用Matlab和Lingo搞定数学建模：从机床利润到指派问题，手把手教你线性规划实战

数学建模实战：用Matlab和Lingo破解线性规划难题

数学建模竞赛中，线性规划问题几乎每年都会出现。无论是机床生产优化、资源分配还是任务指派，掌握线性规划建模技巧能让你在比赛中脱颖而出。本文将带你从零开始，通过实际案例掌握Matlab的linprog函数和Lingo建模语言的核心用法。

1. 线性规划基础与建模思维

线性规划（Linear Programming）是数学建模中最常用的优化方法之一，它研究在给定线性约束条件下，如何找到目标函数的最优解。一个标准的线性规划问题包含三个要素：

1. 决策变量：需要确定的未知量
2. 目标函数：需要最大化或最小化的线性函数
3. 约束条件：决策变量必须满足的线性等式或不等式

关键建模技巧：

• 确定问题的决策变量
• 用数学表达式描述目标函数
• 将实际问题中的限制转化为约束条件
• 根据问题特点选择合适的求解工具

提示：在数学建模竞赛中，清晰的问题分析和准确的数学表达往往比复杂的求解过程更重要。

2. Matlab中的linprog函数详解

Matlab的linprog函数是求解线性规划问题的利器。其基本调用格式为：

[x, fval] = linprog(f, A, b, Aeq, beq, lb, ub)

参数说明：

• f：目标函数系数向量（求最小值）
• A和b：不等式约束矩阵和向量（Ax ≤ b）
• Aeq和beq：等式约束矩阵和向量（Aeqx = beq）
• lb和ub：变量的下界和上界

机床生产优化案例实现：

% 定义目标函数系数（求最大利润转化为求最小负利润） c = [-4000; -3000]; % 不等式约束矩阵 A = [2 1; % A机器使用时间 1 1; % B机器使用时间 0 1]; % C机器使用时间 b = [10; 8; 7]; % 各机器可用时间 % 变量下界（生产数量不能为负） lb = [0; 0]; % 求解 [x, profit] = linprog(c, A, b, [], [], lb); x total_profit = -profit % 转换回最大利润

常见问题与调试技巧：

1. 无可行解：检查约束条件是否矛盾
2. 无界解：检查是否缺少必要的约束
3. 数值不稳定：尝试缩放变量范围
4. 内存不足：对大规模问题考虑稀疏矩阵存储

3. Lingo建模语言实战

Lingo是专门为解决优化问题设计的建模语言，语法更接近数学表达，特别适合复杂问题的建模。

指派问题建模示例：

model: sets: workers /1..5/; tasks /1..5/; links(workers, tasks): cost, x; endsets data: cost = 3 8 2 10 3 8 7 2 9 7 6 4 2 7 5 8 4 2 3 5 9 10 6 9 10; enddata ! 目标：最小化总成本; min = @sum(links: cost * x); ! 每个工人只能分配一个任务; @for(workers(i): @sum(tasks(j): x(i,j)) = 1); ! 每个任务只能由一个工人完成; @for(tasks(j): @sum(workers(i): x(i,j)) = 1); ! 二进制变量; @for(links: @bin(x)); end

Lingo优势分析：

1. 语法直观，接近数学表达
2. 内置多种求解器，自动选择最佳算法
3. 支持大规模问题求解
4. 提供详细的求解报告和灵敏度分析

4. 典型问题建模与求解

4.1 生产计划优化

问题特征：

• 有限资源下的生产安排
• 目标通常是利润最大化或成本最小化
• 约束包括资源限制、市场需求等

建模要点：

1. 决策变量：各产品生产数量
2. 目标函数：总利润或总成本
3. 约束条件：
   • 原材料限制
   • 机器工时限制
   • 市场需求限制
   • 非负约束

4.2 运输问题

标准形式：

• 多个供应点和需求点
• 已知运输成本和供需量
• 目标是最小化总运输成本

扩展变体：

• 带容量限制的运输问题
• 多商品运输问题
• 转运问题

4.3 混合整数规划

当问题中部分变量需要取整数值时，就需要使用混合整数规划（MIP）。常见应用场景包括：

1. 固定成本问题：是否启用某设备的0-1变量
2. 离散决策：如选择工厂位置
3. 逻辑约束：如"如果生产A就必须生产B"

Matlab求解示例：

% 定义整数变量位置 intcon = [1,3]; % 第1和第3个变量为整数 % 调用intlinprog求解 [x, fval] = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub);

5. 实战技巧与常见陷阱

模型验证技巧：

1. 检查变量单位是否一致
2. 测试边界情况是否合理
3. 验证简单特例的手算结果
4. 进行灵敏度分析

性能优化建议：

1. 尽量使用稀疏矩阵存储大型问题
2. 合理设置变量上下界
3. 对整数规划问题，提供好的初始解
4. 根据问题特点选择合适的算法

常见错误警示：

1. 错误地将最大化问题直接输入求解器
2. 忽略了变量的非负约束
3. 错误地将≥约束写成≤约束
4. 整数规划中忽略了变量的整数性质

在一次数学建模竞赛中，我们团队遇到了一个复杂的资源分配问题。最初模型求解总是失败，经过仔细检查，发现是一个约束条件的方向写反了。这个教训让我明白，在紧张的比赛环境中，保持清晰的建模思维和仔细的检查习惯是多么重要。