选址问题是要选择设施位置使目标达到最优 ,是数模竞赛中的常见题型 。

小白不一定要掌握所有的选址问题 ,但要能判断是哪一类问题,用哪个模型 。

进一步学习 PuLP工具包中处理复杂问题的字典格式快捷建模方法。

欢迎关注『Python小白的数学建模课 @ Youcans』系列,每周持续更新



1. 选址问题

选址问题是指在某个区域内选择设施的位置使所需的目标达到最优。选址问题也是一种互斥的计划问题 。

例如投资场所的选址:企业要在 m 个候选位置选择若干个建厂 ,已知建厂费用 、运输费及 n 个地区的产品需求量,应如何进行选址。

选址问题是运筹学中经典的问题之一,选址问题在生产生活 、物流、甚至军事中都有着非常广泛的应用 ,如工厂、仓库 、急救中心、消防站、垃圾处理中心 、物流中心、导弹仓库的选址等。更重要的,选址问题也是数模竞赛的热点问题 。

选址是重要的长期决策,选址的好坏直接影响到服务方式、服务质量 、服务效率、服务成本等 ,从而影响到利润和市场竞争力,选址问题的研究有着重大的经济、社会和军事意义。

选址问题有四个基本要素:设施 、区域、距离和优化目标。

1.1 设施

选址问题中所说的设施,在具体题目中可以是工厂、仓库 、服务站等形式 。

1.2 区域

选址问题中所说的区域 ,在具体题目中可以是工厂 、车间的内部布局,也可以是给定的某个地区、甚至空间范围。

按照规划区域的特征,可以分为连续选址问题和离散选址问题。连续选址问题 ,设施可以布局在区域内的任意位置 ,就要求出最优选址的坐标;离散选址问题,只能从若干候选位置中进行选择,运筹学中的选址问题通常是这类离散选址问题 。

1.3 距离

选址问题中所说的距离 ,是指设施到服务对象之间的距离,在具体题目中也可以是某个选址位置的服务时间、成本 、覆盖范围。如果用图论方法求解,通常就是连接顶点的边的权值。

当问题所关注的是设施到服务对象之间的距离时 ,如果问题给出的不是顶点之间的距离,而是设施的位置坐标,要注意不是只有欧式距离 ,对于不同问题也可能是球面距离、曼哈顿距离、切比雪夫距离 。

1.4 优化目标

选址问题要求选择最好的选址位置,但选址位置只是决策变量,选择的最终目的通常是实现加权距离最短 、费用最小、利润最大、时间最短 ,这才是优化问题的目标函数 。

按照目标函数的特点,可以分为:中位问题,要求总成本最小;中心问题 ,服务于每个客户的最大成本最小;反中心问题:服务于每个客户的最小成本最大。




2. 常见选址问题及建模

2.1 P-中位问题(P-median problem)

P-中位问题 ,假设有 N 个候选服务站和 M 个需求点,要从 N 个候选服务站中选择 P 个,使所有需求点到最近的服务站的加权距离 \(d_{ij}\) 的总和最小。需求点 i 的权值 ,通常是指该需求点的需求量 。

这是一个 MinSum 问题,定义决策变量 \(x_j\) 为选中的服务站,\(y_{ij}\) 将各需求点匹配到最近的服务站:

\[x_j = \begin{cases} 1 ,& 服务站\ j\ 被选中\\ 0,& 服务站\ j\ 未被选中 \end{cases} \]

\[y_{ij} = \begin{cases} 1,& 需求点\ i\ 由服务站\ j\ 服务\\ 0 ,& 需求点\ i\ 不由服务站\ j\ 服务 \end{cases} \]

可以建立数学模型如下:

\[\begin{align*} & min\;\sum_{i \in M}\sum_{j \in N} w_i d_{ij}y_{ij}\\ & s.t.:\;\begin{cases} \sum_{j \in N} x_{j} = P\\ \sum_{j \in N} y_{ij} = 1,\forall i\\ y_{ij} - x_j \leq 0,\forall i,j\\ x_{j} \in \{0,1\}, \;y_{ij} \in \{0,1\} \end{cases} \end{align*} \]

其中:j 为服务站 ,i 为需求点,\(w_i\) 为需求点 i 的需求量, \(d_{ij}\) 为需求点 i 到服务站 j 的距离。


2.2 P-中心问题

P-中心问题 ,假设有 N 个候选服务站和 M 个需求点 ,要从 N个候选服务站中选择 P个,使任一需求点到最近的服务站的最大距离最小。

这是一个 MinMax 问题,需要最小化任何需求点与其邻近设施点的最大距离 。P-中位问题追求总和最小 ,可以理解为发展经济总量优先;P-中心问题关注最差个体的最好结果,可以理解为优先进行扶贫。

定义决策变量 \(x_j\) 为选中的服务站,\(y_{ij}\) 将各需求点匹配到最近的服务站:

\[x_j = \begin{cases} 1 ,& 服务站\ j\ 被选中\\ 0,& 服务站\ j\ 未被选中\end{cases} \]

\[y_{ij} = \begin{cases} 1,& 需求点\ i\ 由服务站\ j\ 服务\\ 0 ,& 需求点\ i\ 不由服务站\ j\ 服务\end{cases} \]

可以建立数学模型如下:

\[\begin{align*} & min\; D\\ & s.t.:\;\begin{cases} \sum_{j \in N} w_i d_{ij} y_{ij} \leq D, \forall i\\ \sum_{j \in N} x_{j} = P\\ \sum_{j \in N} y_{ij} = 1, \forall i\\ y_{ij} - x_j \leq 0, \forall i,j\\ x_{j} \in \{0,1\}, \;y_{ij} \in \{0,1\} \end{cases} \end{align*} \]

其中:j 为服务站,i 为需求点, \(d_{ij}\) 为需求点 i 到服务站 j 的距离。如果只求需求点到最近的服务站的最大距离 ,则 \(w_i = 1\) ;如果要求任一需求点到最近的服务站的最大运费,则 \(w_i\) 为需求点 i 的需求量,即加权最大距离 。


2.3 集合覆盖问题

覆盖模型适用于一些特殊场景 ,例如消防中心 、救护车、巡逻车等应急设施的区位选址问题。覆盖问题分为集合覆盖问题(Set covering problem)和最大覆盖问题(Maximal covering problem)。

集合覆盖问题研究满足覆盖所有需求点顾客的前提下 ,服务站的最少个数或建设费用最小的问题 。假设有 N 个候选服务站和 M 个需求点,已知每个服务站的服务范围(或服务容量),要从 N个候选服务站中选择若干个 ,使所有需求点得到服务(到所属服务站的距离或时间小于给定的临界值),服务站的个数最少或成本最小。

定义参数 \(a_{ij}\) 为每个服务站的覆盖范围:

\[a_{ij} = \begin{cases} 1,& 服务站\ j\ 可以覆盖需求点\ i\\ 0 ,& 服务站\ j\ 不能覆盖需求点\ i \end{cases} \]

定义决策变量 \(x_j\) 为选中的服务站:

\[x_j = \begin{cases} 1,& 服务站\ j\ 被选中\\ 0,& 服务站\ j\ 未被选中\end{cases} \]

可以建立数学模型如下:

\[\begin{align*} & min\; \sum_{j \in N} c_j x_{j}\\ & s.t.:\;\begin{cases} \sum_{j \in N_i} x_j \geq 1, \forall i \in M\\ x_{j} \in \{0,1\} \end{cases} \end{align*} \]

其中:j 为服务站 ,i 为需求点,\(c_j\) 为服务站 j 的建设费用(最少个数问题中不需要考虑),\(N_i=\{j:a_{ij}=1\}\) 是覆盖需求点 i 的候选服务站的集合。


2.4 最大覆盖问题

最大覆盖问题研究在已知服务站的数目和服务半径的条件下 ,如何设立 P个服务站使得可接受的服务需求最大的问题 。

定义决策变量 \(x_j\) 为选中的服务站:

\[x_j = \begin{cases} 1,& 服务站\ j\ 被选中\\ 0,& 服务站\ j\ 未被选中 \end{cases} \]

\[z_i = \begin{cases} 1 ,& 需求点\ i\ 被覆盖\\ 0 ,& 需求点\ i\ 未被覆盖\ \end{cases} \]

可以建立数学模型如下:

\[\begin{align*} & max\; \sum_{i \in N_i} w_i z_i\\ & s.t.:\; \begin{cases} z_i \leq \sum_{j \in N_i} x_j , \forall i \in M\\ \sum_{j \in M} x_j = p\\ x_{j} \in \{0,1\}, z_{i} \in \{0,1\} \end{cases} \end{align*} \]

其中:j 为服务站,i 为需求点,\(w_i\) 为需求点 i 的需求量 。


2.5 其它选址问题

其它选址问题 ,在数学建模中应用相对较少,限于篇幅不能逐一介绍其数学模型。在此将各模型的特点简要介绍,以便判断问题的类型。

带固定费用和容量限制的选址问题

服务站建站的固定费用和服务站的容量(能力)限制这两个因素具有很强的实际意义 ,经常作为基本选址问题的深化研究课题 。
无容量限制的固定费用下的选址问题,就是去掉服务站个数的约束,并将固定建站费用加到 P-中位问题的目标函数上。

选址分配问题

选址分配问题类似于 P-中位问题 ,有 m 个服务站需要选址,n 个已知位置的顾客分配给不同的设施,已知每个服务站的能力和每个顾客的需求 ,要求服务站的选址和顾客对服务站的分配,使顾客与所分配服务站的距离总和最小。

随机选址问题
服务站的运行时间、建设成本 、需求点位置、需求数量等全部或部分参数是不确定的,但服从某种随机分布 。

动态选址问题
研究未来若干时间段内服务站的最优选址问题 ,在不同时间段内动态选址模型的参数是变化的 ,但在某一时间段内模型参数是确定的。

竞争选址问题
研究考虑市场上存在两个以上同类产品或服务的提供者,或服务站提供多个产品或服务。



2.6 选址问题的求解算法与编程实现

设施选址问题通常是是 NP 问题,不存在多项式时间算法 。常用的近似解法有:

线性规划舍入算法 ,相当于整数规划问题的求解算法。首先给出原问题的整数规划模型,然后求解相应的线性规划松弛问题得到分数最优解,根据可行要求对分数最优解进行改造 ,构造原问题的整数可行解。

原始对偶算法,首先找到对偶问题的一个可行解,再根据该对偶可行解构造原始问题的整数可行解 ,不断调整对偶问题的可行解,直到找到最优解为止 。

局部搜索算法:给定初始可行解,定义适当的邻域 ,通过引入恰当的调整策略,在邻域中得到改进的可行解,依次迭代 ,直到调整策略不能改进为止

启发式算法或随机优化算法。

本节作为线性规划问题系列的一篇 ,仍然选择 PuLP工具包求解选址问题。很多选址问题适合用图论方法描述和求解,这将在后续课程中进行介绍 。



3. 案例 1:PuLP求解指派问题

说明:本案例是指派问题,不是选址问题 。因指派问题未单独成文 ,因此将该案例放在本文中。

另外,本案例给出了 PuLP 工具包使用字典方式快捷编程的使用方法,这在选址问题中是非常方便的。

3.1 游泳接力赛的指派问题

游泳队中 A、B 、C 、D 四名运动员组成 4x100米混合泳接力队 ,运动员各种泳姿的成绩如下表所示:

队员\项目 自由泳 蛙泳 蝶泳 仰泳
A 56 74 61 63
B 63 69 65 71
C 57 77 63 67
D 55 76 62 62

如何安排 A、B、C 、D 四名运动员的泳姿,才最有可能取得好成绩?


3.2 指派问题建模分析

引入 0-1 变量 \(x_{ij}\)

\[x_{i,j} = \begin{cases} 0,第\;i\;人不游第\;j\;种姿势\\ 1 ,第\;i\;人游第\;j\;种姿势,i,j=1,...4 \end{cases} \]

指派问题的数学模型就可以描述为:

\[\begin{align*} & min\;f(x) = \sum_{i=1} ^n \sum_{j=1} ^n (c_{ij} x_{ij})\\ & s.t.:\;\begin{cases} \sum_{j=1} ^n x_{ij} = 1,i=1,...,n\\ \sum_{i=1} ^n x_{ij} = 1 ,j=1,...,n\\ x_{ij} = 0,1,i,j=1,...,n \end{cases} \end{align*} \]

其中:

\[c_{i,j}=\left( \begin{matrix} 56 & 74 & 61 & 63 \\ 63 & 69 & 65 & 71 \\ 57 & 77 & 63 & 67 \\ 55 & 76 & 62 & 62 \end{matrix} \right) \]

3.3 指派问题模型求解的编程

模型求解,用标准模型的优化算法对模型求解 ,得到优化结果 。模型求解的编程步骤如下:

(0)导入 PuLP库函数

    import pulp

(1)定义一个规划问题

    AssignLP = pulp.LpProblem("Assignment_problem_for_swimming_relay_race", sense=pulp.LpMinimize)

pulp.LpProblem 用来定义问题的构造函数。参数 sense 指定问题求目标函数的最小值/最大值 。

(2)定义决策变量

    rows = cols = range(0, 4)
    x = pulp.LpVariable.dicts("x", (rows, cols), cat="Binary")

pulp.LpVariable 用来定义决策变量的函数 。参数 cat 设定变量类型 ,' Binary ' 表示 0/1 变量。

注意,指派问题、选址问题中都涉及 N*M 维矩阵变量,变量个数很多 ,如果逐一定义非常冗长,而且容易出错、不便修改。本例使用 pulp.LpVariable.dicts 提供的字典格式定义了 4*4 个变量 \(x_{ij}\),使程序大为简化 。

(3)添加目标函数

    scoreM = [[56,74,61,63],[63,69,65,71],[57,77,63,67],[55,76,62,62]]
    AssignLP += pulp.lpSum([[x[row][col]*scoreM[row][col] for row in rows] for col in cols])

本例程在语句内使用两重 for 循环遍历列表实现所有变量的线性组合  ,使程序大为简化。

(4)添加约束条件

    for row in rows:
        AssignLP += pulp.lpSum([x[row][col] for col in cols]) == 1 # sum(x(i,j),j=1,4)=1, i=1,4
    for col in cols:
        AssignLP += pulp.lpSum([x[row][col] for row in rows]) == 1 # sum(x(i,j),i=1,4)=1, j=1,4

快捷方法对于约束条件的定义与对目标函数的定义相似,使用字典定义参数,使用循环定义约束条件 ,使程序简单 、结构清楚。

(5)求解和结果输出

    AssignLP.solve()  # youcans
    print(AssignLP.name)
    member = ["队员A","队员B","队员C","队员D"]
    style = ["自由泳","蛙泳","蝶泳","仰泳"]
    if pulp.LpStatus[AssignLP.status] == "Optimal":  # 获得最优解
        xValue = [v.varValue for v in AssignLP.variables()]
        # [0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0]
        xOpt = np.array(xValue).reshape((4, 4))  # 将 xValue 格式转换为 4x4 矩阵
        print("最佳分配:" )
        for row in rows:
            print("{}\t{} 参加项目:{}".format(xOpt[row],member[row],style[np.argmax(xOpt[row])]))
        print("预测最好成绩为:{}".format(pulp.value(AssignLP.objective)))

xValue 获得的是列表变量,通过 numpy 的 reshape() 函数转换为 4*4 矩阵,便于格式化输出 。


3.4 指派问题 Python 例程

# mathmodel08_v1.py
# Demo08 of mathematical modeling algorithm
# Solving assignment problem with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated:2021-06-02
# Python小白的数学建模课 @ Youcans

import pulp      # 导入 pulp 库
import numpy as np

# 主程序
def main():
    # 问题建模:
    """
        决策变量:
            x(i,j) = 0, 第 i 个人不游第 j 种姿势
            x(i,j) = 1, 第 i 个人游第 j 种姿势
            i=1,4, j=1,4
        目标函数:
            min time = sum(sum(c(i,j)*x(i,j))), i=1,4, j=1,4
        约束条件:
            sum(x(i,j),j=1,4)=1, i=1,4
            sum(x(i,j),i=1,4)=1, j=1,4
        变量取值范围:
            x(i,j) = 0,1 
    """

    # 游泳比赛的指派问题 (assignment problem)
    # 1.建立优化问题 AssignLP: 求最小值(LpMinimize)
    AssignLP = pulp.LpProblem("Assignment_problem_for_swimming_relay_race", sense=pulp.LpMinimize)  # 定义问题	,求最小值
    # 2. 建立变量
    rows = cols = range(0, 4)
    x = pulp.LpVariable.dicts("x", (rows, cols), cat="Binary")
    # 3. 设置目标函数
    scoreM = [[56,74,61,63],[63,69,65,71],[57,77,63,67],[55,76,62,62]]
    AssignLP += pulp.lpSum([[x[row][col]*scoreM[row][col] for row in rows] for col in cols])
    # 4. 施加约束
    for row in rows:
        AssignLP += pulp.lpSum([x[row][col] for col in cols]) == 1 # sum(x(i,j),j=1,4)=1, i=1,4
    for col in cols:
        AssignLP += pulp.lpSum([x[row][col] for row in rows]) == 1 # sum(x(i,j),i=1,4)=1, j=1,4
    # 5. 求解
    AssignLP.solve()  # youcans
    # 6. 打印结果
    print(AssignLP.name)
    member = ["队员A","队员B","队员C","队员D"]
    style = ["自由泳","蛙泳","蝶泳","仰泳"]
    if pulp.LpStatus[AssignLP.status] == "Optimal":  # 获得最优解
        xValue = [v.varValue for v in AssignLP.variables()]
        # [0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0]
        xOpt = np.array(xValue).reshape((4, 4))  # 将 xValue 格式转换为 4x4 矩阵
        print("最佳分配:" )
        for row in rows:
            print("{}\t{} 参加项目:{}".format(xOpt[row],member[row],style[np.argmax(xOpt[row])]))
        print("预测最好成绩为:{}".format(pulp.value(AssignLP.objective)))

    return

if __name__ == '__main__':  # Copyright 2021 YouCans, XUPT
    main()  # Python小白的数学建模课 @ Youcans

3.5 Python 例程运行结果

Welcome to the CBC MILP Solver 
Version: 2.9.0 
Build Date: Feb 12 2015 

Result - Optimal solution found

Assignment_problem_for_swimming_relay_race
最佳分配:
[0. 0. 1. 0.]	队员A 参加项目:蝶泳
[0. 1. 0. 0.]	队员B 参加项目:蛙泳
[1. 0. 0. 0.]	队员C 参加项目:自由泳
[0. 0. 0. 1.]	队员D 参加项目:仰泳
预测最好成绩为:249.0


4. 案例 2:PuLP求解选址问题

4.1 消防站的选址问题

例题 2:某城市有 8 个区,每个区最多建一个消防站,拟建设消防站到各区的最长时间如下表所示。现要求任何区域发生火警时 ,消防车能在 10分钟内赶到。在此条件下尽量减少消防站数量 ,应该在哪几个区建设消防站?

区域 1 2 3 4 5 6 7 8
1 7 12 18 20 24 26 25 28
2 14 5 8 15 16 18 18 18
3 19 9 4 14 10 22 16 13
4 14 15 15 10 18 15 14 18
5 20 18 12 20 9 25 14 12
6 18 21 20 16 20 6 10 15
7 22 18 20 15 16 15 5 9
8 30 22 15 20 14 18 8 6

4.2 选址问题建模分析

首先判断这是一个集合覆盖问题,要求从 8 个候选消防站中选择若干个,在所有需求点得到服务的时间都小于临界值 10分钟的条件下 ,选择消防站的数量最少 。本问题不考虑各候选站点建设费用的差异,即不带权重 。

定义参数 \(R_{ij}\) 为每个消防站的覆盖范围:

\[R_{ij} = \begin{cases} 1,& 消防站\ j\ 可以覆盖区域\ i\\ 0 ,& 消防站\ j\ 不能覆盖区域\ i \end{cases} \]

由拟建消防站到各区的最长时间表可以得到参数 \(R_{ij}\) 如下表:

区域 1 2 3 4 5 6 7 8
1 1 0 0 0 0 0 0 0
2 0 1 1 0 0 0 0 0
3 0 1 1 0 1 0 0 0
4 0 0 0 1 0 0 0 0
5 0 0 0 0 1 0 0 0
6 0 0 0 0 0 1 1 0
7 0 0 0 0 0 0 1 1
8 0 0 0 0 0 0 1 1

定义决策变量 \(x_j\) 为选中的服务站:

\[x_j = \begin{cases} 1,& 消防站\ j\ 被选中\\ 0,& 消防站\ j\ 未被选中\end{cases} \]

可以建立数学模型如下:

\[\begin{align*} & min\; f(x) = \sum_{j=1}^8 x_{j}\\ & s.t.:\;\begin{cases} \sum_{j=1}^8 x_j R_{ij} \geq 1, &i=1,..8\\ x_{j} \in \{0,1\}, &j=1,..8 \end{cases} \end{align*} \]

选址问题的模型求解 ,用标准模型的优化算法对模型求解,得到优化结果。

模型求解的编程步骤与指派问题是一致的,且在例程中给出了详细的注释 ,就不再进行逐项解释了。

需要注意的是,选址问题的决策变量、参数、约束条件的数量较大(N*M),如果对变量 、约束条件逐个进行定义 ,编程过程将是非常冗长和痛苦的 ,因此需要使用列表、字典等快捷方式进行定义 。对于更大规模的问题,模型中的数据要通过读取数据文件获得,就更需要采用这种方式来编程。


4.3 选址问题 Python 例程

# mathmodel09_v1.py
# Demo08 of mathematical modeling algorithm
# Solving set covering problem with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated:2021-06-06
# Python小白的数学建模课 @ Youcans

import pulp      # 导入 pulp 库

# 主程序
def main():

    # 问题建模:
    """
        决策变量:
            x(j) = 0, 不选择第 j 个消防站
            x(j) = 1, 选择第 j 个消防站, j=1,8
        目标函数:
            min fx = sum(x(j)), j=1,8
        约束条件:
            sum(x(j)*R(i,j),j=1,8) >=1, i=1,8
        变量取值范围:
            x(j) = 0,1
    """

    # 消防站的选址问题 (set covering problem, site selection of fire station)
    # 1.建立优化问题 SetCoverLP: 求最小值(LpMinimize)
    SetCoverLP = pulp.LpProblem("SetCover_problem_for_fire_station", sense=pulp.LpMinimize)  # 定义问题	,求最小值
    # 2. 建立变量
    zones = list(range(8))  #  定义各区域 youcans
    x = pulp.LpVariable.dicts("zone", zones, cat="Binary")  # 定义 0/1 变量,是否在该区域设消防站
    # 3. 设置目标函数
    SetCoverLP += pulp.lpSum([x[j] for j in range(8)])  # 设置消防站的个数
    # 4. 施加约束
    reachable = [[1, 0, 0, 0, 0, 0, 0, 0],
                 [0, 1, 1, 0, 0, 0, 0, 0],
                 [0, 1, 1, 0, 1, 0, 0, 0],
                 [0, 0, 0, 1, 0, 0, 0, 0],
                 [0, 0, 0, 0, 1, 0, 0, 0],
                 [0, 0, 0, 0, 0, 1, 1, 0],
                 [0, 0, 0, 0, 0, 0, 1, 1],
                 [0, 0, 0, 0, 0, 0, 1, 1]]  # 参数矩阵,第 i 消防站能否在 10分钟内到达第 j 区域
    for i in range(8):
        SetCoverLP += pulp.lpSum([x[j]*reachable[j][i] for j in range(8)]) >= 1

    # 5. 求解
    SetCoverLP.solve()
    # 6. 打印结果
    print(SetCoverLP.name)
    temple = "区域 %(zone)d 的决策是:%(status)s"  # 格式化输出
    if pulp.LpStatus[SetCoverLP.status] == "Optimal":  # 获得最优解
        for i in range(8):
            output = {'zone': i+1,  # 与问题中区域 1~8 一致
                      'status': '建站' if x[i].varValue else '--'}
            print(temple % output)
        print("需要建立 {} 个消防站。".format(pulp.value(SetCoverLP.objective)))

    return

if __name__ == '__main__':  # Copyright 2021 YouCans, XUPT
    main()  # Python小白的数学建模课 @ Youcans


4.4 Python 例程运行结果

Welcome to the CBC MILP Solver 
Version: 2.9.0 
Build Date: Feb 12 2015 

Result - Optimal solution found

SetCover_problem_for_fire_station
区域 1 的决策是:建站
区域 2 的决策是:--
区域 3 的决策是:建站
区域 4 的决策是:建站
区域 5 的决策是:--
区域 6 的决策是:建站
区域 7 的决策是:建站
区域 8 的决策是:--
需要建立 5.0 个消防站


5. 小结

  1. 关于规划问题 ,我们从线性规划、整数规划 、0-1规划到一些特殊类型问题,用 5节课进行了介绍,到这里就暂告一段落了 。后面根据需要 ,可能还会讲非线性规划,实际上主要是非线性优化问题了。
  2. 虽然各种规划问题的求解算法差别很大,但我们所用的编程实现方法都是基于 PuLP工具包 ,编程步骤都是一致的。
  3. 本系列集中体现了与其它课程的区别,没有展开讲算法的实现步骤,而是重点讲编程方法的选择、建立模型方程的过程和编程实现的步骤 ,这主要是为了便于小白学习和掌握 。

【本节完】


版权声明:

欢迎关注『Python小白的数学建模课 @ Youcans』 原创作品

原创作品 ,转载必须标注原文链接。

Copyright 2021 Youcans, XUPT

Crated:2021-06-06


欢迎关注 『Python小白的数学建模课 @ Youcans』,每周更新数模笔记
Python小白的数学建模课-01.新手必读
Python小白的数学建模课-02.数据导入
Python小白的数学建模课-03.线性规划
Python小白的数学建模课-04.整数规划
Python小白的数学建模课-05.0-1规划
Python小白的数学建模课-A1.国赛赛题类型分析
Python小白的数学建模课-A2.2021年数维杯C题探讨
Python小白的数学建模课-A3.12个新冠疫情数模竞赛赛题及短评
Python数模笔记-PuLP库
Python数模笔记-StatsModels统计回归
Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法


文章来源于网络,如有侵权请联系站长QQ61910465删除
本文版权归趣快排www.sEoguruBlog.com 所有,如有转发请注明来出,竞价开户托管,seo优化请联系QQ✈61910465