Lingo基本用法总结（除集函数部分） - 图文

Lingo基本用法总结（除集函数部分）

LINGO是用来求解线性和非线性优化问题的简易工具。Lingo免费版可以支持30个未知数，lingo破解版可以支持几万个未知数、几万个约束条件。

当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口：

外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要在该窗口内编码实现。下面举两个例子。 例1.1 如何在LINGO中求解如下的LP问题：

在模型窗口中输入如下代码： min=2*x1+3*x2; x1+x2>=350; x1>=100;

2*x1+x2<=600;

然后点击工具条上的按钮得到如下结果：

即可。

1

所以当x1为250，x2为100时目标函数得到最大值。

? 算术运算符

Lingo中变量不区分大小写，以字母开头不超过32个字符

算术运算符是针对数值进行操作的。LINGO提供了5种二元运算符： ＾ 乘方 ﹡ 乘 ／ 除 ﹢ 加 ﹣ 减 LINGO唯一的一元算术运算符是取反函数“﹣”。 这些运算符的优先级由高到底为：

高 ﹣（取反） ＾ ﹡／ 低 ﹢﹣

运算符的运算次序为从左到右按优先级高低来执行。运算的次序可以用圆括号“（）”来改变。

2

例：在x1+x2>=350，x1>=100，2*x1+x2<=600的条件下求2*x1+3*x2的最小值 在代码窗口中编写 min=2*x1+3*x2; x1+x2>=350; x1>=100;

2*x1+x2<=600;

然后单击上面菜单lingo菜单下solve键即可。

? 数学函数

标准数学函数：

@abs(x) 返回x的绝对值

@sin(x) 返回x的正弦值，x采用弧度制 @cos(x) 返回x的余弦值 @tan(x) 返回x的正切值 @exp(x) 返回常数e的x次方 @log(x) 返回x的自然对数

@lgm(x) 返回x的gamma函数的自然对数 @sign(x) 如果x<0返回-1；否则，返回1

@floor(x) 返回x的整数部分。当x>=0时，返回不超过x的最大整数；当

x<0时，返回不低于x的最大整数。

最大最小函数：

@smax(x1,x2,?,xn) 返回x1，x2，?，xn中的最大值 @smin(x1,x2,?,xn) 返回x1，x2，?，xn中的最小值 边界限定函数：

@bin(x) 限制x为0或1 @bnd(L,x,U) 限制L≤x≤U

@free(x) 取消对变量x的默认下界为0的限制，即x可以取任意实数 @gin(x) 限制x为整数 辅助函数

1．@if(logical_condition,true_result,false_result)

@if函数将评价一个逻辑表达式logical_condition，如果为真，返回true_ result，否则返回false_result

在默认情况下，LINGO规定变量是非负的，也就是说下界为0，上界为+∞。@free取消了默认的下界为0的限制，使变量也可以取负值。@bnd用于设定一个变量的上下界,它也可以取消默认下界为0的约束。

例：求

Minx12?3x2?x1x2?ex3?x1?x2?350??x1?x3?50?2x?x?x?600?123 其中x1只能取0或1；x2为整数

在代码窗口中编写

min=x1^2+3*x2-x1*x2+@exp(x3);

3

x1+x2>=350; x1+x3<50;

2*x1+x2+x3<=600; @bin(x1);@gin(x2);

以上是lingo最基本的用法

? 逻辑运算符

LINGO具有９种逻辑运算符：

#not# 否定该操作数的逻辑值，＃not＃是一个一元运算符 #eq# 若两个运算数相等，则为true；否则为flase #ne# 若两个运算符不相等，则为true；否则为flase

#gt# 若左边的运算符严格大于右边的运算符，则为true；否则为flase #ge# 若左边的运算符大于或等于右边的运算符，则为true；否则为flase #lt# 若左边的运算符严格小于右边的运算符，则为true；否则为flase #le# 若左边的运算符小于或等于右边的运算符，则为true；否则为flase #and# 仅当两个参数都为true时，结果为true；否则为flase #or# 仅当两个参数都为false时，结果为false；否则为true 这些运算符的优先级由高到低为： 高 #not#

#eq# #ne# #gt# #ge# #lt# #le# 低 #and# #or#

例4.2 逻辑运算符示例

2 #gt# 3 #and# 4 #gt# 2，其结果为假（0）。

? 模型求解状态

@status()

返回LINGO求解模型结束后的状态： 0 Global Optimum（全局最优） 1 Infeasible（不可行） 2 Unbounded（无界）

3 Undetermined（不确定） 4 Feasible（可行）

5 Infeasible or Unbounded（通常需要关闭“预处理”选项后重新求解模型，以确定模型究竟是不可行还是无界）

6 Local Optimum（局部最优） 7 Locally Infeasible（局部不可行，尽管可行解可能存在，但是LINGO并没有找到一个）

8 Cutoff（目标函数的截断值被达到）

9 Numeric Error（求解器因在某约束中遇到无定义的算术运算而停止）

通常，如果返回值不是0、4或6时，那么解将不可信，几乎不能用。该函数仅被用在模型的数据部分来输出数据。

4

解窗口说明

例5.1某家具公司制造书桌、餐桌和椅子，所用的资源有三种：木料、木工和漆工。生产数据如下表所示：

木料 漆工 木工 成品单价 每个书桌 8单位 4单位 2单位 60单位 每个餐桌 6单位 2单位 1.5单位 30单位 每个椅子 1单位 1.5单位 0.5单位 20单位 现有资源总数 48单位 20单位 8单位 若要求桌子的生产量不超过5件，如何安排三种产品的生产可使利润最大？

用DESKS、TABLES和CHAIRS分别表示三种产品的生产量，建立LP模型。

max=60*desks+30*tables+20*chairs; 8*desks+6*tables+chairs<=48; 4*desks+2*tables+1.5*chairs<=20; 2*desks+1.5*tables+.5*chairs<=8; tables<=5;

求解这个模型，并激活灵敏性分析。这时，查看报告窗口（Reports Window）,可以看到如下结果。

“Global optimal solution found at iteration: 3”表示3次迭代后得到全局最优解。 “Objective value:280.0000”表示最优目标值为280。 “Value”给出最优解中各变量的值：造2个书桌（desks）, 0个餐桌（tables）, 8个椅子（chairs）。所以desks、chairs是基变量（非0），tables是非基变量（0）。 “Slack or Surplus”给出松驰变量的值：

第1行松驰变量 =280（模型第一行表示目标函数，所以第二行对应第一个约束） 第2行松驰变量 =24 第3行松驰变量 =0

5

第4行松驰变量 =0 第5行松驰变量 =5

“Reduced Cost”列出最优单纯形表中判别数所在行的变量的系数，表示当变量有微小变动时, 目标函数的变化率。其中基变量的reduced cost值应为0， 对于非基变量 Xj, 相应的 reduced cost值表示当某个变量Xj 增加一个单位时目标函数减少的量( max型问题)。本例中：变量tables对应的reduced cost值为5，表示当非基变量tables的值从0变为 1时（此时假定其他非基变量保持不变,但为了满足约束条件，基变量显然会发生变化），最优的目标函数值 = 280 - 5 = 275。

“DUAL PRICE”（对偶价格）表示当对应约束有微小变动时, 目标函数的变化率。输出结果中对应于每一个约束有一个对偶价格。 若其数值为p， 表示对应约束中不等式右端项若增加1 个单位，目标函数将增加p个单位（max型问题）。显然，如果在最优解处约束正好取等号（也就是“紧约束”，也称为有效约束或起作用约束），对偶价格值才可能不是0。本例中：第3、4行是紧约束，对应的对偶价格值为10，表示当紧约束

3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 20 变为 3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 21 时，目标函数值 = 280 +10 = 290。对第4行也类似。 对于非紧约束（如本例中第2、5行是非紧约束），DUAL PRICE 的值为0, 表示对应约束中不等式右端项的微小扰动不影响目标函数。有时, 通过分析DUAL PRICE, 也可对产生不可行问题的原因有所了解。

灵敏度分析的结果是

Ranges in which the basis is unchanged:

Objective Coefficient Ranges

Current Allowable Allowable Variable Coefficient Increase Decrease DESKS 60.00000 0.0 0.0 TABLES 30.00000 0.0 0.0 CHAIRS 20.00000 0.0 0.0

Righthand Side Ranges

Row Current Allowable Allowable RHS Increase Decrease 2 48.00000 0.0 0.0 3 20.00000 0.0 0.0 4 8.000000 0.0 0.0 5 5.000000 0.0 0.0

目标函数中DESKS变量原来的费用系数为60，允许增加（Allowable Increase）=4、允许减少（Allowable Decrease）=2，说明当它在[60-4，60+20] = [56，80]范围变化时，最优基保持不变。对TABLES、CHAIRS变量，可以类似解释。由于此时约束没有变化（只是目标函数中某个费用系数发生变化），所以最优基保持不变的意思也就是最优解不变（当然，由于目标函数中费用系数发生了变化，所以最优值会变化）。

第2行约束中右端项（Right Hand Side，简写为RHS）原来为48，当它在[48-24，48+∞] = [24，∞]范围变化时，最优基保持不变。第3、4、5行可以类似解释。不过由于此时约束发生变化，最优基即使不变，最优解、最优值也会发生变化。

6

灵敏性分析结果表示的是最优基保持不变的系数范围。由此，也可以进一步确定当目标函数的费用系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。下面我们通过求解一个实际问题来进行说明。

例5.2一奶制品加工厂用牛奶生产A1,A2两种奶制品，1桶牛奶可以在甲车间用12小时加工成3公斤A1，或者在乙车间用8小时加工成4公斤A2。根据市场需求，生产的A1,A2全部能售出，且每公斤A1获利24元，每公斤A2获利16元。现在加工厂每天能得到50桶牛奶的供应，每天正式工人总的劳动时间480小时，并且甲车间每天至多能加工100公斤A1，乙车间的加工能力没有限制。试为该厂制订一个生产计划，使每天获利最大，并进一步讨论以下3个附加问题：

1） 若用35元可以买到1桶牛奶，应否作这项投资？若投资，每天最多购买多少桶牛奶？

2） 若可以聘用临时工人以增加劳动时间，付给临时工人的工资最多是每小时几元？ 3） 由于市场需求变化，每公斤A1的获利增加到30元，应否改变生产计划？ 模型代码如下：

max=72*x1+64*x2; x1+x2<=50; 12*x1+8*x2<=480; 3*x1<=100;

求解这个模型并做灵敏性分析，结果如下。

Global optimal solution found at iteration: 0 Objective value: 3360.000

Variable Value Reduced Cost X1 20.00000 0.000000 X2 30.00000 0.000000 Row Slack or Surplus Dual Price 1 3360.000 1.000000 2 0.000000 48.00000 3 0.000000 2.000000 4 40.00000 0.000000

Ranges in which the basis is unchanged:

Objective Coefficient Ranges

Current Allowable Allowable

Variable Coefficient Increase Decrease

X1 72.00000 24.00000 8.000000 X2 64.00000 8.000000 16.00000 Righthand Side Ranges

Row Current Allowable Allowable RHS Increase Decrease 2 50.00000 10.00000 6.666667 3 480.0000 53.33333 80.00000

7

4 100.0000 INFINITY 40.00000

结果告诉我们：这个线性规划的最优解为x1=20，x2=30，最优值为z=3360，即用20桶牛奶生产A1, 30桶牛奶生产A2，可获最大利润3360元。输出中除了告诉我们问题的最优解和最优值以外，还有许多对分析结果有用的信息，下面结合题目中提出的3个附加问题给予说明。 3个约束条件的右端不妨看作3种“资源”：原料、劳动时间、车间甲的加工能力。输出中Slack or Surplus给出这3种资源在最优解下是否有剩余：原料、劳动时间的剩余均为零，车间甲尚余40（公斤）加工能力。

目标函数可以看作“效益”，成为紧约束的“资源”一旦增加，“效益”必然跟着增长。输出中DUAL PRICES 给出这3种资源在最优解下“资源”增加1个单位时“效益”的增量：原料增加1个单位（1桶牛奶）时利润增长48（元），劳动时间增加1个单位（1小时）时利润增长2（元），而增加非紧约束车间甲的能力显然不会使利润增长。这里，“效益”的增量可以看作“资源”的潜在价值，经济学上称为影子价格，即1桶牛奶的影子价格为48元，1小时劳动的影子价格为2元，车间甲的影子价格为零。读者可以用直接求解的办法验证上面的结论，即将输入文件中原料约束milk）右端的50改为51，看看得到的最优值（利润）是否恰好增长48（元）。用影子价格的概念很容易回答附加问题1）：用35元可以买到1桶牛奶，低于1桶牛奶的影子价格48，当然应该作这项投资。回答附加问题2）：聘用临时工人以增加劳动时间，付给的工资低于劳动时间的影子价格才可以增加利润，所以工资最多是每小时2元。

目标函数的系数发生变化时（假定约束条件不变），最优解和最优值会改变吗？这个问题不能简单地回答。上面输出给出了最优基不变条件下目标函数系数的允许变化范围：x1的系数为（72-8，72+24）=（64，96）；x2的系数为（64-16，64+8）=（48，72）。注意：x1系数的允许范围需要x2系数64不变，反之亦然。由于目标函数的费用系数变化并不影响约束条件，因此此时最优基不变可以保证最优解也不变，但最优值变化。用这个结果很容易回答附加问题3）：若每公斤A1的获利增加到30元，则x1系数变为30×3=90，在允许范围内，所以不应改变生产计划，但最优值变为90×20+64×30=3720。

下面对“资源”的影子价格作进一步的分析。影子价格的作用（即在最优解下“资源”增加1个单位时“效益”的增量）是有限制的。每增加1桶牛奶利润增长48元（影子价格），但是，上9

面输出的CURRENT RHS 的ALLOWABLE INCREASE 和 ALLOWABLE DECREASE 给出了影子价格有意义条件下约束右端的限制范围： milk）原料最多增加10（桶牛奶），time）劳动时间最多增加53（小时）。现在可以回答附加问题1）的第2问：虽然应该批准用35元买1桶牛奶的投资，但每天最多购买10桶牛奶。顺便地说，可以用低于每小时2元的工资聘用临时工人以增加劳动时间，但最多增加53.3333小时。

需要注意的是：灵敏性分析给出的只是最优基保持不变的充分条件，而不一定是必要条件。比如对于上面的问题，“原料最多增加10（桶牛奶）”的含义只能是“原料增加10（桶牛奶）”时最优基保持不变，所以影子价格有意义，即利润的增加大于牛奶的投资。反过来，原料增加超过10（桶牛奶），影子价格是否一定没有意义？最优基是否一定改变？一般来说，这是不能从灵敏性分析报告中直接得到的。此时，应该重新用新数据求解规划模型，才能做出判断。所以，从正常理解的角度来看，我们上面回答“原料最多增加10（桶牛奶）”并不是完全科学的。

8

LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。

§1 LINGO快速入门

当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口：

外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要在该窗口内编码实现。下面举两个例子。

例1.1 如何在LINGO中求解如下的LP问题：

在x1+x2>=350，x1>=100，2*x1+x2<=600的条件下求2*x1+3*x2的最小值.

在模型窗口中输入如下代码： min=2*x1+3*x2; x1+x2>=350; x1>=100;

2*x1+x2<=600; 然后点击工具条上的按钮

例1.2 使用LINGO软件计算6个发点8个收点的最小费用运输问题。产销单位运价如下表。 单 位 销地 运 价 产地 A1 A2 即可。

B1 B2 B3 B4 B5 B6 B7 B8 产量 6 4 2 9 6 5 7 3 4 8 2 5 5 8 9 2 60 55 9

A3 A4 A5 A6 销量 model:

5 7 2 5 35 2 6 3 5 37 1 7 9 2 22 9 3 5 2 32 7 9 7 8 41 4 2 2 1 32 3 7 6 4 43 3 1 5 3 38 51 43 41 52 使用LINGO软件，编制程序如下：

!6发点8收点运输问题; sets:

warehouses/wh1..wh6/: capacity; vendors/v1..v8/: demand;

links(warehouses,vendors): cost, volume; endsets

!目标函数;

min=@sum(links: cost*volume); !需求约束;

@for(vendors(J):

@sum(warehouses(I): volume(I,J))=demand(J)); !产量约束;

@for(warehouses(I):

@sum(vendors(J): volume(I,J))<=capacity(I));

!这里是数据; data:

capacity=60 55 51 43 41 52; demand=35 37 22 32 41 32 43 38; cost=6 2 6 7 4 2 9 5 4 9 5 3 8 5 8 2 5 2 1 9 7 4 3 3 7 6 7 3 9 2 7 1 2 3 9 5 7 2 6 5 5 5 2 2 8 1 4 3; enddata end

然后点击工具条上的按钮 即可。

为了能够使用LINGO的强大功能，接着第二节的学习吧。

§2 LINGO中的集

对实际问题建模的时候，总会遇到一群或多群相联系的对象，比如工厂、消费者群体、

10

在数据部分也可以指定一些标量变量（scalar variables）。当一个标量变量在数据部分确定时，称之为参数。看一例，假设模型中用利率8.5%作为一个参数，就可以象下面一样输入一个利率作为参数。 例3.3

data:

interest_rate = .085; enddata

也可以同时指定多个参数。 例3.4

data:

interest_rate,inflation_rate = .085 .03; enddata

3.1.3 实时数据处理 在某些情况，对于模型中的某些数据并不是定值。譬如模型中有一个通货膨胀率的参数，我们想在2%至6%范围内，对不同的值求解模型，来观察模型的结果对通货膨胀的依赖有多么敏感。我们把这种情况称为实时数据处理（what if analysis）。LINGO有一个特征可方便地做到这件事。

在本该放数的地方输入一个问号（?）。 例3.5

data:

interest_rate,inflation_rate = .085 ?; enddata

每一次求解模型时，LINGO都会提示为参数inflation_rate输入一个值。在WINDOWS操作系统下，将会接收到一个类似下面的对话框：

直接输入一个值再点击OK按钮，LINGO就会把输入的值指定给inflation_rate，然后继续求解模型。

除了参数之外，也可以实时输入集的属性值，但不允许实时输入集成员名。 3.1.4 指定属性为一个值

可以在数据声明的右边输入一个值来把所有的成员的该属性指定为一个值。看下面的例子。 例3.6

sets:

days /MO,TU,WE,TH,FR,SA,SU/:needs; endsets

16

data:

needs = 20; enddata

LINGO将用20指定days集的所有成员的needs属性。对于多个属性的情形，见下例。 例3.7

sets:

days /MO,TU,WE,TH,FR,SA,SU/:needs,cost; endsets data:

needs cost = 20 100; enddata

3.1.5 数据部分的未知数值

有时只想为一个集的部分成员的某个属性指定值，而让其余成员的该属性保持未知，以便让LINGO去求出它们的最优值。在数据声明中输入两个相连的逗号表示该位置对应的集成员的属性值未知。两个逗号间可以有空格。 例3.8

sets:

years/1..5/: capacity; endsets data:

capacity = ,34,20,,; enddata

属性capacity的第2个和第3个值分别为34和20，其余的未知。

3.2 模型的初始部分

初始部分是LINGO提供的另一个可选部分。在初始部分中，可以输入初始声明（initialization statement），和数据部分中的数据声明相同。对实际问题的建模时，初始部分并不起到描述模型的作用，在初始部分输入的值仅被LINGO求解器当作初始点来用，并且仅仅对非线性模型有用。和数据部分指定变量的值不同，LINGO求解器可以自由改变初始部分初始化的变量的值。

一个初始部分以“init:”开始，以“endinit”结束。初始部分的初始声明规则和数据部分的数据声明规则相同。也就是说，我们可以在声明的左边同时初始化多个集属性，可以把集属性初始化为一个值，可以用问号实现实时数据处理，还可以用逗号指定未知数值。 例3.9

init:

X, Y = 0, .1; endinit Y=@log(X); X^2+Y^2<=1;

好的初始点会减少模型的求解时间。 在这一节中，我们仅带大家接触了一些基本的数据输入和初始化概念，不过现在你应该可以轻松的为自己的模型加入原始数据和初始部分啦。

17

§4 LINGO函数

有了前几节的基础知识，再加上本节的内容，你就能够借助于LINGO建立并求解复杂的优化模型了。

LINGO有9种类型的函数：

1． 基本运算符：包括算术运算符、逻辑运算符和关系运算符 2． 数学函数：三角函数和常规的数学函数 3． 金融函数：LINGO提供的两种金融函数

4． 概率函数：LINGO提供了大量概率相关的函数

5． 变量界定函数：这类函数用来定义变量的取值范围 6． 集操作函数：这类函数为对集的操作提供帮助

7． 集循环函数：遍历集的元素，执行一定的操作的函数

8． 数据输入输出函数：这类函数允许模型和外部数据源相联系，进行数据的输入输出 9． 辅助函数：各种杂类函数

4.1 基本运算符

这些运算符是非常基本的，甚至可以不认为它们是一类函数。事实上，在LINGO中它们是非常重要的。

4.1.1 算术运算符

算术运算符是针对数值进行操作的。LINGO提供了5种二元运算符： ＾ 乘方 ﹡ 乘 ／ 除 ﹢ 加 ﹣ 减

LINGO唯一的一元算术运算符是取反函数“﹣”。 这些运算符的优先级由高到底为： 高 ﹣（取反） ＾ ﹡／ 低 ﹢﹣

运算符的运算次序为从左到右按优先级高低来执行。运算的次序可以用圆括号“（）”来改变。

例4.1 算术运算符示例。 2﹣5／3，(2﹢4)／5等等。 4.1.2 逻辑运算符 在LINGO中，逻辑运算符主要用于集循环函数的条件表达式中，来控制在函数中哪些集成员被包含，哪些被排斥。在创建稀疏集时用在成员资格过滤器中。

LINGO具有９种逻辑运算符：

#not# 否定该操作数的逻辑值，＃not＃是一个一元运算符 #eq# 若两个运算数相等，则为true；否则为flase #ne# 若两个运算符不相等，则为true；否则为flase

#gt# 若左边的运算符严格大于右边的运算符，则为true；否则为flase #ge# 若左边的运算符大于或等于右边的运算符，则为true；否则为flase

18

#lt# 若左边的运算符严格小于右边的运算符，则为true；否则为flase #le# 若左边的运算符小于或等于右边的运算符，则为true；否则为flase #and# 仅当两个参数都为true时，结果为true；否则为flase #or# 仅当两个参数都为false时，结果为false；否则为true 这些运算符的优先级由高到低为： 高 #not#

#eq# #ne# #gt# #ge# #lt# #le# 低 #and# #or#

例4.2 逻辑运算符示例

2 #gt# 3 #and# 4 #gt# 2，其结果为假（0）。 4.1.3 关系运算符

在LINGO中，关系运算符主要是被用在模型中，来指定一个表达式的左边是否等于、小于等于、或者大于等于右边，形成模型的一个约束条件。关系运算符与逻辑运算符#eq#、#le#、#ge#截然不同，前者是模型中该关系运算符所指定关系的为真描述，而后者仅仅判断一个该关系是否被满足：满足为真，不满足为假。

LINGO有三种关系运算符：“=”、“<=”和“>=”。LINGO中还能用“<”表示小于等于关系，“>”表示大于等于关系。LINGO并不支持严格小于和严格大于关系运算符。然而，如果需要严格小于和严格大于关系，比如让A严格小于B：

A

那么可以把它变成如下的小于等于表达式：

A+ε<=B，

这里ε是一个小的正数，它的值依赖于模型中A小于B多少才算不等。

下面给出以上三类操作符的优先级： 高 #not# ﹣（取反） ＾ ﹡ ／

﹢﹣

#eq# #ne# #gt# #ge# #lt# #le# #and# #or# 低 <= = >= 4.2 数学函数

LINGO提供了大量的标准数学函数： @abs(x) 返回x的绝对值

@sin(x) 返回x的正弦值，x采用弧度制 @cos(x) 返回x的余弦值 @tan(x) 返回x的正切值 @exp(x) 返回常数e的x次方 @log(x) 返回x的自然对数

@lgm(x) 返回x的gamma函数的自然对数 @sign(x) 如果x<0返回-1；否则，返回1

@floor(x) 返回x的整数部分。当x>=0时，返回不超过x的最大整数；当

x<0时，返回不低于x的最大整数。

@smax(x1,x2,?,xn) 返回x1，x2，?，xn中的最大值

19

@smin(x1,x2,?,xn) 返回x1，x2，?，xn中的最小值

例4.3 给定一个直角三角形，求包含该三角形的最小正方形。 解：如图所示。

求最小的正方形就相当于求如下的最优化问题：

C a x B b A

D E

LINGO代码如下：

model: sets:

object/1..3/: f; endsets data:

a, b = 3, 4; !两个直角边长，修改很方便; enddata

f(1) = a * @sin(x); f(2) = b * @cos(x);

f(3) = a * @cos(x) + b * @sin(x); min = @smax(f(1),f(2),f(3)); @bnd(0,x,1.57); end

在上面的代码中用到了函数@bnd，详情请见4.5节。

4.3 金融函数

目前LINGO提供了两个金融函数。 1．@fpa(I,n)

返回如下情形的净现值：单位时段利率为I，连续n个时段支付，每个时段支付单位费用。若每个时段支付x单位的费用，则净现值可用x乘以@fpa(I,n)算得。@fpa的计算公式为

N??1??n?@fpa(I,N)??1/(1?I)?1??I ????1?I??n?1??N净现值就是在一定时期内为了获得一定收益在该时期初所支付的实际费用。

例4.4 贷款买房问题 贷款金额50000元，贷款年利率5.31%，采取分期付款方式（每年年末还固定金额，直至还清）。问拟贷款10年，每年需偿还多少元？ LINGO代码如下：

50000 = x * @fpa(.0531,10);

答案是x=6573.069元。

2．@fpl(I,n)

返回如下情形的净现值：单位时段利率为I，第n个时段支付单位费用。@fpl(I,n)的计算公式为

20

START( FRI) 3.000000 0.000000 START( SAT) 3.000000 0.000000 START( SUN) 0.000000 0.000000

从而解决方案是：每周最少需要22个职员，周一安排8人，周二安排2人，周三无需安排人，周四安排6人，周五和周六都安排3人，周日无需安排人。

4．@prod

该函数返回遍历指定的集成员的一个表达式的积。

4.8 输入和输出函数

输入和输出函数可以把模型和外部数据比如文本文件、数据库和电子表格等连接起来。 1．@file函数

该函数用来从外部文件中输入数据，可以放在模型中任何地方。该函数的语法格式为@file(’filename’)。这里filename是文件名，可以采用相对路径和绝对路径两种表示方式。@file函数对同一文件的两种表示方式的处理和对两个不同的文件处理是一样的，这一点必须注意。

例4.14 以例1.2来讲解@file函数的用法。

注意到在例1.2的编码中有两处涉及到数据。第一个地方是集部分的6个warehouses集成员和8个vendors集成员；第二个地方是数据部分的capacity，demand和cost数据。

为了使数据和我们的模型完全分开，我们把它们移到外部的文本文件中。修改模型代码以便于用@file函数把数据从文本文件中拖到模型中来。修改后（修改处代码黑体加粗）的模型代码如下：

model:

!6发点8收点运输问题; sets:

warehouses/ @file('1_2.txt') /: capacity; vendors/ @file('1_2.txt') /: demand;

links(warehouses,vendors): cost, volume; endsets

!目标函数;

min=@sum(links: cost*volume); !需求约束;

@for(vendors(J):

@sum(warehouses(I): volume(I,J))=demand(J)); !产量约束;

@for(warehouses(I):

@sum(vendors(J): volume(I,J))<=capacity(I));

!这里是数据; data:

capacity = @file('1_2.txt') ; demand = @file('1_2.txt') ; cost = @file('1_2.txt') ; enddata

26

end

模型的所有数据来自于1_2.txt文件。其内容如下： !warehouses成员;

WH1 WH2 WH3 WH4 WH5 WH6 ~

!vendors成员;

V1 V2 V3 V4 V5 V6 V7 V8 ~ !产量;

60 55 51 43 41 52 ~ !销量;

35 37 22 32 41 32 43 38 ~

!单位运输费用矩阵; 6 2 6 7 4 2 5 9 4 9 5 3 8 5 8 2 5 2 1 9 7 4 3 3 7 6 7 3 9 2 7 1 2 3 9 5 7 2 6 5 5 5 2 2 8 1 4 3

把记录结束标记（~）之间的数据文件部分称为记录。如果数据文件中没有记录结束标记，那么整个文件被看作单个记录。注意到除了记录结束标记外，模型的文本和数据同它们直接放在模型里是一样的。

我们来看一下在数据文件中的记录结束标记连同模型中@file函数调用是如何工作的。当在模型中第一次调用@file函数时，LINGO打开数据文件，然后读取第一个记录；第二次调用@file函数时，LINGO读取第二个记录等等。文件的最后一条记录可以没有记录结束标记，当遇到文件结束标记时，LINGO会读取最后一条记录，然后关闭文件。如果最后一条记录也有记录结束标记，那么直到LINGO求解完当前模型后才关闭该文件。如果多个文件保持打开状态，可能就会导致一些问题，因为这会使同时打开的文件总数超过允许同时打开文件的上限16。

当使用@file函数时，可把记录的内容（除了一些记录结束标记外）看作是替代模型中@file(’filename’)位置的文本。这也就是说，一条记录可以是声明的一部分，整个声明，或一系列声明。在数据文件中注释被忽略。注意在LINGO中不允许嵌套调用@file函数。

2．@text函数

该函数被用在数据部分用来把解输出至文本文件中。它可以输出集成员和集属性值。其语法为

@text([’filename’])

这里filename是文件名，可以采用相对路径和绝对路径两种表示方式。如果忽略filename，那么数据就被输出到标准输出设备（大多数情形都是屏幕）。@text函数仅能出现在模型数据部分的一条语句的左边，右边是集名（用来输出该集的所有成员名）或集属性名（用来输出该集属性的值）。

我们把用接口函数产生输出的数据声明称为输出操作。输出操作仅当求解器求解完模型后才执行，执行次序取决于其在模型中出现的先后。

27

例4.15 借用例4.12，说明@text的用法。

model: sets:

days/mon..sun/: required,start; endsets data:

!每天所需的最少职员数;

required = 20 16 13 16 19 14 12;

@text('d:\\out.txt')=days '至少需要的职员数为' start; enddata

!最小化每周所需职员数;

min=@sum(days: start); @for(days(J):

@sum(days(I) | I #le# 5:

start(@wrap(J+I+2,7))) >= required(J)); end

3．@ole函数

@OLE是从EXCEL中引入或输出数据的接口函数，它是基于传输的OLE技术。OLE传输直接在内存中传输数据，并不借助于中间文件。当使用@OLE时，LINGO先装载EXCEL，再通知EXCEL装载指定的电子数据表，最后从电子数据表中获得Ranges。为了使用OLE函数，必须有EXCEL5及其以上版本。OLE函数可在数据部分和初始部分引入数据。

@OLE可以同时读集成员和集属性，集成员最好用文本格式，集属性最好用数值格式。原始集每个集成员需要一个单元(cell)，而对于n元的派生集每个集成员需要n个单元，这里第一行的n个单元对应派生集的第一个集成员，第二行的n个单元对应派生集的第二个集成员，依此类推。

@OLE只能读一维或二维的Ranges（在单个的EXCEL工作表(sheet)中），但不能读间断的或三维的Ranges。Ranges是自左而右、自上而下来读。

例4.16

sets:

PRODUCT; !产品; MACHINE; !机器; WEEK; !周;

ALLOWED(PRODUCT,MACHINE,WEEK):x,y; !允许组合及属性; endsets data:

rate=0.01;

PRODUCT,MACHINE,WEEK,ALLOWED,x,y=@OLE('D:\\IMPORT.XLS'); @OLE('D:\\IMPORT.XLS')=rate; enddata

代替在代码文本的数据部分显式输入形式，我们把相关数据全部放在如下电子数据表中来输入。下面是D:\\IMPORT.XLS的图表。

除了输入数据之外，我们也必须定义Ranges名：PRODUCT，MACHINE，WEEK，ALLOWED，x，y. 明确的，我们需要定义如下的Ranges名：

Name Range

28

PRODUCT B3:B4 MACHINE C3:C4 WEEK D3:D5 ALLOWED B8:D10

X F8:F10 Y G8:G10 rate C13

为了在EXCEL中定义Ranges名：

① 按鼠标左键拖曳选择Range， ② 释放鼠标按钮，

③ 选择“插入|名称|定义”， ④ 输入希望的名字， ⑤ 点击“确定”按钮。

我们在模型的数据部分用如下代码从EXECL中引入数据：

PRODUCT,MACHINE,WEEK,ALLOWED,x,y=@OLE('D:\\IMPORT.XLS'); @OLE('D:\\IMPORT.XLS')=rate; 等价的描述为

PRODUCT,MACHINE,WEEK,ALLOWED,x,y

=@OLE('D:\\IMPORT.XLS', PRODUCT,MACHINE,WEEK,ALLOWED,x,y); @OLE('D:\\IMPORT.XLS',rate)=rate;

这一等价描述使得变量名和Ranges不同亦可。

4．@ranged(variable_or_row_name)

为了保持最优基不变，变量的费用系数或约束行的右端项允许减少的量。 5．@rangeu(variable_or_row_name)

为了保持最优基不变，变量的费用系数或约束行的右端项允许增加的量。 6．@status()

返回LINGO求解模型结束后的状态： 0 Global Optimum（全局最优） 1 Infeasible（不可行） 2 Unbounded（无界）

3 Undetermined（不确定） 4 Feasible（可行）

5 Infeasible or Unbounded（通常需要关闭“预处理”选项后重新求解模型，以确定模型究竟是不可行还是无界）

6 Local Optimum（局部最优） 7 Locally Infeasible（局部不可行，尽管可行解可能存在，但是LINGO并没有找到一个）

8 Cutoff（目标函数的截断值被达到）

9 Numeric Error（求解器因在某约束中遇到无定义的算术运算而停止）

通常，如果返回值不是0、4或6时，那么解将不可信，几乎不能用。该函数仅被用在模型的数据部分来输出数据。 例4.17

model:

29

min=@sin(x); data:

@text()=@status(); enddata end

部分计算结果为：

Local optimal solution found at iteration: 33 Objective value: -1.000000

6

Variable Value Reduced Cost X 4.712388 0.000000

结果中的6就是@status()返回的结果，表明最终解是局部最优的。 7．@dual

@dual(variable_or_row_name)返回变量的判别数（检验数）或约束行的对偶（影子）价格（dual prices）。 4.9 辅助函数

1．@if(logical_condition,true_result,false_result)

@if函数将评价一个逻辑表达式logical_condition，如果为真，返回true_ result，否则返回false_result。 例4.18 求解最优化问题

其LINGO代码如下：

model: min=fx+fy;

fx=@if(x #gt# 0, 100,0)+2*x; fy=@if(y #gt# 0,60,0)+3*y; x+y>=30; end

2．@warn(’text’,logical_condition)

如果逻辑条件logical_condition为真，则产生一个内容为’text’的信息框。 例4.19 示例。

model: x=1;

@warn('x是正数',x #gt# 0); end

§5 LINGO WINDOWS命令

5.1 文件菜单（File Menu） 1． 新建（New）

从文件菜单中选用“新建”命令、单击“新建”按钮或直接按F2键可以创建一个新的“Model”窗口。在这个新的“Model”窗口中能够输入所要求解的模型。

30

2． 打开（Open）

从文件菜单中选用“打开”命令、单击“打开”按钮或直接按F3键可以打开一个已经存在的文本文件。这个文件可能是一个Model文件。

3． 保存(Save)

从文件菜单中选用“保存”命令、单击“保存”按钮或直接按F4键用来保存当前活动窗口（最前台的窗口）中的模型结果、命令序列等保存为文件。

4． 另存为．．．(Save As．．．) 从文件菜单中选用“另存为．．．”命令或按F5键可以将当前活动窗口中的内容保存为文本文件，其文件名为你在“另存为．．．”对话框中输入的文件名。利用这种方法你可以将任何窗口的内容如模型、求解结果或命令保存为文件。

5． 关闭（Close）

在文件菜单中选用“关闭”(Close)命令或按F6键将关闭当前活动窗口。如果这个窗口是新建窗口或已经改变了当前文件的内容，LINGO系统将会提示是否想要保存改变后的内容。

6． 打印(Print)

在文件菜单中选用“打印” (Print)命令、单击“打印”按钮或直接按F7键可以将当前活动窗口中的内容发送到打印机。

7． 打印设置(Print Setup．．．) 在文件菜单中选用“打印设置．．．”命令或直接按F8键可以将文件输出到指定的打印机。

8． 打印预览(Print Preview) 在文件菜单中选用“打印预览．．．”命令或直接按Shift+F8键可以进行打印预览。

9． 输出到日志文件(Log Output．．．) 从文件菜单中选用“Log Output．．．”命令或按F9键打开一个对话框，用于生成一个日志文件，它存储接下来在“命令窗口”中输入的所有命令。

10．提交LINGO命令脚本文件(Take Commands．．．) 从文件菜单中选用“Take Commands．．．”命令或直接按F11键就可以将LINGO命令脚本（command script）文件提交给系统进程来运行。

11．引入LINGO文件(Import Lingo File．．．) 从文件菜单中选用“Import Lingo File．．．”命令或直接按F12键可以打开一个LINGO格式模型的文件，然后LINGO系统会尽可能把模型转化为LINGO语法允许的程序。

12．退出（Exit）

从文件菜单中选用“Exit”命令或直接按F10键可以退出LINGO系统。

5.2 编辑菜单(Edit Menu) 1． 恢复(Undo)

从编辑菜单中选用“恢复”（Undo）命令或按Ctrl+Z组合键，将撤销上次操作、恢复至其前的状态。

2． 剪切(Cut)

从编辑菜单中选用“剪切”（Cut）命令或按Ctrl+X组合键可以将当前选中的内容剪切至剪贴板中。

3． 复制(Copy)

从编辑菜单中选用“复制”（Copy）命令、单击“复制”按钮或按Ctrl+C组合键可以将当前选中的内容复制到剪贴板中。

4． 粘贴(Paste)

31

从编辑菜单中选用“粘贴”（Paste）命令、单击“粘贴”按钮或按Ctrl+V组合键可以将粘贴板中的当前内容复制到当前插入点的位置。

5． 粘贴特定..（Paste Special。。）

与上面的命令不同，它可以用于剪贴板中的内容不是文本的情形。

6． 全选(Select All)

从编辑菜单中选用“Select All”命令或按Ctrl+A组合键可选定当前窗口中的所有内容。

7． 匹配小括号(Match Parenthesis) 从编辑菜单中选用“Match Parenthesis”命令、单击“Match Parenthesis”按钮或按Ctrl+P组合键可以为当前选中的开括号查找匹配的闭括号。

8． 粘贴函数(Paste Function) 从编辑菜单中选用“Paste Function”命令可以将LINGO的内部函数粘贴到当前插入点。

5.3 LINGO菜单

1． 求解模型（Slove）

从LINGO菜单中选用“求解”命令、单击“Slove”按钮或按Ctrl+S组合键可以将当前模型送入内存求解。

2． 求解结果．．．（Solution．．．） 从LINGO菜单中选用“Solution．．．”命令、单击“Solution．．．”按钮或直接按Ctrl+O组合键可以打开求解结果的对话框。这里可以指定查看当前内存中求解结果的那些内容。

3． 查看．．．（Look．．．） 从LINGO菜单中选用“Look．．．”命令或直接按Ctrl+L组合键可以查看全部的或选中的模型文本内容。

4． 灵敏性分析（Range，Ctrl+R）

用该命令产生当前模型的灵敏性分析报告：研究当目标函数的费用系数和约束右端项在什么范围（此时假定其它系数不变）时，最优基保持不变。灵敏性分析是在求解模型时作出的，因此在求解模型时灵敏性分析是激活状态，但是默认是不激活的。为了激活灵敏性分析，运行LINGO|Options?，选择General Solver Tab， 在Dual Computations列表框中，选择Prices and Ranges选项。灵敏性分析耗费相当多的求解时间，因此当速度很关键时，就没有必要激活它。

下面我们看一个简单的具体例子。

例5.1某家具公司制造书桌、餐桌和椅子，所用的资源有三种：木料、木工和漆工。生产数据如下表所示：

木料 漆工 木工 成品单价 每个书桌 8单位 4单位 2单位 60单位 每个餐桌 6单位 2单位 1.5单位 30单位 每个椅子 1单位 1.5单位 0.5单位 20单位 现有资源总数 48单位 20单位 8单位 若要求桌子的生产量不超过5件，如何安排三种产品的生产可使利润最大？

32

用DESKS、TABLES和CHAIRS分别表示三种产品的生产量，建立LP模型。

max=60*desks+30*tables+20*chairs; 8*desks+6*tables+chairs<=48; 4*desks+2*tables+1.5*chairs<=20; 2*desks+1.5*tables+.5*chairs<=8; tables<=5;

求解这个模型，并激活灵敏性分析。这时，查看报告窗口（Reports Window）,可以看到如下结果。

Global optimal solution found at iteration: 3 Objective value: 280.0000

Variable Value Reduced Cost DESKS 2.000000 0.000000 TABLES 0.000000 5.000000 CHAIRS 8.000000 0.000000

Row Slack or Surplus Dual Price 1 280.0000 1.000000 2 24.00000 0.000000 3 0.000000 10.00000 4 0.000000 10.00000 5 5.000000 0.000000

“Global optimal solution found at iteration: 3”表示3次迭代后得到全局最优解。 “Objective value:280.0000”表示最优目标值为280。 “Value”给出最优解中各变量的值：造2个书桌（desks）, 0个餐桌（tables）, 8个椅子（chairs）。所以desks、chairs是基变量（非0），tables是非基变量（0）。 “Slack or Surplus”给出松驰变量的值：

第1行松驰变量 =280（模型第一行表示目标函数，所以第二行对应第一个约束） 第2行松驰变量 =24 第3行松驰变量 =0 第4行松驰变量 =0 第5行松驰变量 =5

“Reduced Cost”列出最优单纯形表中判别数所在行的变量的系数，表示当变量有微小变动时, 目标函数的变化率。其中基变量的reduced cost值应为0， 对于非基变量 Xj, 相应的 reduced cost值表示当某个变量Xj 增加一个单位时目标函数减少的量( max型问题)。本例中：变量tables对应的reduced cost值为5，表示当非基变量tables的值从0变为 1时（此时假定其他非基变量保持不变,但为了满足约束条件，基变量显然会发生变化），最优的目标函数值 = 280 - 5 = 275。 “DUAL PRICE”（对偶价格）表示当对应约束有微小变动时, 目标函数的变化率。输出结果中对应于每一个约束有一个对偶价格。 若其数值为p， 表示对应约束中不等式右端项若增加1 个单位，目标函数将增加p个单位（max型问题）。显然，如果在最优解处约束正好取等号（也就是“紧约束”，也称为有效约束或起作用约束），对偶价格值才可能不是0。本例中：第3、4行是紧约束，对应的对偶价格值为10，表示当紧约束

33

3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 20 变为 3) 4 DESKS + 2 TABLES + 1.5 CHAIRS <= 21 时，目标函数值 = 280 +10 = 290。对第4行也类似。 对于非紧约束（如本例中第2、5行是非紧约束），DUAL PRICE 的值为0, 表示对应约束中不等式右端项的微小扰动不影响目标函数。有时, 通过分析DUAL PRICE, 也可对产生不可行问题的原因有所了解。

灵敏度分析的结果是

Ranges in which the basis is unchanged:

Objective Coefficient Ranges

Current Allowable Allowable Variable Coefficient Increase Decrease DESKS 60.00000 0.0 0.0 TABLES 30.00000 0.0 0.0 CHAIRS 20.00000 0.0 0.0

Righthand Side Ranges

Row Current Allowable Allowable RHS Increase Decrease 2 48.00000 0.0 0.0 3 20.00000 0.0 0.0 4 8.000000 0.0 0.0 5 5.000000 0.0 0.0

目标函数中DESKS变量原来的费用系数为60，允许增加（Allowable Increase）=4、允许减少（Allowable Decrease）=2，说明当它在[60-4，60+20] = [56，80]范围变化时，最优基保持不变。对TABLES、CHAIRS变量，可以类似解释。由于此时约束没有变化（只是目标函数中某个费用系数发生变化），所以最优基保持不变的意思也就是最优解不变（当然，由于目标函数中费用系数发生了变化，所以最优值会变化）。

第2行约束中右端项（Right Hand Side，简写为RHS）原来为48，当它在[48-24，48+∞] = [24，∞]范围变化时，最优基保持不变。第3、4、5行可以类似解释。不过由于此时约束发生变化，最优基即使不变，最优解、最优值也会发生变化。

灵敏性分析结果表示的是最优基保持不变的系数范围。由此，也可以进一步确定当目标函数的费用系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。下面我们通过求解一个实际问题来进行说明。

例5.2一奶制品加工厂用牛奶生产A1,A2两种奶制品，1桶牛奶可以在甲车间用12小时加工成3公斤A1，或者在乙车间用8小时加工成4公斤A2。根据市场需求，生产的A1,A2全部能售出，且每公斤A1获利24元，每公斤A2获利16元。现在加工厂每天能得到50桶牛奶的供应，每天正式工人总的劳动时间480小时，并且甲车间每天至多能加工100公斤A1，乙车间的加工能力没有限制。试为该厂制订一个生产计划，使每天获利最大，并进一步讨论以下3个附加问题：

1） 若用35元可以买到1桶牛奶，应否作这项投资？若投资，每天最多购买多少桶牛奶？

2） 若可以聘用临时工人以增加劳动时间，付给临时工人的工资最多是每小时几元？

34

3） 由于市场需求变化，每公斤A1的获利增加到30元，应否改变生产计划？ 模型代码如下：

max=72*x1+64*x2; x1+x2<=50; 12*x1+8*x2<=480; 3*x1<=100;

求解这个模型并做灵敏性分析，结果如下。

Global optimal solution found at iteration: 0 Objective value: 3360.000

Variable Value Reduced Cost X1 20.00000 0.000000 X2 30.00000 0.000000 Row Slack or Surplus Dual Price 1 3360.000 1.000000 2 0.000000 48.00000 3 0.000000 2.000000 4 40.00000 0.000000

Ranges in which the basis is unchanged:

Objective Coefficient Ranges

Current Allowable Allowable

Variable Coefficient Increase Decrease

X1 72.00000 24.00000 8.000000 X2 64.00000 8.000000 16.00000 Righthand Side Ranges

Row Current Allowable Allowable RHS Increase Decrease 2 50.00000 10.00000 6.666667 3 480.0000 53.33333 80.00000 4 100.0000 INFINITY 40.00000

结果告诉我们：这个线性规划的最优解为x1=20，x2=30，最优值为z=3360，即用20桶牛奶生产A1, 30桶牛奶生产A2，可获最大利润3360元。输出中除了告诉我们问题的最优解和最优值以外，还有许多对分析结果有用的信息，下面结合题目中提出的3个附加问题给予说明。 3个约束条件的右端不妨看作3种“资源”：原料、劳动时间、车间甲的加工能力。输出中Slack or Surplus给出这3种资源在最优解下是否有剩余：原料、劳动时间的剩余均为零，车间甲尚余40（公斤）加工能力。

目标函数可以看作“效益”，成为紧约束的“资源”一旦增加，“效益”必然跟着增长。输出中DUAL PRICES 给出这3种资源在最优解下“资源”增加1个单位时“效益”的增量：原料增加1个单位（1桶牛奶）时利润增长48（元），劳动时间增加1个单位（1小时）时利润增长2（元），而增加非紧约束车间甲的能力显然不会使利润增长。这里，“效益”的增量可以看作“资源”的潜在价值，经济学上称为影子价格，即1桶牛奶的影子价格为48元，1小时劳动的影子价格为2元，车间甲的影子价格为零。读者可以用直接求解的办法

35

本文来源：https://www.bwwdw.com/article/vi03.html