Mathematica基础数学实验.pptxVIP

Mathematica基础数学实验会计学第1页/共26页版本的命令 LinearProgramming[c,A,b,L]; 其中, b和L为表, b={{b1,s1},{b2,s2},…}, 当si=0, ?1时, 表示第i个约束取=, ?, ?; L={{u1,v1},{u2,v2},…},表示决策变量xi的约束ui?xi?vi(ui和vi可以取-?和+? ).版本中被淘汰的命令ConstrainedMax[f,{约束条件},{约束变量}];ConstrainedMin[f,{约束条件},{约束变量}]默认约束变量非负.第2页/共26页2. 求解非线性规划的命令以上版本):NMaximize[f,{x1,x2,…}](也称无约束极值)NMinimize[f,{x1,x2,…}] (也称无约束极值)NMaximize[{f,约束条件},{x1,x2,…}]NMinimize[{f,约束条件},{x1,x2,…}] 几个可选项: WorkingPrecision: 内部计算使用的有效数字位数(默认16位); AccuracyGoal: 计算结果的绝对精度(默认?); PrecisionGoal:计算结果的相对精度(默认WorkingPrecision的一半); MaxIterations: 最大迭代次数(默认100).第3页/共26页例1 求解线性规划:min 3x+5yst x+3y?3 x+y?2 x,y?0输入:c={3,5};A={{1,3},{1,1}};b={3,2};LinearProgramming[c,A,b]只输出最优解, 不输出最优值.输出:欲求最优值, 再输入:c.%第4页/共26页例2 求解线性规划:max -2x+10yst x-y?0 -x+5y?5 x,y?0输入:c={-2,10};A={{1,-1},{1,-5}};b={0,-5};LinearProgramming[-c,A,b]输出:欲求最优值, 再输入:-c.%第5页/共26页 例3 输入LinearProgramming[{-3,2},{{-1,-1},{2,2}},{-1,4}] 输出LinearProgramming::lpsnf: No solution can be found that satisfies the constraints.(无可行解) 例4 输入LinearProgramming[{2,-3},{{1,1},{1,-1}},{{1,-1},{2,0}}, {{-1,1},{-1,1}}] 输出{1,-1}第6页/共26页例5 输入NMaximize[x/(1+Exp[x]),x]输出{0.278465,{x-1.27846}}例6 输入NMinimize[{Cos[x]-Exp[x y],x^2+y^2=1},{x,y}]输出{-0.919441,{x-0.795976,y-0.605328}}程序1第7页/共26页练习:程序21. 求投资策略问题的解.2. 计算拌合场选址问题的近似解. (注意: 迭代次数超过1000)或求供应问题的解.程序3第8页/共26页线性规划模型及其解法 在前面我们介绍了一般的最优化问题的数学模型, 即min z = f(x) s.t. gi(x)≤ 0i=1,2,···,m其中对目标函数z= f(x)可以是求最小(min)也可以是求最大(max). 约束条件 gi(x)≤0 i=1,2,···,m, 界定了x?Rn的范围, 我们称为模型的可行解区域, 简称可行域. 属于可行域的x(?Rn)称为可行解. 满足min z = f(x)的可行解才是模型的解, 称为最优解. 最优解对应的目标函数值称为最优值. 有些约束优化问题用无约束方法求得的解满足约束条件, 此时的最优解必为可行域的内部点, 但是大多数的约束优化问题的最优解是在可行区域的边界上, 当然我们应该寻求不同约束优化模型的一般解法.第9页/共26页一般地, 我们称约束优化模型为数学规划模型. 如果函数f (x)和gi (x)均为线性函数时, 被称为线性规划(Linear Programming, 简记为LP)模型; 否则, 被称为非线性规划(Nonlinear Programming, 简记为NLP)模型. 我们还是先引入具体的实例模型, 分别讨论其形式及其解法. 生产计划问题 某厂生产甲乙两种口味的饮料, 生产每百箱甲饮料需用原料6kg, 工人10名, 可获利10万元; 生产每百箱乙饮料需用原料5kg, 工人20名, 可获利9万元; 现该厂共有原料60kg, 工人150名, 又由于其它条件的限制, 甲饮料产量不得超过8百箱. 问应如何安排生产计划, 即两种饮料各生产多少可使获利最大. 进一步讨论