增加约束
x
i 1
9
i
6，
以学分最多为目标求解。
最优解： x1 = x2 = x3 = x5 = x7 = x9 =1, 其它为0；总 学分由21增至22。
1 2 3
4 5 6 7 8 9
注意：最优解不唯一！
可将x9 =1 易为x6 =1 LINDO无法告诉优化 问题的解是否唯一。
Hale Waihona Puke 求解算法 转化为单目标 实例1：投资的收益和风险
市场上有n种资产（如股票、债券、…）Si ( i=1,…n) 供投资者选择，某公司有数额为M的一笔相当大的资金可用 作一个时期的投资。公司财务分析人员对这n种资产进行了 评估，估算出在这一时期内购买Si的平均收益率，并预测出 购买Si的风险损失率。考虑到投资越分散，总的风险越小， 公司确定，当用这笔资金购买若干种资产时，总体风险可用 所投资的Si中最大的一个风险来度量。 购买Si要付交易费，费率已知，并且当购买额不超过最低限 额时，交易费按购买最低限额计算（不买当然无须付费）。 另外，假定同期银行存款年利率是1%, 且既无交易费又无风 险。试给该公司设计一种投资组合方案 目标一：使净收益尽可能大； 目标二：而总体风险尽可能小。
用Lindo或Lingo软件求解,得到最优 解 *
x1 3, x2 3, z 1500 .
Max z 200x1 300x2 ;
2. 目标规划建模
若在上例中，企业的经营目标不仅要考
s. t. 2 x1 2 x2 12 , 4 x1 16, 5 x2 15, x1 , x2 0.
目标规划的数学模型
目标规划的基本概念
为了克服线性规划的局限性,目标规划采用如下手段： 1. 设置偏差变量; 2. 统一处理目标与约束; 3. 目标的优先级与权系数。
1. 设置偏差变量
用偏差变量(Deviational variables)来表示实际值与目标值 之间的差异，令 ---- 超出目标的差值，称为正偏差变量 d d d ---- 未达到目标的差值，称为负偏差变量 其中d 与 d 至少有一个为0
多目标优化模型
一、多 目 标 优 化 简 介
• 优化(Optimization) : 从若干可能的方案中寻求某 种意义下的最优方案 •多目标规划（Multiple Objectives Programming） 是数学规划的一个分支，研究多于一个目标函数在给 定区域上的最优化，又称多目标最优化，通常记为 VMP。
x3 x1 , x3 x2
2x3 x1 x2 0
x4 x7 x4 x7 0
2 x5 x1 x2 0 x6 x7 0
模型求解（LINDO） 最优解： x1 = x2 = x3 = x6 = x7 = x9 =1, 其它为0；6门课程，总学分21
x8 x5 0
2 x1 2 x2 12 .
另一类是可以不严格限制的，连同原线性规划的目标,构 成柔性约束(Soft Constraint).例如在求解生产安排中，我 们希望利润不低于1500元，则目标可表示为
min{ d }; 200 x 300 x d d 1500. 1 2
1. 主要目标法 在多目标优化问题中，根据问题的实际 情况，确定一个目标为主要目标，而把其余目 标作为次要目标，并且根据决策者的经验，选 取一定的界限值。这样就可以把次要目标也作 为约束来处理，于是就将原多目标问题转化为 在新的约束下，求主要目标的单目标优化问题。
转化单目标法
2. 线性加权和法：按照m个目标 fi ( x) 的重要 程度，分别乘以一组权系数，然后相加作 为目标函数。

1 p
转化单目标法
5. 评价函数法 以上的各种方法都是由 f i ( x)归结成一 个目标其可看作是 f i ( x) 的函数 U ( x) u( f ( x)) 我们可统一称其为评价函数，显然其 具有很大的概括性，它不仅包括以上的 一些方法，还可以构造新的方法。当然 这种构造也不是随意的，一般要根据问 题的具体背景和几何意义来构造

约定如下： •当实际值超过目标值时，有 d 0, d 0; •当实际值未达到目标值时，有 d 0, d 0; •当实际值与目标值一致时，有 d 0, d 0.
2. 统一处理目标与约束
在目标规划中，约束可分两类，一类是对资源有严格限制 的，称为刚性约束(Hard Constraint)；例如在用目标规划 求解生产安排问题中设备A禁止超时使用，则有刚性约束
品产 单耗 甲 原料
乙
5 2 0 100
总量
80 48 6
4 1 C 单位利润 80
A B
4
矛 盾 的
一般形式： min Q( X ) max R( X ) s .t . F ( X ) M X O 双目标规划模型
化成单目标规划模型 化法一
min Q( X ) s .t . R( X ) a F(X ) M
求解算法 实例2：旅游路线设计
转化为单目标
今年暑假，我校要召开“××学术会议”，届时来自国内 外的许多著名学者都会相聚成都。在会议结束后，主办方希望 能安排这些远道而来的贵宾参观四川省境内的著名自然和人文 景观，初步设想有如下线路可供选择： 一号线：九寨沟、黄龙； 二号线：乐山、峨嵋； 三号线：四姑娘山、丹巴； 四号线：都江堰、青城山； 五号线：海螺沟、康定； 每条线路中的景点可以全部参观，也可以参观其中之一。 不仅如此，一起参观景点的人数越多，每人承担的费用也会越 小。车费与车型、乘客人数、路程种类及公里数有关。
或
max R( X ) s.t . Q( X ) b F(X ) M
X O
X O
化法二
min Q( X ) (1 ) R( X ) s .t . F ( X ) M X O
为目标权重或偏好系数。
a , b, 均可看成参数，对不同的参数值求出 最优解，然后加以讨论，选出满意解。
虑利润，还需要考虑多个方面，因此增加下列因素(目标)：
• 力求使利润指标不低于1500元 • 考虑到市场需求,甲、乙两种产品的产量比应尽量保持1:2
• 设备A为贵重设备，严格禁止超时使用
• 设备C可以适当加班，但要控制；设备B既要求充分利用，又 尽可能不加班，在重要性上，设备B是设备C的3倍 从上述问题可以看出，仅用线性规划方法是不够的，需 要借助于目标规划的方法进行建模求解
例 选课策略
课号
1 2 3 4 5 6 7 8 9
课名
微积分 线性代数 最优化方法 数据结构 应用统计 计算机模拟 计算机编程 预测理论 数学实验
学分
5 4 4 3 4 3 2 2 3
所属类别
数学 数学 数学；运筹学 数学；计算机 数学；运筹学 计算机；运筹学 计算机 运筹学 运筹学；计算机
先修课要求
Z xi
i 1
9

W 5x1 4 x2 4 x3 3x4 4 x5 3x6 2 x7 2 x8 3x9
最优解： x1 = x2 = x3 = x4 = x5 = x6 = x7 = x9 =1， 其它为0；总学分28。

求解算法之一：
决策变量
xi=1 ~选修课号i 的 课程（xi=0 ~不选）
目标函数 选修课程总数最少
Min Z xi
i 1
9
约束条件
最少2门数学课， 3门运筹学课， 2门计算机课。
x1 x2 x3 x4 x5 2
x3 x5 x6 x8 x9 3
x4 x6 x7 x9 2
Min {Z , W }
最优解如上，6门课 程，总学分21 。 最优解显然是选修所 有9门课程 。
多目标优化的处理方法：化成单目标优化。
多目标规划
• 在课程最少的前提下 以学分最多为目标。
课号 课名 微积分 线性代数 最优化方法 数据结构 应用统计 计算机模拟 计算机编程 预测理论 数学实验 学分 5 4 4 3 4 3 2 2 3
多目标规划
• 对学分数和课程数加权形成一个目标，如三七开。
Min Y 1Z 2W 0.7Z 0.3W
课号 1 2 3 4 5 6 7 8 9 课名 微积分 线性代数 最优化方法 数据结构 应用统计 计算机模拟 计算机编程 预测理论 数学实验 学分 5 4 4 3 4 3 2 2 3
主办方在会议开始前对所有参会的100位代表 旅游意向进行了调查，充分考虑这些代表的意愿， 为主办方设计代表们合适的旅游路线，使他们在会 议结束后的10天时间内花最少的钱游尽可能多的地 方。 目标一：宾客参观意愿满意度尽可能高 目标二：宾客所花费用尽可能少 目标三：宾客游尽可能多的景点
转化为单目标的具体方法介绍：
微积分；线性代数 计算机编程 微积分；线性代数 计算机编程
应用统计 微积分；线性代数
要求至少选两门数学课、三门运筹学课和两门计算机课 为了选修课程门数最少，应学习哪些课程 ？ 选修课程最少，且学分尽量多，应学习哪些课程 ？
0-1规划模型
课号 1 2 3 4 5 6 7 8 9 课名 微积分 线性代数 最优化方法 数据结构 应用统计 计算机模拟 计算机编程 预测理论 数学实验 所属类别 数学 数学 数学；运筹学 数学；计算机 数学；运筹学 计算机；运筹学 计算机 运筹学 运筹学；计算机
0-1规划模型
课号 课名 微积分 线性代数 最优化方法 数据结构 应用统计 计算机模拟 计算机编程 预测理论 数学实验 先修课要求
约束条件
先修课程要求 x3=1必有x1 = x2 =1
1 2 3
4 5 6 7 8 9