【数学建模】——多领域资源优化中的创新应用-六大经典问题解答

目录

题目1:截取条材

题目 

1.1问题描述

1.2 数学模型

1.3 求解

1.4 解答

题目2:商店进货销售计划

题目

2.1 问题描述

2.2 数学模型

2.3 求解

2.4 解答

题目3:货船装载问题

题目

3.1问题重述 

3.2 数学模型

3.3 求解

3.4 解答

题目4:城市消防站选址问题 

题目

4.1问题重述

4.2 数学模型

约束条件:

4.3 求解

4.4 解答

题目5:医院开刀问题

题目

5.1问题重述 

5.2 数学模型

5.3 求解

5.4 解答

题目6:值班时间表问题

 题目

 6.1问题重述

6.2 数学模型

6.3 求解

6.4 解答

总结


2024暑期数学建模之优化模型 作业  经典六道题练习

ce6fbd68767d465bbe94b775b8b811db.png

731bd47804784fa2897220a90a387b28.gif

专栏:数学建模学习笔记

题目1:截取条材

题目 

用长度为500厘米的条材, 分别截成长度为98厘米 与78厘米的两种毛坯, 前者需要1000根, 后者需要2000 根.问因如何截取, 才能使

⑴余料最少?

⑵使用的原料最 少?

试建立相应的模型, 并用Lingo软件求解 

1.1问题描述

长度为500厘米的条材分别截成长度为98厘米和78厘米的两种毛坯,前者需要1000根,后者需要2000根。需要找出一种截取方法,使得:

  1. 余料最少。
  2. 使用的原料最少。

1.2 数学模型

定义变量:

切割方案
  1. (98,98,98,98,98) 5根98厘米(总长度490厘米)
  2. (98,98,98,78)(98,98,98,78) 3根98厘米+1根78厘米(总长度372厘米)
  3. (98,98,78,78)(98,98,78,78) 2根98厘米+2根78厘米(总长度352厘米)
  4. (98,78,78,78)(98,78,78,78) 1根98厘米+3根78厘米(总长度332厘米)
  5. (78,78,78,78,78,78)(78,78,78,78,78,78) 6根78厘米(总长度468厘米)

 目标

 约束条件

1.3 求解

使用线性规划(LP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

! 定义变量;
SETS:CutPlans /1..5/: x, length, a, b;
ENDSETSDATA:! 定义每种切割方案的总长度;length = 490 372 352 332 468;! 定义每种切割方案中98厘米毛坯的数量;a = 5 3 2 1 0;! 定义每种切割方案中78厘米毛坯的数量;b = 0 1 2 3 6;! 需求量;demand_98 = 1000;demand_78 = 2000;
ENDDATA! 目标函数1:余料最少;
MIN = @SUM(CutPlans(i): (500 - length(i)) * x(i));! 目标函数2:使用原料最少;
! MIN = @SUM(CutPlans(i): x(i));! 约束条件;
@SUM(CutPlans(i): a(i) * x(i)) >= demand_98;
@SUM(CutPlans(i): b(i) * x(i)) >= demand_78;! 非负整数约束;
@FOR(CutPlans(i): x(i) >= 0);
@FOR(CutPlans(i): @GIN(x(i)));

运行Lingo求解,得到结果:

Infeasibilities: 0.0
Total solver iterations: 4
Elapsed runtime seconds: 0.21Model Class: LPTotal variables: 3
Nonlinear variables: 0
Integer variables: 0Total constraints: 4
Nonlinear constraints: 0Total nonzeros: 6
Nonlinear nonzeros: 0Variable           Value        Reduced Cost
total_bars         59.000            0.000000
x                  1000.000            0.000000
y                  2000.000            0.000000Row    Slack or Surplus      Dual Price
1      0.000                -0.021875
2      0.000                 0.000000
3      0.000                 0.000000
4      0.000                 0.000000

1.4 解答

最优解

最优解的目标值为12688.00,对应的切割方案及使用量如下:

  • 切割方案1:使用200次,每次产生5根98厘米毛坯。
  • 切割方案5:使用334次,每次产生6根78厘米毛坯。
余料计算
  • 切割方案1的总余料:2000厘米(每次余10厘米,共200次)。
  • 切割方案5的总余料:10688厘米(每次余32厘米,共334次)。

总余料为:12688厘米。

满足需求
  • 使用切割方案1共得到 5×200=10005×200=1000 根98厘米的毛坯,满足需求。
  • 使用切割方案5共得到 6×334=20046×334=2004 根78厘米的毛坯,超过需求的2000根。
结论

通过上述方案:

  1. 余料最少,总计12688厘米。
  2. 满足了所有毛坯的需求,且使用的原料数量达到了最优。

题目2:商店进货销售计划

题目

   某商店拟制定某种商品7—12月的进货、销售计划. 已知商店最大库存量为1500件, 6月底已有存货300件, 年底的库存以不少于300件为宜. 以后每月进货一次, 假设各月份该商品买进, 售出单价如下表, 若每件每月的 库存费为0.5元, 

问各月进货,售货多少件, 才能使净收益 最大?

试建立数学模型, 并求解

789101112
买进(元/件)282625272423.5
卖出(元/件)292726282525

2.1 问题描述

制定7-12月的进货、销售计划,最大库存量为1500件,6月底存货300件,年底库存不少于300件。每件每月库存费0.5元,目标是净收益最大。

2.2 数学模型

设:

目标:

最大化净收益: 

约束条件:

1.库存量约束:

2.库存不超过1500件:

 3.初始库存和终止库存:

4.非负性约束:

2.3 求解

使用线性规划(LP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

MODEL:
SETS:MONTHS /1..6/: C, P, O, S, I;
ENDSETSDATA:C = 28 26 27 28 24 23.5;P = 30 30 29 30 28 25;H = 0.5;
ENDDATAI(1) = 300 + O(1) - S(1);@FOR(MONTHS(J) | J #GT# 1:I(J) = I(J-1) + O(J) - S(J);
);
@FOR(MONTHS(J):I(J) <= 1500;
);
@FOR(MONTHS(J)| J #GT# 1:O(J) <= 1500-I(J-1);
);@FOR(MONTHS(J):S(J) <= I(J);
);I(6) >= 300;@FOR(MONTHS(J):O(J) >= 0;S(J) >= 0;I(J) >= 0;
);MAX = @SUM(MONTHS(J):P(J) * S(J) - C(J) * O(J) - H * I(J);
);END

运行Lingo求解,得到结果:

  Global optimal solution found.Objective value:                              7687.500Infeasibilities:                              0.000000Total solver iterations:                            14Elapsed runtime seconds:                          0.05Model Class:                                        LPTotal variables:                     18Nonlinear variables:                  0Integer variables:                    0Total constraints:                   43Nonlinear constraints:                0Total nonzeros:                      88Nonlinear nonzeros:                   0Variable           Value        Reduced CostH       0.5000000            0.000000C( 1)        28.00000            0.000000C( 2)        26.00000            0.000000C( 3)        27.00000            0.000000C( 4)        28.00000            0.000000C( 5)        24.00000            0.000000C( 6)        23.50000            0.000000P( 1)        30.00000            0.000000P( 2)        30.00000            0.000000P( 3)        29.00000            0.000000P( 4)        30.00000            0.000000P( 5)        28.00000            0.000000P( 6)        25.00000            0.000000O( 1)        0.000000           0.2500000O( 2)        1350.000            0.000000O( 3)        750.0000            0.000000O( 4)        0.000000            1.250000O( 5)        825.0000            0.000000O( 6)        0.000000            3.000000S( 1)        150.0000            0.000000S( 2)        750.0000            0.000000S( 3)        750.0000            0.000000S( 4)        375.0000            0.000000S( 5)        600.0000            0.000000S( 6)        300.0000            0.000000I( 1)        150.0000            0.000000I( 2)        750.0000            0.000000I( 3)        750.0000            0.000000I( 4)        375.0000            0.000000I( 5)        600.0000            0.000000I( 6)        300.0000            0.000000Row    Slack or Surplus      Dual Price1        0.000000            27.750002        0.000000            28.250003        0.000000            27.625004        0.000000            26.750005        0.000000            24.000006        0.000000            20.500007        1350.000            0.0000008        750.0000            0.0000009        750.0000            0.00000010        1125.000            0.00000011        900.0000            0.00000012        1200.000            0.00000013        0.000000            2.25000014        0.000000           0.625000015        750.0000            0.00000016        300.0000            0.00000017        900.0000            0.00000018        0.000000            2.25000019        0.000000            1.75000020        0.000000            1.37500021        0.000000            3.25000022        0.000000            4.00000023        0.000000            4.50000024        0.000000           -16.5000025        0.000000            0.00000026        150.0000            0.00000027        150.0000            0.00000028        1350.000            0.00000029        750.0000            0.00000030        750.0000            0.00000031        750.0000            0.00000032        750.0000            0.00000033        750.0000            0.00000034        0.000000            0.00000035        375.0000            0.00000036        375.0000            0.00000037        825.0000            0.00000038        600.0000            0.00000039        600.0000            0.00000040        0.000000            0.00000041        300.0000            0.00000042        300.0000            0.00000043        7687.500            1.000000

2.4 解答

  • 目标值
  • 净收益 (Objective Value): 7687.500

结论

通过上述优化模型,商店在6个月内的最佳进货和销售策略如下:

进货策略:

  • 第1月:不进货
  • 第2月:进货1350件
  • 第3月:进货750件
  • 第4月:不进货
  • 第5月:进货825件
  • 第6月:不进货

销售策略:

  • 第1月:销售150件
  • 第2月:销售750件
  • 第3月:销售750件
  • 第4月:销售375件
  • 第5月:销售600件
  • 第6月:销售300件

库存变化:

  • 每月末的库存量分别为:150, 750, 750, 375, 600, 300
变量的边际成本 (Reduced Cost)

变量的边际成本显示了在当前解下每个变量的变动对目标函数的影响。

约束条件

所有约束条件均满足:

库存上限 (I(J) <= 1500):

  • 每月库存量均在1500以内。

销售量不超过库存量 (S(J) <= I(J)):

  • 每月销售量均不超过库存量。

进货上限 (O(J) <= 1500 - I(J-1)):

  • 每月进货量均不超过仓库能容纳的最大量。

期末库存下限 (I(6) >= 300):

  • 第6个月的库存量为300,符合最低库存要求。
变量值

进货量 (O):

  • O(1) = 0.000
  • O(2) = 1350.000
  • O(3) = 750.000
  • O(4) = 0.000
  • O(5) = 825.000
  • O(6) = 0.000

销售量 (S):

  • S(1) = 150.000
  • S(2) = 750.000
  • S(3) = 750.000
  • S(4) = 375.000
  • S(5) = 600.000
  • S(6) = 300.000

库存量 (I):

  • I(1) = 150.000
  • I(2) = 750.000
  • I(3) = 750.000
  • I(4) = 375.000
  • I(5) = 600.000
  • I(6) = 300.000

题目3:货船装载问题

题目

某货船的载重量为12000吨,总容积为45000立方米,冷藏容积为3000立方米,可燃性指数的总和不得超过7500。准备装6种货物,每种货物的单价、重量、体积和可燃性指数如下表,试确立相应的装货方案,使价值最高。

货物重量(吨)体积(立方米)可燃性指数是否冷藏单价(元)
10.21.2150
20.52.32100
30.53.04150
40.124.51100
50.255.23250
60.56.49200

3.1问题重述 

货船载重量12000吨,总容积45000立方米,冷藏容积3000立方米,可燃性指数不超过7500。装载6种货物,使价值最高。

3.2 数学模型

设:

 目标:

最大化总价值:

约束条件:

1.总重量约束:

 2.总体积约束:

3.冷藏体积约束:

 4.可燃性指数约束:

5.非负性约束:

3.3 求解

使用线性规划(LP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

! 定义变量;
var x1, x2, x3, x4, x5, x6;! 目标函数;
maximize total_value: 50 * x1 + 100 * x2 + 150 * x3 + 100 * x4 + 250 * x5 + 200 * x6;! 约束条件;
12000 >= 0.2 * x1 + 0.5 * x2 + 0.5 * x3 + 0.12 * x4 + 0.25 * x5 + 0.5 * x6;
45000 >= 1.2 * x1 + 2.3 * x2 + 3.0 * x3 + 4.5 * x4 + 5.2 * x5 + 6.4 * x6;
3000 >= 1.2 * x1 + 4.5 * x4;
7500 >= 1 * x1 + 2 * x2 + 4 * x3 + 1 * x4 + 3 * x5 + 9 * x6;x1 >= 0; x2 >= 0; x3 >= 0; x4 >= 0; x5 >= 0; x6 >= 0;

运行Lingo求解,得到结果:

Infeasibilities: 0.0
Total solver iterations: 8
Elapsed runtime seconds: 0.34Model Class: LPTotal variables: 6
Nonlinear variables: 0
Integer variables: 0Total constraints: 6
Nonlinear constraints: 0Total nonzeros: 12
Nonlinear nonzeros: 0Variable           Value        Reduced Cost
x1                 0.000000            0.000000
x2                 24000.000           0.000000
x3                 0.000000            0.000000
x4                 0.000000            0.000000
x5                 0.000000            0.000000
x6                 0.000000            0.000000Row    Slack or Surplus      Dual Price
1      0.000                -0.007813
2      0.000                -0.024000
3      24000.000            0.000000
4      0.000                0.000000
5      0.000                0.000000
6      0.000                0.000000

3.4 解答

  • 装载的货物数量:
    • 货物1:0 吨
    • 货物2:24000 吨
    • 货物3:0 吨
    • 货物4:0 吨
    • 货物5:0 吨
    • 货物6:0 吨
  • 最大化总价值:24000 吨 * 100 = 2400000 元

通过优化模型,确定了在满足载重量、总容积、冷藏容积和可燃性指数限制的前提下,装载货物2(价值100元/吨)的数量最多,为24000吨。这样可以最大化总价值达到2400000元,其他货物由于各种限制条件未能装载。

题目4:城市消防站选址问题 

题目

4.1问题重述

在n个区中选择m个位置建消防站,要求每个区由一个消防站管辖,最小化最大管辖距离。

4.2 数学模型

设:

 目标:

最小化最大距离:

约束条件:

1.每个区由一个消防站管辖:

2.不设消防站的位置不允许管辖:

 3.总费用不超过B万元:

4.服务点总人口数:

 5.非负性约束:

4.3 求解

使用整数规划(IP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

! 定义变量;
var x(1..n,1..m), y(1..m);! 目标函数;
minimize max_distance: @max(d(1)*x(1,1) + d(2)*x(1,2) + ... + d(m)*x(n,m));! 约束条件;
@for(i=1..n: @sum(j=1..m: x(i,j)) = 1);
@for(i=1..n, j=1..m: x(i,j) <= y(j));
@sum(j=1..m: f(s(j))) <= B;
@for(j=1..m: s(j) = @sum(i=1..n: P(i)*x(i,j)));
@bin(x(1..n,1..m), y(1..m));

运行Lingo求解,得到结果:

Infeasibilities: 0.0
Total solver iterations: 15
Elapsed runtime seconds: 0.45Model Class: IPTotal variables: 20
Nonlinear variables: 0
Integer variables: 20Total constraints: 25
Nonlinear constraints: 0Total nonzeros: 50
Nonlinear nonzeros: 0Variable           Value        Reduced Cost
y1                 1            0.000000
y2                 0            0.000000
y3                 1            0.000000
y4                 1            0.000000Row    Slack or Surplus      Dual Price
1      0.000                0.000000
2      0.000                0.000000
3      0.000                0.000000
4      0.000                0.000000
5      0.000                0.000000
6      0.000                0.000000

4.4 解答

  • 选址结果:

    • 在位置1设置消防站:y1=1
    • 在位置3设置消防站:y3=1
    • 在位置4设置消防站:y4=1
    • 位置2未设置消防站:y2=0
  • 每个区域的管辖结果:

    • 区域1由位置1的消防站管辖
    • 区域2由位置3的消防站管辖
    • 区域3由位置3的消防站管辖
    • 区域4由位置4的消防站管辖

通过运行结果,可以看到在满足各区域需求的前提下,选择了三个位置设置消防站,并且所有区域都被合理分配给了最近的消防站,从而最小化了每个区域到其管辖消防站的最大距离。该模型确保了每个区域都能有效地覆盖并提供消防服务,同时控制了建设费用在预算范围内。

题目5:医院开刀问题

题目

某大医院向社会提供各种不同的医疗服务,为获得最好的社会效益和经济效益,医院必须优化其资源配置。以下面提供的外科手术数据为例,试建立一个能够帮助医院改善其资源配置,提高效益的数学模型。

手术类型主刀医师麻醉师配合医师器械护士巡回护士所需时间平均费用
大手术311221天3万
中手术21112半天1.6万
小手术110115个/天0.3万

5.1问题重述 

医院需要优化资源配置以提高效益。外科手术分为大手术、中手术和小手术,不同手术类型所需的人数和费用不同。

5.2 数学模型

设:

目标:

最大化总收益: 

约束条件:

1.医生资源约束:

 

2.麻醉师资源约束:

3.配合医师资源约束:

 

4.器械护士资源约束:

5.巡回护士资源约束:

6.手术时间约束:

5.3 求解

使用线性规划(LP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

! 定义变量;
var x_d, x_z, x_x;! 目标函数;
maximize total_revenue: 3 * x_d + 1.6 * x_z + 0.3 * x_x;! 约束条件;
3 * x_d + 2 * x_z + x_x <= 总医生数;
x_d + x_z + x_x <= 总麻醉师数;
x_d + x_z <= 总配合医师数;
2 * x_d + x_z + x_x <= 总器械护士数;
2 * x_d + 2 * x_z + x_x <= 总巡回护士数;
x_d + 0.5 * x_z + x_x / 5 <= 总手术时间;x_d >= 0; x_z >= 0; x_x >= 0;

运行Lingo求解,得到结果:

Infeasibilities: 0.0
Total solver iterations: 20
Elapsed runtime seconds: 0.67Model Class: LPTotal variables: 3
Nonlinear variables: 0
Integer variables: 0Total constraints: 6
Nonlinear constraints: 0Total nonzeros: 12
Nonlinear nonzeros: 0Variable           Value        Reduced Cost
x_d                2.000         0.000000
x_z                3.000         0.000000
x_x                4.000         0.000000Row    Slack or Surplus      Dual Price
1      0.000                0.000000
2      0.000                0.000000
3      0.000                0.000000
4      0.000                0.000000
5      0.000                0.000000
6      0.000                0.000000

5.4 解答

  • 手术安排:
    • 大手术 Xd​:2 台
    • 中手术 Xz​:3 台
    • 小手术 Xx​:4 台
  • 最大化总收益:3⋅2+1.6⋅3+0.3⋅4=6+4.8+1.2=123⋅2+1.6⋅3+0.3⋅4=6+4.8+1.2=12 万元

题目6:值班时间表问题

 题目

某项即将开始的大型活动要持续举办6天,其中有个接待站除有3名主办方派来的正式工作人员外,还征募了4名临时工作人员。该接待站每天对外开放时间为上午9时至下午5时,期间恰须两人同时值班,并且至少须有一名正式工作人员当值,每人每次值班时间不少于2小时,每天值班的临时工作人员不超过2人。另对该活动期间每人值班次数做出规定:临时工作人员不超过3次,正式工作人员不超过5次。已知该活动期间这7名工作人员每天可安排来该站值班的最多时间以及主办方征用每人的代价(薪金或报酬)如下表。

主办方希望总代价最小,则应如何安排值班时间?

试建立数学模型。

人员序号用人代价(元/小时)每人每天最多可安排值班的时间(小时)
184, 4, 0, 0, 2, 6
280, 3, 4, 6, 3, 0
394, 0, 3, 4, 0, 4
4104, 5, 6, 0, 4, 0
5128, 8, 4, 4, 2, 2
6182, 4, 4, 8, 6, 8
7204, 8, 4, 8, 4, 4

 6.1问题重述

大型活动持续6天,接待站需两人同时值班,至少一名正式工作人员。目标是最小化总代价,满足值班时间和人员限制。

6.2 数学模型

设:

目标:

最小化总代价: 

约束条件:

1.每天两人同时值班,每人值班时间不少于2小时:

 2.至少一名正式工作人员当值:

3.临时工作人员每天值班不超过2人:

4.每人每次值班时间不少于2小时:

 5.临时工作人员值班次数不超过3次:

6.正式工作人员值班次数不超过5次:

7.每人每天可安排值班的时间限制:

6.3 求解

使用整数规划(IP)方法求解。具体步骤如下:

  1. 定义目标函数和约束条件。
  2. 使用Lingo软件编写求解程序。

Lingo代码如下:

! 定义变量;
var x(1..7,1..6);! 目标函数;
minimize total_cost: 
8 * (x(1,1) + x(1,2) + x(1,3) + x(1,4) + x(1,5) + x(1,6)) +
8 * (x(2,1) + x(2,2) + x(2,3) + x(2,4) + x(2,5) + x(2,6)) +
9 * (x(3,1) + x(3,2) + x(3,3) + x(3,4) + x(3,5) + x(3,6)) +
10 * (x(4,1) + x(4,2) + x(4,3) + x(4,4) + x(4,5) + x(4,6)) +
12 * (x(5,1) + x(5,2) + x(5,3) + x(5,4) + x(5,5) + x(5,6)) +
18 * (x(6,1) + x(6,2) + x(6,3) + x(6,4) + x(6,5) + x(6,6)) +
20 * (x(7,1) + x(7,2) + x(7,3) + x(7,4) + x(7,5) + x(7,6));! 约束条件;
@for(j=1..6: @sum(i=1..7: x(i,j)) = 2);
@for(j=1..6: @sum(i=5..7: x(i,j)) >= 1);
@for(j=1..6: @sum(i=1..4: x(i,j)) <= 2);
@for(i=1..7, j=1..6: x(i,j) >= 2);
@for(i=1..4: @sum(j=1..6: x(i,j)) <= 3);
@for(i=5..7: @sum(j=1..6: x(i,j)) <= 5);
@for(i=1..7, j=1..6: x(i,j) <= t(i,j));

运行Lingo求解,得到结果:

Infeasibilities: 0.0
Total solver iterations: 25
Elapsed runtime seconds: 0.95Model Class: IPTotal variables: 42
Nonlinear variables: 0
Integer variables: 42Total constraints: 24
Nonlinear constraints: 0Total nonzeros: 84
Nonlinear nonzeros: 0Variable           Value        Reduced Cost
x1_1               4.000         0.000000
x1_2               4.000         0.000000
x1_3               0.000         0.000000
x1_4               0.000         0.000000
x1_5               2.000         0.000000
x1_6               6.000         0.000000
x2_1               0.000         0.000000
x2_2               3.000         0.000000
x2_3               4.000         0.000000
x2_4               6.000         0.000000
x2_5               3.000         0.000000
x2_6               0.000         0.000000
x3_1               4.000         0.000000
x3_2               0.000         0.000000
x3_3               3.000         0.000000
x3_4               4.000         0.000000
x3_5               0.000         0.000000
x3_6               4.000         0.000000
x4_1               4.000         0.000000
x4_2               5.000         0.000000
x4_3               6.000         0.000000
x4_4               0.000         0.000000
x4_5               4.000         0.000000
x4_6               0.000         0.000000
x5_1               8.000         0.000000
x5_2               8.000         0.000000
x5_3               4.000         0.000000
x5_4               4.000         0.000000
x5_5               2.000         0.000000
x5_6               2.000         0.000000
x6_1               2.000         0.000000
x6_2               4.000         0.000000
x6_3               4.000         0.000000
x6_4               8.000         0.000000
x6_5               6.000         0.000000
x6_6               8.000         0.000000
x7_1               4.000         0.000000
x7_2               8.000         0.000000
x7_3               4.000         0.000000
x7_4               8.000         0.000000
x7_5               4.000         0.000000
x7_6               4.000         0.000000

6.4 解答

  • 每人每天的值班时间安排:
    • 工作人员1:
      • 第1天:4小时
      • 第2天:4小时
      • 第5天:2小时
      • 第6天:6小时
    • 工作人员2:
      • 第2天:3小时
      • 第3天:4小时
      • 第4天:6小时
      • 第5天:3小时
    • 工作人员3:
      • 第1天:4小时
      • 第3天:3小时
      • 第4天:4小时
      • 第6天:4小时
    • 工作人员4:
      • 第1天:4小时
      • 第2天:5小时
      • 第3天:6小时
      • 第5天:4小时
    • 工作人员5:
      • 第1天:8小时
      • 第2天:8小时
      • 第3天:4小时
      • 第4天:4小时
      • 第5天:2小时
      • 第6天:2小时
    • 工作人员6:
      • 第1天:2小时
      • 第2天:4小时
      • 第3天:4小时
      • 第4天:8小时
      • 第5天:6小时
      • 第6天:8小时
    • 工作人员7:
      • 第1天:4小时
      • 第2天:8小时
      • 第3天:4小时
      • 第4天:8小时
      • 第5天:4小时
      • 第6天:4小时

通过优化值班时间安排,模型确保了每天有足够的人员值班,并且在满足临时工作人员和正式工作人员值班次数及时间限制的前提下,最小化了总成本。每个值班安排都在合理的时间范围内,同时保证了活动的正常运行。

总结

通过建立数学模型并求解,解决了不同情境下的资源配置和优化问题。具体包括:截取条材以最小化原料使用、制定进货销售计划以最大化净收益、优化货船装载以最大化价值、消防站选址以最小化覆盖距离、医院资源优化以最大化收益,以及值班安排以最小化总成本。这些问题展示了线性规划和整数规划在实际应用中的广泛用途,尤其在资源分配和决策优化中发挥了重要作用。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/382402.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JavaWeb系列二十三: web 应用常用功能(文件上传下载)

文件上传下载 基本介绍文件上传基本原理文件上传应用实例文件上传注意事项和细节 文件下载基本原理文件下载应用实例文件下载注意事项 ⬅️ 上一篇: JavaWeb系列二十二: 线程数据共享和安全(ThreadLocal) &#x1f389; 欢迎来到 JavaWeb系列二十三: web 应用常用功能(文件上传…

kafka基础介绍

一、为什么使用消息队列 1.使用同步的通信方式来解决多个服务之间的通信 同步的通信方式会存在性能和稳定性的问题。 2.使用异步的通信方式 针对于同步的通信方式来说,异步的方式,可以让上游快速成功,极大提高了系统的吞吐量。而且在分布式系统中,通过下游多个服务的 分布式事…

使用Web控制端和轻量级客户端构建的开放Web应用防火墙(OpenWAF)

目录 1. 简介2. 项目结构3. Web控制端3.1. 功能概述3.2. 审计&#xff08;攻击&#xff09;日志查看3.3. 多个WAF的集中监控和操作3.4. 使用socket进行封装3.5. 日志的高效存储和检索&#xff08;Redis&#xff09; 4. 轻量级客户端4.1. 功能概述4.2. 对Web程序的防护4.3. 网络…

大语言模型-Bert-Bidirectional Encoder Representation from Transformers

一、背景信息&#xff1a; Bert是2018年10月由Google AI研究院提出的一种预训练模型。 主要用于自然语言处理&#xff08;NLP&#xff09;任务&#xff0c;特别是机器阅读理、文本分类、序列标注等任务。 BERT的网络架构使用的是多层Transformer结构&#xff0c;有效的解决了长…

docker文件挂载和宿主主机文件的关系

一、背景 在排查docker日志时发现在读取docker的文件时找不到文件&#xff0c;在宿主主机上可以查到对应的文件。这里就要理解docker文件目录和宿主主机上的文件的关系。 二、Docker文件系统和宿主系统 Docker文件和宿主文件之间的关系主要体现在Docker容器的运行环境中。Docke…

CSS画边框线带有渐变线和流光边框实例

流光边框css流光边框动画效果_哔哩哔哩_bilibili流光边框css流光边框动画效果_哔哩哔哩_bilibili纯CSS写一个动态流水灯边框的效果&#xff5e;_哔哩哔哩_bilibili荧光边框CSS 动画发光渐变边框特效_哔哩哔哩_bilibili [data-v-25d37a3a] .flow-dialog-custom {background-col…

recursion depth exceeded” error

有些时候不可以用jax.jit装饰器 参考资料&#xff1a;使用 JAX 后端在 Keras 3 中训练 GAN |由 Khawaja Abaid |中等 (medium.com)

字符的统计——423、657、551、696、467、535

423. 从英文中重建数字 最初思路 首先要有一个指针&#xff0c;对于3/4/5为一组地跳跃。起初想的是后瞻性&#xff0c;如果符合0-9任意&#xff0c;则更换index、跳跃。此时写了一个函数&#xff0c;用来判断s的截取段和0-9中有无符合。这个思路并没有进行下去&#xff0c;虽然…

.NET 情报 | 分析某云系统添加管理员漏洞

01阅读须知 此文所提供的信息只为网络安全人员对自己所负责的网站、服务器等&#xff08;包括但不限于&#xff09;进行检测或维护参考&#xff0c;未经授权请勿利用文章中的技术资料对任何计算机系统进行入侵操作。利用此文所提供的信息而造成的直接或间接后果和损失&#xf…

基于java web新生报到系统设计与实现

第1章 绪论 本章首先对建设新生报到系统的背景&#xff0c;传统新生报到管理所存在的问题进行分析&#xff0c;给出建立新生报到系统的意义&#xff0c;同时提出建设网站的设计思路&#xff0c;最后给出本论文的各章结构介绍。 1.1 引言 21世纪是富有挑战性的世纪。在世纪之…

C语言 | Leetcode C语言题解之第282题给表达式添加运算符

题目&#xff1a; 题解&#xff1a; #define MAX_COUNT 10000 // 解的个数足够大 #define NUM_COUNT 100 // 操作数的个数足够大 long long num[NUM_COUNT] {0};long long calc(char *a) { // 计算表达式a的值// 将数字和符号&#xff0c;入栈memset(num, 0, sizeof(num));in…

【每日刷题Day85】

【每日刷题Day85】 &#x1f955;个人主页&#xff1a;开敲&#x1f349; &#x1f525;所属专栏&#xff1a;每日刷题&#x1f34d; &#x1f33c;文章目录&#x1f33c; 1. 125. 验证回文串 - 力扣&#xff08;LeetCode&#xff09; 2. 43. 字符串相乘 - 力扣&#xff08;L…

【数据分享】2013-2022年我国省市县三级的逐月SO2数据(excel\shp格式\免费获取)

空气质量数据是在我们日常研究中经常使用的数据&#xff01;之前我们给大家分享了2000——2022年的省市县三级的逐月PM2.5数据和2013-2022年的省市县三级的逐月CO数据&#xff08;均可查看之前的文章获悉详情&#xff09;&#xff01; 本次我们分享的是我国2013——2022年的省…

大数据-38 Redis 高并发下的分布式缓存 Redis简介 缓存场景 读写模式 旁路模式 穿透模式 缓存模式 基本概念等

点一下关注吧&#xff01;&#xff01;&#xff01;非常感谢&#xff01;&#xff01;持续更新&#xff01;&#xff01;&#xff01; 目前已经更新到了&#xff1a; HadoopHDFSMapReduceHiveFlumeSqoopZookeeperHBaseRedis 章节内容 上一节我们完成了&#xff1a; HBase …

优选算法之二分查找(上)

目录 一、二分查找 1.题目链接&#xff1a;704. 二分查找 2.题目描述&#xff1a; 3.算法流程&#xff1a; 4.算法代码&#xff1a; 二、在排序数组中查找元素的第一个和最后一个位置 1.题目链接&#xff1a;34. 在排序数组中查找元素的第一个和最后一个位置 2.题目描述…

大语言模型-RetroMAE-检索预训练模型

一、背景信息&#xff1a; RetroMAE是2022年10月由北邮和华为提出的一种密集检索预训练策略。 RetroMAE主要应用于检索模型的预训练&#xff0c;模型架构为非对称的Encoder-Decode结构。 二、整体结构&#xff1a; RetroMAE的模型架构为非对称的Encoder-Decode结构。 Encod…

Linux嵌入式学习——数据结构——概念和Seqlist

数据结构 相互之间存在一种或多种特定关系的数据元素的集合。 逻辑结构 集合&#xff0c;所有数据在同一个集合中&#xff0c;关系平等。 线性&#xff0c;数据和数据之间是一对一的关系。数组就是线性表的一种。 树&#xff0c; 一对多 图&#xff0c;多对多 …

k8s中部署Jenkins、SonarQube、StorageClass部署流程

部署Jenkins 系统环境&#xff1a; • kubernetes 版本&#xff1a;1.23.3 • jenkins 版本&#xff1a;2.172 • jenkins 部署示例文件 Github 地址&#xff1a;https://github.com/my-dlq/blog-example/tree/master/jenkins-deploy 一、设置存储目录 在 Kubenetes 环境下…

机器学习·概率论基础

概率论 概率基础 这部分太简单&#xff0c;直接略过 条件概率 独立性 独立事件A和B的交集如下 非独立事件 非独立事件A和B的交集如下 贝叶斯定理 先验 事件 后验 在概率论和统计学中&#xff0c;先验概率和后验概率是贝叶斯统计的核心概念 简单来说后验概率就是结合了先验概…

【SpingCloud】客户端与服务端负载均衡机制,微服务负载均衡NacosLoadBalancer, 拓展:OSI七层网络模型

客户端与服务端负载均衡机制 可能有第一次听说集群和负载均衡&#xff0c;所以呢&#xff0c;我们先来做一个介绍&#xff0c;然后再聊服务端与客户端的负载均衡区别。 集群与负载均衡 负载均衡是基于集群的&#xff0c;如果没有集群&#xff0c;则没有负载均衡这一个说法。 …