/:c,x; endsets data:
c=5,4,4,3,4,3,2,2,3; enddata
min=@sum(item(i):x(i));!课程最少; x(1)+x(2)+x(3)+x(4)+x(5)>=2; x(3)+x(5)+x(6)+x(8)+x(9)>=3; x(4)+x(6)+x(7)+x(9)>=2; x(3)<=x(1); x(3)<=x(2); x(4)<=x(7); x(5)<=x(1); x(5)<=x(2); x(6)<=x(7); x(8)<=x(5); x(9)<=x(1); x(9)<=x(2);
@for(item(i):@bin(x(i)));
end
2 考虑学分情形:
当要求学分最多时,设各门课程学分为,则增加学分最大得目标函数为:
这样总得双目标0-1规划模型为:
12345356894679313247
5
1526785
9192
129232,..,,,,,01
x x x x x x x x x x x x x x x x x x x x s t x x x x x x x x x x x x
x x x ++++≥⎧⎪++++≥⎪⎪+++≥⎪
≤≤⎪⎪≤⎪⎨
≤≤⎪⎪≤⎪
≤⎪⎪≤≤⎪⎪=⎩L 或 当把选修课程指定为6门时,对学分最大求最优,解得:
1235791,1,1,1,1,1x x x x x x ======。
最大学分为z=22。
即选修课程为:微积分,线性代数、最优化方法, 应用统计,计算机编程,数学实验。
学分达到22分。
LINGO 程序为: model: sets:
item/1、、9/:c,x; endsets data:
c=5,4,4,3,4,3,2,2,3; enddata
max=@sum(item(i):c(i)*x(i)); @sum(item(i):x(i))=6; !课程为6门; x(1)+x(2)+x(3)+x(4)+x(5)>=2; x(3)+x(5)+x(6)+x(8)+x(9)>=3; x(4)+x(6)+x(7)+x(9)>=2; x(3)<=x(1); x(3)<=x(2); x(4)<=x(7); x(5)<=x(1); x(5)<=x(2); x(6)<=x(7); x(8)<=x(5);
x(9)<=x(1);
x(9)<=x(2);
@for(item(i):@bin(x(i))); end。