主頁 > 後端開發 > HZNU數模小測驗決議

HZNU數模小測驗決議

2022-06-05 20:48:23 後端開發

一、填空題

  1. 在種群增長預測問題中,若資源環境等因素是有限的,則應使用的微分方程模型為 Logistic模型

  1. 某種群分為 4 個年齡組, 各組的繁殖率分別為 0, 0.8, 1.8, 0.2, 存活率分別為 0.5, 0.7, 0.9, 0. 現各組的數量均為 100, 則該種群的的穩定分布向量為

解:穩定分布向量為矩陣最大特征根所對應的特征向量歸一化以后的向量【數學模型P203-206】,下面用R求解

> # --第二題--
> # 構造矩陣L
> L <- matrix(0, ncol = 4, nrow = 4)
> L[1, ] <- c(0, 0.8, 1.8, 0.2)
> L[2, 1] = 0.5
> L[3, 2] = 0.7
> L[4, 3] = 0.9
> eigen(L) -> L.eig
> Re(L.eig$vec[, 1]/sum(L.eig$vec[, 1])) -> w
> w
[1] 0.4769818 0.2307251 0.1562485 0.1360446

于是穩定分布向量為 \((0.4769818, 0.2307251, 0.1562485, 0.1360446)\).


  1. 工藝品店前段時間的銷售額為
    19 10 9 11 9 15 12 17 12 10 11 9 12 8 10 11 15 11 10 14 11 15 10 6 16 15 11 16 13 12 11
    已知每個工藝品的成本是 300 元,售價是 800 元,但在關店時仍未售出則只能丟棄.若希望收益最大,那么每日制作工藝品數量應為_______.

解:【數學模型P282】
將工藝品的需求視為連續型隨機變數,用概率密度函式描述概率分布

> shapiro.test(xse)

	Shapiro-Wilk normality test

data:  xse
W = 0.95367, p-value = https://www.cnblogs.com/hznudmh/p/0.197

shapiro檢驗結果可以認為需求量服從正態分布. 設其平均值為 \(\mu\), 標準差為 \(\sigma\),則需求量為 \(N(\mu,\sigma^2)\)

設每日制作的工業品數量為 \(q\)\(s_1\) 為每日售出一單位工藝品的獲利,\(s_2\) 為因未售出而丟棄的一單位工藝品的損失,\(r\) 為某天的需求量. 記需求量的概率密度函式為 \(p(r)\). 于是日均利潤為

\[E(q) = \int_{-\infty}^q[s_1r-s_2(q-r)]p(r)\mathrm{d}r + \int_{q}^{\infty}s_1qp(r)\mathrm{d}r \]

則要求 \(E(q)\) 最大,令 \(\frac{\mathrm{d}E}{\mathrm{d}q}=0\),記 \(r\) 的概率分布函式為 \(F(q) = \int_{-\infty}^qp(r)\mathrm{d}r\),可得 \(q\) 的最優解滿足

\[F(q) = \frac{s_1}{s_1+s_2} \]

根據題意 \(s_1 = 800-300=500,\ s_2 = 300\). 下面用R求q的值

> s1 <- 500
> s2 <- 300
> mean(xse) -> mu
> sd(xse) -> sigma
> f <- s1/(s1+s2)
> qnorm(f, mu, sigma)
[1] 12.89302

故每日制作的最佳工藝品數量為13


二、建模與計算題

  1. 某陣地(原點)向位于(L,0)處的敵艦發射導彈,敵艦隨即以速度(0,v)逃竄,若在任何時刻(位置),導彈的飛行方向都對準敵艦,且速度大于 v,請列出其飛行曲線 y(x)所滿足的方
    程.

解:記 \(x = x(t),\ y = y(t)\),設導彈合速度為 \(u\),將 \(u\) 分解為水平方向的 \(u_x\) 和豎直方向的 \(u_y\). 示意圖如下(有點丑別介意)

容易列出

\[\begin{aligned} &\frac{u_y}{u_x} = \frac{vt-y}{L-x}\\ \Longrightarrow & \frac{\mathrm{d}y}{\mathrm{d}x} = \frac{vt-y}{L-x}, \quad且 \ x(0) = 0, \ y(0) = 0. \end{aligned} \]


  1. 每隔 1 小時測得的某細菌的生物量資料為:9.6, 18.3, 29.0, 47.2, 71.1, 119.1, 174.6, 257.3, 350.7, 441.0, 513.3, 559.7, 594.8, 629.4, 640.8, 651.1, 655.9, 659.6, 661.8. 試建立 Logistic 模型,并給出下 1 個小時該細菌生物量的預測值

解. 設生物量為 \(x\),生物量增長率為 \(r(x)\),不妨設 \(r(x) = a + bx\). 記 \(x_m\) 為所能容納的生物量最大值,且當 \(x = x_m\) 時細菌量不再增長;\(r\)\(x=0\) 時的增長率.
于是可以得到 \(a = r, \ b = -\frac{r}{x_m}\). 可以得到 Logistic 模型

\[\frac{\mathrm{d}x}{\mathrm{d}t} = rx(1-\frac{x}{x_m}), \ x(0) = 9.6 \]

那么只需估計出引數 \(x_m\)\(r\) 即可.

  • 方法一 線性最小二乘法估計
    方程式改寫為

\[\frac{\mathrm{d}x/\mathrm{d}t}{x} = r-\frac{r}{x_m} \]

R代碼:

> # --第二題--
> x <- c(9.6, 18.3, 29.0, 47.2, 71.1, 119.1, 
+        174.6, 257.3, 350.7, 441.0, 513.3, 559.7, 
+        594.8, 629.4, 640.8, 651.1, 655.9, 659.6, 661.8)
> # 線性最小二乘估計
> # 使用數值微分近似估計增長率
> dx <- c()
> dx[1] <- (-3*x[1]+4*x[2]-x[3])/2
> for (i in 2:(length(x)-1)){
+   dx[i] <- (x[i+1]-x[i-1])/2
+ }
> dx[length(x)] <- (x[length(x)-2]-4*x[length(x)-1]+3*x[length(x)])/2
> xx <- dx/x
> # 最小二乘估計
> lm(xx~x) -> sol2
> summary(sol2)

Call:
lm(formula = xx ~ x)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.088687 -0.019463 -0.006286  0.006698  0.234409 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  5.761e-01  2.579e-02   22.34 4.88e-14 ***
x           -8.780e-04  5.692e-05  -15.43 1.98e-11 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.06389 on 17 degrees of freedom
Multiple R-squared:  0.9333,	Adjusted R-squared:  0.9294 
F-statistic:   238 on 1 and 17 DF,  p-value: 1.983e-11
> 5.761e-01/8.780e-04
[1] 656.1503

于是 \(r = 0.5761, \ x_m = 656.1503\). 下面用 R 預測

> xm <- 5.761e-01/8.780e-04
> x0 <- 9.6
> r <- 5.761e-01
> f = function(t) xm/(1+(xm/x0-1)*exp(-r*t))
> f((length(x)+1))
[1] 655.7127

故下一個小時的預測值為655.7127.

  • 方法二 非線性最小二乘估計
> library(pracma)
> Ffun<-function(y){
+   f<-numeric(length(x))
+   for(i in 1:(length(x))) {
+     f[i]<-x[i]-y[2]/(1+(y[2]/y[1]-1)*exp(-y[3]*(i-1)))
+   }
+   f
+  }
> sol22<-lsqnonlin(Ffun,x0=c(10,666,0.57))
> sol22
$x
[1]   9.1355173 663.0219910   0.5469947

$ssq
[1] 194.3254

$ng
[1] 0.0007158751

$nh
[1] 3.155265e-07

$mu
[1] 0.004704803

$neval
[1] 15

$errno
[1] 1

$errmess
[1] "Stopped by small x-step."

于是 \(r = 0.5469947,\ x_m = 663.0219910\).
預測:

> x0 <- sol22$x[1]
> xm <- sol22$x[2]
> r <- sol22$x[3]
> f(length(x)+1)
[1] 662.1814

故下一個小時的預測值為662.1814.


  1. 某旅行團計劃進行一次假期旅行, 有 4 個備選方案. 已知選擇目的地時的參考指標有費
    用(萬元),景色(分),食宿條件(分),勞累程度(分)四項, 4 處目的地的得分如下表所示. 請使用理想數法選擇最適合的目的地.(矩陣標準化時指定使用模一化方法)

解:先構造決策矩陣,并模一化
由于“費用”和“勞累程度”為費用型屬性,因此要取倒數化為效益型屬性
R代碼:

> # --第三題--
> D <- matrix(c(1/5000, 1/3000, 1/4000, 1/4000, 
+               9, 7, 9, 8, 8, 7, 8, 7, 
+               1/9, 1/6, 1/8, 1/5), nrow = 4)
> DD <- D^2
> m <- apply(DD, 2, sum)
> m <- sqrt(m)
> M <- matrix(c(m, m, m, m), nrow = 4, byrow = T)
> R <- D/M
> R
          [,1]      [,2]      [,3]      [,4]
[1,] 0.3806169 0.5427204 0.5321521 0.3590803
[2,] 0.6343615 0.4221159 0.4656331 0.5386205
[3,] 0.4757711 0.5427204 0.5321521 0.4039654
[4,] 0.4757711 0.4824182 0.4656331 0.6463446

下面用資訊熵計算權重

> xxs <- function(x) -sum(x*log(x))/log(4)
> E <- apply(R, 2, xxs)
> F <- 1 - E
> w <- F/sum(F)
> w
[1] 0.32807915 0.10223509 0.04381521 0.52587055

于是權重為 0.32807915 0.10223509 0.04381521 0.52587055.

下面用Topsis法評價

> # 理想數法
> W <- diag(w)
> V <- R %*% W
> v_max <- apply(V, 2, max)
> v_min <- apply(V, 2, min)
> V_MAX <- matrix(c(v_max, v_max, v_max, v_max), nr = 4, byrow = TRUE)
> V_MIN <- matrix(c(v_min, v_min, v_min, v_min), nr = 4, byrow = TRUE)
> fun <- function(x) sqrt(sum(x^2))
> s_max <- apply(V-V_MAX, 1, fun)
> s_min <- apply(V-V_MIN, 1, fun)
> C <- s_min/(s_max + s_min)
> C
[1] 0.06842871 0.68438747 0.23006165 0.74631797

于是各目的地得分為0.06842871 0.68438747 0.23006165 0.74631797,因此選A4最佳.


  1. 檔案《民航里程數》給出了我國的民航里程資料(見附錄 1,民航里程資料),已知民航里程數Y與時間t之間的關系可以近似使用關系式 \(y = k - \frac{k^2}{(\frac{a}{x})^b-2}\)刻畫 , 其中k(5<k<100),a(0<a<1),b(0<b<1)為待估引數.請根據樣本使用最小二乘法估計這三個引數.

解:利用R求解

> # -- 第四題--
> library(pracma)
> x <- scan("clipboard")
Read 20 items
> f4 <- function(u){
+   f <- numeric(20)
+   for (i in 1:20){
+     f[i] <- x[i] - (u[1]-u[1]^2/((u[2]/i)^u[3]-2))
+   }
+   f
+ }
> sol4 <- lsqnonlin(f4, x0 = c(10, 1, 1))
> sol4
$x
[1] 20.0  0.8  0.6

$ssq
[1] 7.087413e-13

$ng
[1] 1.371535e-05

$nh
[1] 4.710978e-08

$mu
[1] 0.7030284

$neval
[1] 23

$errno
[1] 1

$errmess
[1] "Stopped by small x-step."

于是 \(a = 0.8,\ b = 0.6, \ k=20\).


  1. 某地區進行了用電量調查,得到的資料(見附錄 2,高峰用電量與總用電量資料),其中X代表每月用電量,Y 代表高峰時期每小時的用電量,
    (1)利用樣本資料, 以 Y 為因變數,X 為自變數建立線性回歸方程擬合兩者的關系,并對所得
    回歸方程進行顯著性檢驗,
    (2)若根據歷史資料估計, 7 月份的平均用電量為 2000,試估計該月份的用電高峰時期每小時用電量,并求其 95%置信區間.

解:
(1)利用R求解

> # -- 第五題 --
> t5 <- read.table("clipboard", header = T)
> t5
      X    Y
1   679   79
2   292   44
3  1012   56
4   493   79
5   582  270
6  1156  364
7   997  473
8  2189  950
9  1097  534
10 2078  685
11 1818  584
12 1700  521
13  747  325
14 2030  443
15 1643  316
16  414   50
17  354   17
18 1276  188
19  745   77
20  435  139
21  540   56
22  874  156
23 1543  528
24 1029   64
25  710  400
26 1434   31
27  837  420
28 1748  488
29 1381  348
30 1428  758
31 1255  263
32 1777  499
33  370   59
34 2316  819
35 1130  479
36  463   51
37  770  174
38  724  410
39  808  394
40  790   96
41  783  329
42  406   44
43 1242  324
44  658  214
45 1746  571
46  468   64
47 1114  190
48  413   51
49 1787  833
50 3560 1494
51 1495  511
52 2221  385
53 1526  393
> x <- t5$X
> y <- t5$Y
> lm(y~x) -> sol5
> summary(sol5)

Call:
lm(formula = y ~ x)

Residuals:
    Min      1Q  Median      3Q     Max 
-413.99  -82.75  -19.34  123.76  315.22 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -83.13037   44.16121  -1.882   0.0655 .  
x             0.36828    0.03339  11.030 4.11e-15 ***
---
Signif. codes:  
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 157.7 on 51 degrees of freedom
Multiple R-squared:  0.7046,	Adjusted R-squared:  0.6988 
F-statistic: 121.7 on 1 and 51 DF,  p-value: 4.106e-15
#常數項未通過檢驗,置為0
> lm(y~0+x) -> sol51
> summary(sol51)

Call:
lm(formula = y ~ 0 + x)

Residuals:
    Min      1Q  Median      3Q     Max 
-418.58 -113.30  -58.11   87.54  377.89 

Coefficients:
  Estimate Std. Error t value Pr(>|t|)    
x  0.31351    0.01678   18.69   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 161.5 on 52 degrees of freedom
Multiple R-squared:  0.8704,	Adjusted R-squared:  0.8679 
F-statistic: 349.2 on 1 and 52 DF,  p-value: < 2.2e-16

于是

\[y = 0.31351x \]

且檢驗統計量 \(F = 349.2, \ p << 0.01\),因此認為兩者具有顯著的線性關系,\(R^2 = 0.8704\) 說明擬合程度較好.
來看看擬合效果

> plot(x,y)
> abline(sol51)

(2) R 程式如下

> x0 <- data.frame(x = 2000)
> Pred <- predict(sol51, x0, interval = "confidence", level = 0.95)
> Pred
       fit   lwr      upr
1 627.0274 559.7 694.3549

于是得到高峰用電量為627.0274,其置信區間為 (559.7, 694.3549).

  1. 求解下面二次規劃問題:

\[\begin{aligned} &\min \ z = x_1^2 + x_2^2 - 2x_1 - 5x_2\\ &\quad\quad x_1 - 2x_2 \geq -2\\ &\quad\quad -x_1 - 2x_2 \geq -6\\ &\quad\quad -x_1 + 2x_2 \geq -2\\ &\quad\quad x_1,x_2 \geq 0 \end{aligned} \]

請寫出(lingo 或者 R 或者 matlab)程式和計算結果,

解:規劃問題用Lingo求解比較方便,考慮使用Lingo求解

model:

min = x1^2 + x2^2 - 2*x1 - 5*x2;

x1 - 2*x2 >= -2;

-x1 - 2*x2 >= -6;

-x1 + 2*x2 >= -2;

end

輸出:

Global optimal solution found.
  Objective value:                             -6.450000
  Objective bound:                             -6.450000
  Infeasibilities:                              0.000000
  Extended solver steps:                               0
  Total solver iterations:                             8
  Elapsed runtime seconds:                          0.11
  Model is convex quadratic

  Model Class:                                        QP

  Total variables:                      2
  Nonlinear variables:                  2
  Integer variables:                    0

  Total constraints:                    4
  Nonlinear constraints:                1

  Total nonzeros:                       8
  Nonlinear nonzeros:                   2



                                Variable           Value        Reduced Cost
                                      X1        1.400002            0.000000
                                      X2        1.700001            0.000000

                                     Row    Slack or Surplus      Dual Price
                                       1       -6.450000           -1.000000
                                       2        0.000000          -0.8000000
                                       3        1.199997            0.000000
                                       4        4.000000            0.000000

于是目標最小值為-6.45,其中 \(x_1 = 1.4,x_2=1.7\).

  1. 考慮 3 個產地與 4 個銷地的問題,各產地的產量、各銷地的銷量及各產地到各銷地的單 位運費如下表,問如何調運,才可使總的運費最少?請根據問題建立數學模型,

解:7. 發現產銷不平衡,產量(76)>銷量(66),因此假想一個銷地 B5,各產地到B5的運費為0且銷量為10.

設Ai到Bj的運量為 \(x_{ij}\),運費矩陣為

\[A = \left[ \begin{array}{c} 6&2&6&7&0\\ 4&9&5&3&0\\ 8&8&1&5&0 \end{array} \right] \]

使用Lingo求解
代碼:

model:

sets:

thr /1..3/ : cl;
fiv /1..5/ : xl;
coor(thr,fiv) : A, x;

endsets

data:

cl = 30, 25, 21;
xl = 15, 17, 22, 12, 10;
A = 6, 2, 6, 7, 0
    4, 9, 5, 3, 0
    8, 8, 1, 5, 0;	

enddata

min = @sum(coor(i, j): A(i,j)*x(i,j));

@for(thr(i) : @sum(fiv(j) : x(i,j)) = cl(i));

@for(fiv(j) : @sum(thr(i) : x(i,j)) = xl(j));

end

輸出:

  Global optimal solution found.
  Objective value:                              161.0000
  Infeasibilities:                              0.000000
  Total solver iterations:                             8
  Elapsed runtime seconds:                          0.05

  Model Class:                                        LP

  Total variables:                     15
  Nonlinear variables:                  0
  Integer variables:                    0

  Total constraints:                    9
  Nonlinear constraints:                0

  Total nonzeros:                      42
  Nonlinear nonzeros:                   0

                                Variable           Value        Reduced Cost
                                  CL( 1)        30.00000            0.000000
                                  CL( 2)        25.00000            0.000000
                                  CL( 3)        21.00000            0.000000
                                  XL( 1)        15.00000            0.000000
                                  XL( 2)        17.00000            0.000000
                                  XL( 3)        22.00000            0.000000
                                  XL( 4)        12.00000            0.000000
                                  XL( 5)        10.00000            0.000000
                                A( 1, 1)        6.000000            0.000000
                                A( 1, 2)        2.000000            0.000000
                                A( 1, 3)        6.000000            0.000000
                                A( 1, 4)        7.000000            0.000000
                                A( 1, 5)        0.000000            0.000000
                                A( 2, 1)        4.000000            0.000000
                                A( 2, 2)        9.000000            0.000000
                                A( 2, 3)        5.000000            0.000000
                                A( 2, 4)        3.000000            0.000000
                                A( 2, 5)        0.000000            0.000000
                                A( 3, 1)        8.000000            0.000000
                                A( 3, 2)        8.000000            0.000000
                                A( 3, 3)        1.000000            0.000000
                                A( 3, 4)        5.000000            0.000000
                                A( 3, 5)        0.000000            0.000000
                                X( 1, 1)        2.000000            0.000000
                                X( 1, 2)        17.00000            0.000000
                                X( 1, 3)        1.000000            0.000000
                                X( 1, 4)        0.000000            2.000000
                                X( 1, 5)        10.00000            0.000000
                                X( 2, 1)        13.00000            0.000000
                                X( 2, 2)        0.000000            9.000000
                                X( 2, 3)        0.000000            1.000000
                                X( 2, 4)        12.00000            0.000000
                                X( 2, 5)        0.000000            2.000000
                                X( 3, 1)        0.000000            7.000000
                                X( 3, 2)        0.000000            11.00000
                                X( 3, 3)        21.00000            0.000000
                                X( 3, 4)        0.000000            5.000000
                                X( 3, 5)        0.000000            5.000000

                                     Row    Slack or Surplus      Dual Price
                                       1        161.0000           -1.000000
                                       2        0.000000           -2.000000
                                       3        0.000000            0.000000
                                       4        0.000000            3.000000
                                       5        0.000000           -4.000000
                                       6        0.000000            0.000000
                                       7        0.000000           -4.000000
                                       8        0.000000           -3.000000
                                       9        0.000000            2.000000

于是方案為:

產地/銷地 B1 B2 B3 B4 產量
A1 2 17 1 0 30
A2 13 0 0 12 25
A3 0 0 21 0 21
銷量 15 17 22 12

費用最小為161.

  1. 某工廠生產 A,B,C 三種產品,其所需勞動力、材料等有關資料如下表所示.(1)確定獲利最 大的生產方案;(2)產品 A,B,C 的利潤分別在什么范圍內變動時,上述最優方案不變;(3)如果勞動 力數量不增,材料不足可以從市場購買,每單位0.4元,問該廠要不要購進原材料擴大生產,購買 多少為宜?(要求給出數學模型以及相關的程式 lingo 或者 R 或者 matlab)

解:(1)設生產A,B,C產量分別為 \(x_1,x_2,x_3\) , \(z\) 為目標,可得如下模型:

\[\begin{aligned} &\max \quad z=3x_1+2x_2+4x_3\\ & \quad\quad6x_1+3x_2+5x_3 \le 45\\ & \quad\quad3x_1+4x_2+5x_3 \le 30\\ & \quad\quad x_1,x_2,x_3\ge0; \end{aligned} \]

使用Lingo求解
代碼:

model:

max = 3*x1+2*x2+4*x3;

6*x1+3*x2+5*x3<=45;

3*x1+4*x2+5*x3<=30;

end

輸出結果為:

Global optimal solution found.
      Objective value:                              27.00000
      Infeasibilities:                              0.000000
      Total solver iterations:                             2
      Elapsed runtime seconds:                          0.05

      Model Class:                                        LP

      Total variables:                      3
      Nonlinear variables:                  0
      Integer variables:                    0

      Total constraints:                    6
      Nonlinear constraints:                0

      Total nonzeros:                      12
      Nonlinear nonzeros:                   0



                                    Variable           Value        Reduced Cost
                                          X1        5.000000            0.000000
                                          X2        0.000000            1.000000
                                          X3        3.000000            0.000000

                                         Row    Slack or Surplus      Dual Price
                                           1        27.00000            1.000000
                                           2        0.000000           0.2000000
                                           3        0.000000           0.6000000
                                           4        5.000000            0.000000
                                           5        0.000000            0.000000
                                           6        3.000000            0.000000

故最優方案為:生產5個A,0個B,3個C,且獲利最大為27.

(2) 靈敏度分析可得

Ranges in which the basis is unchanged:

                                       Objective Coefficient Ranges:

                                        Current        Allowable        Allowable
                      Variable      Coefficient         Increase         Decrease
                            X1         3.000000         1.800000        0.6000000
                            X2         2.000000         1.000000         INFINITY
                            X3         4.000000         1.000000         1.000000

                                           Righthand Side Ranges:

                                        Current        Allowable        Allowable
                           Row              RHS         Increase         Decrease
                             2         45.00000         15.00000         15.00000
                             3         30.00000         15.00000         7.500000

則A的范圍為[2.4,4.8],B的范圍為[0.0,3.0],C的范圍為[3.0,5.0],最優方案不變.

(3) 設購買原材料數量為\(x_4\).
模型改為

\[\max\ z=3x_1+2x_2+4x_3-0.4x_4\\ 6x_1+3x_2+5x_3 \le 45\\ 30+x_4=3x_1+4x_2+5x_3\\ x_1,x_2,x_3,x_4 \geq 0 \]

使用Lingo求解
代碼:

model:
    
max = 3*x1+2*x2+4*x3-0.4*x4;
6*x1+3*x2+5*x3 <= 45;
30+x4 = 3*x1+4*x2+5*x3;

end

輸出結果為:

      Global optimal solution found.
      Objective value:                              30.00000
      Infeasibilities:                              0.000000
      Total solver iterations:                             1
      Elapsed runtime seconds:                          0.04

      Model Class:                                        LP

      Total variables:                      4
      Nonlinear variables:                  0
      Integer variables:                    0

      Total constraints:                    7
      Nonlinear constraints:                0

      Total nonzeros:                      15
      Nonlinear nonzeros:                   0



                                    Variable           Value        Reduced Cost
                                          X1        0.000000           0.6000000
                                          X2        0.000000           0.8000000
                                          X3        9.000000            0.000000
                                          X4        15.00000            0.000000

                                         Row    Slack or Surplus      Dual Price
                                           1        30.00000            1.000000
                                           2        0.000000           0.4000000
                                           3        0.000000          -0.4000000
                                           4        0.000000            0.000000
                                           5        0.000000            0.000000
                                           6        9.000000            0.000000
                                           7        15.00000            0.000000

故購買原材料15個最合適,利潤最大為30.

轉載請註明出處,本文鏈接:https://www.uj5u.com/houduan/485738.html

標籤:R

上一篇:如何使用bat檔案回顯檔案夾內的所有檔案?

下一篇:將少量python嵌入到批處理腳本中

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態,例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1:當函式不可能拋出例外或不能接受拋出例外時,使用noexcept 理由 如果不打算拋出例外的話,程式就會認為無法處理這種錯誤,并且應當盡早終止,如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接:https://codeforces.com/problemset/problem/1400/E 來源:Codeforces 思路:給你一個陣列,現在你可以進行兩種操作,操作1:將一段沒有 0 的區間進行減一的操作,操作2:將 i 位置上的元素歸零。最終問:將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯,就附帶了一個自己的翻譯版本 思考 這一題,它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數,這里就不慢慢介紹了。但是,重讀題,我們突然發現反向質數都是 $7$ 位,而將它反過來后的數字卻是 $6$ 位數,這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記:C++中的 const 變數詳解,教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中,會分配記憶體(也就是說可以通過地址間接修改變數的值)。測驗代碼如下: 運行結果: 2、全域const變數存放在只讀資料段(不能通過地址修改,會發生寫入錯誤), 默認為外部聯編,可以給其他源檔案使用(需要用extern關鍵字修飾) 運行結果: ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中,添加資源 2. 點擊新添加的資源,復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案,編輯,使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索,點擊查找全部,然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h,在其中預先定義好宏 ID(不清楚其實ID值應該設定多少,可以先新建一個相同的資源項,再在這個資源的ID值的基礎上遞增即可) 2. 在資源視圖中選中專案資源,按F7編輯資源檔案,按 ID 型別 相對路徑的形式添加 資源。(別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記:關于C++的參考型別,專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考,也叫別名。 參考就是給一個變數名取一個變數名,方便我們間接地使用這個變數。我們可以給一個變數創建N個參考,這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間,占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名,但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++:初學者完整指南

    眾所周知,C ++的學習曲線陡峭,但是花時間學習這種語言將為您的職業帶來奇跡,并使您與其他開發人員區分開。您會更輕松地學習新語言,形成真正的解決問題的技能,并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣(即清晰一致的編碼風格,在撰寫代碼時注釋代碼,并限制類內部的可見性),并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標(smart pointers)是一類資料結構,是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標(pointer)是一個包含記憶體地址的變數的通用概念。這個地址參考,或 ” 指向”(points at)一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身,參考傳遞(如果傳遞的值需要實體化到堆里)如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如: 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號:Hunter后端 原文鏈接:Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類,Extract() 和 Trunc() Extract() 函式作用是提取日期,比如我們可以提取一個日期欄位的年份,月份,日等資料 Trunc() 的作用則是截取,比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM? JVM,全稱Java Virtual Machine(Java虛擬機),是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊,使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息!

    更新完微信服務號的模板訊息之后,我又趕緊把微信小程式的訂閱訊息給實作了!之前我一直以為微信小程式也是要企業才能申請,沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類: 位元組緩沖流:BufferedInputStream,BufferedOutputStream 字符緩沖流:BufferedReader,BufferedWriter 緩沖流的基本原理,是在創建流物件時,會創建一個內置的默認大小的緩沖區陣列,通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說,人太懶了,現在基本都不喜歡寫筆記了,但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的,寫的注釋挺全的,應該直接看得懂,就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景:視頻分段傳輸、視頻多段傳輸(理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發,從基本到高級概念,包括簡介,UWP,第一個應用程式,商店,XAML控制元件,資料系結,XAML性能,自適應設計,自適應UI,自適應代碼,檔案管理,SQLite資料庫,應用程式到應用程式通信,應用程式本地化,應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more