数学建模算法总汇..docVIP

Interval Linear Programming ILP模型的建立 一般线性模型为： Subject to : 其中， ， ， ， 。 （注：对于目标函数值为求最小以及线性约束符号反向的都可以转化为上面的形式，故只讨论这种形式下的模型求解。） 而在实际问题中，A,B,C往往是不确定的。为了有效地处理不确定性，把区间参数引入上述规划，由此即产生ILP规划： Subject to : 其中， ，表示由灰数/区间数组成的矩阵。 ILP的适用范围，以及解法的预备知识 1）中任意一个灰色/区间参数符号一致（虽然适用于绝大多数的实际问题，还有待发展）。 即： 2）特殊函数： ILP模型的求解 [step 1]确定中（j=1,2,^n）的符号 不妨假设,。 [step 2]写出对应模型，并进行求解 Subject to : 通过求解上面线性规划，即可求出，,. 把,构成约束条件带入对应方程式求解。 [Step 3] 写出对应模型，并进行求解 Subject to : . 解上面线性规划，即得。 [Step 4]整理出ILP问题的最优解及最优值 。 Fuzzy Linear Programming 初始问题: (1) Subject to : (2) subject to : 其中，“”表示AX与B之间关系是模糊的。 注：虽然两种形式可以经过简单变换实现统一，但是，最终结果差异较大。为了加深对FLP的理解，下面把两种形式对应的解法都列出来。 模型求解 （1）目标函数是求最大而约束是的初始问题的求解 Subject to : [step 1]求出两种极端情况对应线性规划的最优值 Subject to : 求解此线性规划得最优值f’ Subject to : 其中，为根据实际问题适当选择的常数，称为伸缩指标。 求解出上面线性规划对应最优值f” (f’) [Step 2]把目标函数转化为模糊约束条件并确定模糊关系的隶属函数 其对应的隶属函数记为： [Step 3] 约束条件对应的隶属函数记为：（） 这是由初始约束导出的，对应隶属度为1，而对应隶属度为0，中间的就简化为线性处理。 出于决策者的考虑，会希望做出决策的余地更宽（可行域更大），那么，决策者会希望隶属度越小越好 [Step 4]列出最终模型 为了兼顾模糊约束集和模糊目标集，取隶属度水平 ，把它放入约束。 对于模糊目标集，出于决策者考虑，隶属度越大越好，而，所以，目标函数是：。 subject to : (注3) subject to : 注3：其中没有涉及到隶属度为1——完全接受情形下的求解，是因为在Step 1中已经解出： 隶属度为零——完全不被接受的显然成立，但是对决策制定没有指导价值。 [Step 5]解此线性规划得，进一步求得最优值。 （2）目标函数是求最小而约束是的初始问题的求解 subject to : [step 1] 求出两种极端情况对应线性规划的最优值 Subject to : 求解此线性规划得最优值f’ Subject to : 求解出上面线性规划最优值f” [Step 2] 把目标函数转化为模糊约束条件并确定模糊关系的隶属函数 对应隶属函数记为： [Step 3] 约束条件对应的隶属函数记为：（） [Step 4]列出模型 令，则。 从而，得 subject to : [Step 5]解此线性规划得，进一步求得最优值。 Interval Fuzzy Linear Programming 基本原理 用FLP（Fuzzy Linear Programming）的思想去解ILP（Interval Linear Programming） 求解步骤（注意与FLP步骤的相似、差别） （1）目标函数是求最小的ILP问题的求解 subject to : [Step 1]求解初始的ILP问题 应用ILP(Interval Linear Programming)方法，求解出最优解： [Step 2]利用FLP的思想，把初始规划转化为有模糊关系的不等式 [Step 3]确定模糊关系的隶属函数 把由目标函数（goal function）及约束条件(constraints)转化来的具有模糊关系的不等式的隶属函数分别记为, ,做一些线性处理： [Step 4]确定最终模型的目标函数及约束条件。 为了使约束条件都能得到满足，取定一隶属度水平，把它作为约束。 目标函数是： [S