最短路径LINGO算法
LINGO软件求解最短路问题示例
西安邮电大学现代邮政学院Xi'an post and telecommunications university modern post CollegeLINGO软件求解最短路问题最短路问题最短路问题：给定赋权有向图D=(V,A)，最短路问题就是要在所有从v s到v t的路中，求一条权最小的路，最短路的权简称为从v s到v t的距离。
应用：可以直接应用于解决生产实际的许多问题，如管道铺设、线路安排、厂区布局、设备更新等，还经常被作为一个基本工具，用于解决其它的优化问题。
例 题下图，给定一个线路网络，两点之间连线上的数字表示两点间的距离，求一条从A到G的铺管线路，使总距离最短。
AB 1B 2C 1C 2C 3C 4D 1D 2D 3E 1E 2E 3F 1F 2G538761366835338422123335526643LINGO输入程序设：A为顶点城市1，B 1为2，B 2为3，C 1为4，C 2为5，C 3为6，C 4为7，D 1为8，D 2为9，D 3为10，E 1为11，E 2为12，E 3为13，F 1为14，F 2为15，G为16。
12345678910111213141516MODEL :[1]SETS :! We have a network of 16 cities. We want to find the length of the shortest route from city 1 to city 16. ;! Here is our primitive set of sixteen cities, where F(i) represents the shortest path distance from city i to the last city;[2]CITIES/1..16/:F;! The derived set ROADS lists the roads that exist between the cities (note: not all city pairs are directly linked by a road, and roads are assumed to be one way.);[3]ROADS(CITIES,CITIES) /[4]1,2 1,3 2,4 2,5 2,6 3,5 3,6 3,7 4,8 4,9 5,8 5,9 6,9 6,10 7,9 7,10[5]8,11 8,12 9,12 9,13 10,12 10,13 11,14 11,15 12,14 12,15 13,14 13,15[6]14,16 15,16 /:D;! D(i,j) is the distance from city i to j;[7]ENDSETS [8]DATA :! Here are the distance that correspond to the above links;[9]D=[10]5 3 1 3 6 8 7 6 6 8 3 5 3 3 8 4[11]2 2 1 2 3 3 3 5 5 2 6 6[12]4 3;[13]ENDDATA! If you are already in City 16,then the cost to travel to city 16 is 0;[14]F(@SIZE (CITIES))=0;!The shortest distance from City 1 to City 16 is the minimum over all cities j reachable from i of the sum of the distance from i to j plus the minimal distance from j to City 16;[15]@FOR (CITIES(i)|i#LT#@SIZE (CITIES):[16]F(i)=@MIN (ROADS(i,j):D(i,j)+F(j)));END集合段数据段运算式LINGO软件求解结果Variable ValueF( 1) 18.00000F( 2) 13.00000F( 3) 16.00000F( 4) 13.00000F( 5) 10.00000F( 6) 9.000000 F( 7) 12.00000F( 8) 7.000000 F( 9) 6.000000 F( 10) 8.000000 F( 11) 7.000000 F( 12) 5.000000 F( 13) 9.000000 F( 14) 4.000000 F( 15) 3.000000 F( 16) 0.000000Variable ValueD( 1, 2) 5.000000D( 1, 3) 3.000000D( 2, 4) 1.000000D( 2, 5) 3.000000D( 2, 6) 6.000000D( 3, 5) 8.000000D( 3, 6) 7.000000D( 3, 7) 6.000000D( 4, 8) 6.000000D( 4, 9) 8.000000D( 5, 8) 3.000000D( 5, 9) 5.000000D( 6, 9) 3.000000D( 6, 10) 3.000000D( 7, 9) 8.000000D( 7, 10) 4.000000D( 8, 11) 2.000000D( 8, 12) 2.000000D( 9, 12) 1.000000D( 9, 13) 2.000000D( 10, 12) 3.000000D( 10, 13) 3.000000D( 11, 14) 3.000000D( 11, 15) 5.000000D( 12, 14) 5.000000D( 12, 15) 2.000000D( 13, 14) 6.000000D( 13, 15) 6.000000D( 14, 16) 4.000000D( 15, 16) 3.000000点1到最后一个点（点16）的最短路的长度（距离）为18。
matlab、lingo程序代码1-最短距离
例9 某公司在六个城市c1, c2, …c6 中有分公司，从ici到cj的直接航程票价记在下述矩阵的(I,j)位置上。
（∞表示无直接航路），请帮助该公司设计一张城市c1到其它城市间的票价最便宜的路线图。
clc,cleara=zeros(6);a(1,2)=50;a(1,4)=40;a(1,5)=25;a(1,6)=10;a(2,3)=15;a(2,4)=20;a(2,6)=25;a(3,4)=10;a(3,5)=20;a(4,5)=10;a(4,6)=25;a(5,6)=55;a=a+a';a(find(a==0))=inf;pb(1:length(a))=0;pb(1)=1;index1=1;index2=ones(1,length(a));d(1:length(a))=inf;d(1)=0;temp=1;while sum(pb)<length(a)tb=find(pb==0);d(tb)=min(d(tb),d(temp)+a(temp,tb));tmpb=find(d(tb)==min(d(tb)));temp=tb(tmpb(1));pb(temp)=1;index1=[index1,temp];temp2=find(d(index1)==d(temp)-a(temp,index1));index2(temp)=index1(temp2(1));endd, index1, index2编写LINGO 程序如下：model:sets:cities/A,B1,B2,C1,C2,C3,D/;roads(cities,cities)/A B1,A B2,B1 C1,B1 C2,B1 C3,B2 C1, B2 C2,B2 C3,C1 D,C2 D,C3 D/:w,x;endsetsdata:w=2 4 3 3 1 2 3 1 1 3 4;enddatan=@size(cities); !城市的个数;min=@sum(roads:w*x);@for(cities(i)|i #ne#1 #and# i #ne#n:@sum(roads(i,j):x(i,j))=@sum(roads(j,i):x(j,i)));@sum(roads(i,j)|i #eq#1:x(i,j))=1;@sum(roads(i,j)|j #eq#n:x(i,j))=1;endmodel:sets:cities/1..11/;roads(cities,cities):w,x;endsetsdata:w=0;enddatacalc:w(1,2)=2;w(1,3)=8;w(1,4)=1;w(2,3)=6;w(2,5)=1;w(3,4)=7;w(3,5)=5;w(3,6)=1;w(3,7)=2;w(4,7)=9;w(5,6)=3;w(5,8)=2;w(5,9)=9;w(6,7)=4;w(6,9)=6;w(7,9)=3;w(7,10)=1;w(8,9)=7;w(8,11)=9;w(9,10)=1;w(9,11)=2;w(10,11)=4;@for(roads(i,j):w(i,j)=w(i,j)+w(j,i));@for(roads(i,j):w(i,j)=@if(w(i,j) #eq# 0, 1000,w(i,j))); endcalcn=@size(cities); !城市的个数;min=@sum(roads:w*x);@for(cities(i)|i #ne#1 #and# i #ne#n:@sum(cities(j):x(i,j))=@sum(cities(j):x(j,i)));@sum(cities(j):x(1,j))=1;@sum(cities(j):x(j,1))=0; !不能回到顶点1;@sum(cities(j):x(j,n))=1;@for(roads:@bin(x));end例12 用Floyd算法求解例9。
图论中的最短路径算法
最短路径算法是图论中的一个重要问题，它用于求取两个顶点之间连接的最短路径。
在现实世界中，我们经常需要找到最短路径，比如在地图导航中，我们希望找到两个地点之间最短的驾车路线，或者在网络通信中，我们需要找到两个节点之间最快的传输路径。
因此，研究图论中的最短路径算法对我们生活和工作都具有重要意义。
在图论中，最短路径算法主要有两种基本思想：Dijkstra算法和Floyd-Warshall算法。
Dijkstra算法是由荷兰计算机科学家Edsger Dijkstra于1959年提出的一种贪心算法。
它主要用于解决单源最短路径问题，即给定一个起始顶点，求出该顶点到其他所有顶点的最短路径。
Dijkstra算法的基本思想是通过不断找到当前距离起始顶点最近的顶点来更新顶点之间的距离，直到所有顶点都被标记为已访问。
具体步骤如下：1.初始化距离数组，将起始顶点到其他顶点的距离都设置为无穷大，将起始顶点设为本身的距离为0。
2.选取一个未被访问的顶点，计算起始顶点到该顶点的距离。
如果此距离小于当前记录在距离数组中的距离，则更新距离数组。
3.标记该顶点为已访问。
4.重复2和3步骤，直到所有顶点都被标记为已访问。
Floyd-Warshall算法是由美国计算机科学家Robert Floyd和Stephen Warshall于1962年提出的一种动态规划算法。
它用于解决所有顶点间最短路径问题，即求出任意两个顶点之间的最短路径。
Floyd-Warshall算法的基本思想是通过递推关系，不断更新所有顶点对之间的最短路径。
具体步骤如下：1.初始化距离矩阵，将没有直接连接的顶点对的距离设为无穷大，将所有直接连接的顶点对的距离设为边的权值。
2.通过三重循环，尝试将每个顶点作为中转顶点，更新其他顶点对之间的最短路径。
如果通过中转顶点可以获得更短的路径，则更新路径。
3.重复2步骤，直到所有顶点对之间的最短路径都被找到。
Dijkstra算法和Floyd-Warshall算法都是基于图的邻接矩阵或邻接表来进行计算的。
最短路径问题的0-1规划模型,lingo直接求解
解：对于无向图的最短路问题，可以这样理解，从点到点和点到点的边看成有向弧，其他各条边均看成有不同方向的双弧，因此，可以按照前面介绍有向图的最短路问题来编程序，但按照这种方法编写LINGO程序相当于边（弧）增加了一倍.这里选择邻接矩阵和赋权矩阵的方法编写LINGO程序.MODEL:1] sets:2] cities/1..11/;3] roads(cities, cities): p, w, x;4] endsets5] data:6] p = 0 1 1 1 0 0 0 0 0 0 07] 0 0 1 0 1 0 0 0 0 0 08] 0 1 0 1 1 1 1 0 0 0 09] 0 0 1 0 0 0 1 0 0 0 010] 0 1 1 0 0 1 0 1 1 0 011] 0 0 1 0 1 0 1 0 1 0 012] 0 0 1 1 0 1 0 0 1 1 013] 0 0 0 0 1 0 0 0 1 0 114] 0 0 0 0 1 1 1 1 0 1 115] 0 0 0 0 0 0 1 0 1 0 116] 0 0 0 0 0 0 0 0 0 0 0;17] w = 0 2 8 1 0 0 0 0 0 0 018] 2 0 6 0 1 0 0 0 0 0 019] 8 6 0 7 5 1 2 0 0 0 020] 1 0 7 0 0 0 9 0 0 0 021] 0 1 5 0 0 3 0 2 9 0 022] 0 0 1 0 3 0 4 0 6 0 023] 0 0 2 9 0 4 0 0 3 1 024] 0 0 0 0 2 0 0 0 7 0 925] 0 0 0 0 9 6 3 7 0 1 226] 0 0 0 0 0 0 1 0 1 0 427] 0 0 0 0 0 0 0 9 2 4 0;28] enddata29]n=@size(cities);30]min=@sum(roads:w*x);31]@for(cities(i) | i #ne# 1 #and# i #ne# n:32] @sum(cities(j): p(i,j)*x(i,j))33] =@sum(cities(j): p(j,i)*x(j,i)));34]@sum(cities(j): p(1,j)*x(1,j))=1;END在上述程序中，第6]行到第16]行给出了图的邻接矩阵，到和到的边按单向计算，其余边双向计算.第17]行到第27]行给出了图的赋权矩阵, 注意：由于有了邻接矩阵，两点无道路连接时，权值可以定义为0. 其它的处理方法基本上与有向图相同.用LINGO软件求解，得到（仅保留非零变量）Global optimal solution found at iteration: 2 0Objective value: 13.00000Variable Value Reduced CostX( 1, 2) 1.000000 0.000000X( 2, 5) 1.000000 0.000000X( 3, 7) 1.000000 0.000000X( 5, 6) 1.000000 0.000000X( 6, 3) 1.000000 0.000000X( 7, 10) 1.000000 0.000000X( 9, 11) 1.000000 0.000000X( 10, 9) 1.000000 0.000000即最短路径为最短路长度为13.→→→→→→→1256371011。
最短路径算法
最短路径算法最短路径算法是一类用来求解最短距离、最低成本路线的算法，它是很重要的应用性算法之一。
本算法旨在在一些类图形（GG）网络中找到两个顶点之间的最短路径，这种网络必须适合某种最短路径算法，如果GG网络不能很容易地被求解，仍然可以以一定比例增大网络，从而使之满足最短路径的求解要求。
最短路径算法有许多种，其中最常用的有贝尔曼—福德算法（贝尔曼—福特算法）和迪杰斯特拉算法（Dijkstra's Algorithm）。
这两种算法都是由一个名叫“道·塞夫·贝尔曼”的德国数据处理专家在20世纪50年代初发明的。
贝尔曼—福德算法应用条件较广，可以求解任意类型网络的最短路径，并且可以在常数时间内完成。
而迪杰斯特拉算法只在GG网络上才能实施，且复杂度比贝尔曼—福德算法高。
贝尔曼—福德算法（也称福德算法）是求解最短路径问题的经典算法，它可以用来求解任意复杂网络两点间最短路径问题。
福德算法的思想是，对于图G=(V,E)中每个顶点，自底向上进行推导，将其分为两步：第一步，构造顶点的松弛树；第二步，搜索最短路径。
主要有以下几步：1、初始化：令v∈V，令d(v)=∞、v(v)=∅，令V0={v1}，有任一源点v；2、松弛：重复以下步骤至V0=V：a）对V0内任一顶点vt，改进d(vt)；b）对所有顶点vn∉V0，改进d(vn)；c）将使d变小的顶点vd加入V0；3、搜索最短路径：找出最短路径，如d(u)<∞，u就存在于最短路径树上，由它的v(u)到达；4、结束：当得到V0=V时，算法结束。
另外，迪杰斯特拉算法（Djkstra's Algorithm）也是一种常用的最短路径算法，为了求解图上任意两点之间的最短路径，提出了一个算法。
特别适用于GG网络。
具体的算法步骤如下：1、初始化：取一给定节点作为源节点，用一个标志数组S[v]（v为网络中节点）存放已求出最短路径的节点，用一个数组D[v]存放源节点到节点v的最短路径长度，D[v]初始化为有向边 <u,v>的权值；2、遍历：找到D[v]中的最小值min，找到此min值对应的节点v1，即可将v1加入到数组S中，表示此节点v1的最短路径已求出；3、更新：将以v1为中间点的<u,v>的有向边的权重值加上D[v1]作为新的最短路径长度乘于 D[v] 中取出；4、重复：重复步骤2、3，直至D[v]中所有值均被取出；5、结束：若所有节点都被取出，则表示最短路径求解完成，算法结束。
最短路径问题(经典)精编版
最短路径问题(经典)精编版
最短路径问题是图论研究中的经典算法问题之一，其目的是在图中寻找两个节点之间的最短路径。
该问题可以分为以下几种情况：已知起始节点，求最短路径；已知终止节点，求最短路径；已知起始和终止节点，求两个节点之间的最短路径；求图中所有节点之间的最短路径。
这些问题的原型包括将军饮马、造桥选址和费马点。
解决最短路径问题需要涉及到许多数学知识，包括线段最短距离、垂线段最短距离、三角形三边关系、轴对称和平移等。
这些知识可以在角、三角形、菱形、矩形、正方形、梯形、圆、坐标轴和抛物线等几何形状中得到应用。
解决最短路径问题的思路是找到对称点，实现折转直的过程。
近年来，出现了一些变式问题，例如三折线转直等，需要考生掌握解决方法。
最短路径问题有许多基本问题，其中包括确定起始节点和终止节点的最短路径问题，求图中所有节点之间的最短路径问
题等等。
在解决这些问题时，需要运用前述的数学知识和解决思路。
如果你对最短路径问题感兴趣，可以加入全国初中数学资料群，群号为xxxxxxxx0.。
车辆派送问题最短行驶路线的建模分析
车辆派送问题最短行驶路线的建模分析摘要车辆派送选取最短的行驶路线是商业公司经常要考虑的问题，一个最优的派送方案可以使公司的费用降到最低，从而使公司的利益最大化。
通过建立最优化规划模型来解决最优的车辆行驶路径问题，采用0-1整数规划简化模型，通过Lingo软件进行求解，有效解决了问题2中的具体算例，同时也给出了较普遍的求解这一类车辆行驶路径即问题3当客户i的货物需求量q i为随机参数时的数学模型及处理方法。
对于问题1，我们建立的规划模型是在客户的需求量在车辆运送的承载范围之内，我们使用0-1整数规划来解决车辆是否从客户i行驶到客户j这个问题，有效的简化了模型。
然后在考虑中心仓库的车辆数约束、车辆的载物量约束、时间约束、客户需求量约束的约束情况下，设立了行驶路径最短的目标函数。
并在问题1的具体算例中，利用Lingo软件求得了最优的规划方案：车辆最少数位3辆，行驶路径最短为910公里，路线分别为：0-3-1-2-0，0-8-5-7-0，0-6-4-0。
考虑当客户i的货物需求量q i为随机参数的情况下，客户的需求量可能大于车辆的载物量，此时每个客户可能被服务不止一次，我们通过调整约束条件，建立了车辆行驶最短路径的目标函数，使这一类的问题求解有一个更适用的模型。
关键词：车辆行径问题；0-1整数规划；目标规划模型；LINGO软件一、问题重述随着社会经济的日益发达和商业活动的日益频繁，合理的货物派送路径成了商业公司密切关注的问题。
车辆路径问题（VRP ）是指给定一个或多个中心仓库、一个车辆集合和一个客户集合，每个客户有自己不同的货物需求，由车辆集合进行派送，要求在满足一定约束条件的情况下，组织合理的行车路线，达到路径最短、成本最少、或时间最短等目的。
一个商品基地，拥有一定数量容量为Q 的车辆，负责对N 个客户进行货物派送工作，客户i 的货物需求量为q i ，且i q Q <，车辆必须在一定的时间范围[],i i a b 内到达，早于i a 到达将产生等待损失，迟于i b 到达将处以一定的惩罚，给出使派送费用最小的车辆行驶路径问题的数学模型及其求解算法。
LINGO软件简介
LINGO 软件简介LINGO 软件是一个处理优化问题的专门软件,它尤其擅长求解线性规划、非线性规划、整数规划等问题.一个简单示例有如下一个混合非线性规划问题：⎪⎩⎪⎨⎧≥≤≤+++---+为整数2132121321322212121,;0,,210022..15023.027798max x x x x x x x x x x t s x x x x x x x .LINGO 程序模型：max =98x1+277x2-x1^2-0.3x1x2-2x2^2+150x3; x1+2x2+2x3<=100; x1<=2x2;gin x1;gin x2; Lingo 默认变量非负注意：binx 表示x 是0-1变量；ginx 表示x 是整数变量；bndL,x,U表示限制LxU ；freex 表示取消对x 的符号限制,即可正、可负.结果：Global optimal solution found.Objective value: 9561.200 Extended solver steps: 0 Total solver iterations: 45 Variable Value Reduced CostX1 6.000000 -76.70000X2 31.00000 -151.2000X3 16.00000 -150.0000Row Slack or Surplus Dual Price1 9561.200 1.0000002 0.000000 0.0000003 56.00000 0.000000———————— 非常简单在LINGO 中使用集合为了方便地表示大规模的规划问题,减少模型、数据表示的复杂程度,LINGO 引进了“集合”的用法,实现了变量、系数的数组化下标表示.例如：对⎪⎪⎩⎪⎪⎨⎧==-++-==≤++∑=.,,;10)0(;4,3,2,1),()())()1()(;4,3,2,1,20)(..)}(20)(450)(400{min4,3,2,1均非负INV OP RP INV I I DEM I OP I RP I INV I INV I I RP t s I INV I OP I RP I求解程序：model :sets :mark/1,2,3,4/:dem,rp,op,inv;也可以vmark/1..4/:dem,rp,op,inv;endsetsmin=sum mark:400rp+450op+20inv;也可以markI:400rpI+450opI+20invI;for markI: rpI<40;for markI|Igt1: invI=invI-1+rpI+opI-demI;inv1=10+rp1+op1-dem1;data:dem=40,60,75,35;enddataend上面程序在model…end之间有1集合定义、2数据输入和3其他三部分内容.集合定义部分从sets：到endsets：定义了一个指标集合mark可以理解为数组下标及其范围和其4个属性dem、rp、op、inv用此向量的数组变量.数据输入部分从data：到enddata依次给出常量dem的值.其他部分：给出优化目标及约束.一般而言,LINGO中建立优化模型的程序可以由五部分组成,或称为五段section：1集合段SETS：这部分以“SETS：”开始,以“ENDSETS”结束,作用在于定义必要的集合变量SET及其元素member,含义类似于数组的下标和属性attribute,含义类似于数组.2目标与约束段：这部分实际上定义了目标函数、约束条件等,但这部分没有段的开始和结束标记；该段一般常用到LINGO内部函数,尤其是和集合相关的求和函数SUM和循环函数FOR等.3数据段DATA：这部分以“DATA：”开始,以“ENDDATA”结束,作用在于对集合的属性数组输入必要的常数数据.格式为：attribute属性=value_list常数列表;常数列表中的数据之间可以用逗号、空格或回车符分隔.如果想要在运行时才对参数赋值,可以在数据段使用输入语句,其格式为“变量名=；”,但仅限对单个变量赋值,而不能用于属性变量数组的单个元素.4初始段INIT：这部分以“INIT：”开始,以“ENDINIT”结束,作用在于对集合的属性数组定义初值因为求解算法一般是迭代算法,提供一个较好的初值,能提高计算效果.定义初值的语句格式为：attribute属性=value_list常数列表;这与数据段中的用法类似.5计算段CALC：这部分以“CALC：”开始,以“ENDCALC”结束,作用在于对一些原始数据进行预处理加工,使其成为模型直接需要的数据.该段中通常是计算赋值语句.基本集合与派生集合为了处理二维数组变量等有多个下标的问题,LINGO引入了“派生集”的概念.我们把直接列出元素的指标集合叫“基本集合”,而基于其他集合派生出来的二维或多维指标集合称为“派生集”.派生集的定义格式为：派生集名原始集合1,原始集合2,…,原始集合n：属性变量列表；实际上就是笛卡儿积的意思,即：派生集={i1,i2, (i)n| i1集合1, i2集合2,…, in集合n}.1一个应用例子布局问题：某些建筑工地的位置用平面坐标a,b表示及水泥日用量d已知.现有A、B两临时料场位于P5,1、Q2,7,日储量20.问A、B两料场分别向各工地运输多少吨水泥,使总吨公里数最小若重新安排两料场的位置,应怎样安排才能使总吨公里数最小这样安排可节省多少吨公里设工地位置ai ,bi,水泥日用量为dii=1,2,…,6；料场位置xi,yi,日储量ej,j=1,2；从料场j向工地i运送量为cij.该问题的数学模型为：LINGO求解程序为：MODEL:sets:Imark/1..6/:a,b,d;Jmark/1,2/:x,y,e;IJmarkImark,Jmark:c;endsetsdata:Location for demand需求点位置;a=1.25,8.75,0.5,5.75,3,7.25;b=1.25,0.75,4.75,5,6.5,7.75;Quantities of the demand and supply供需量;d=3,5,4,7,6,11;e=20,20;enddatainit:Initial location for the supply初始点;x,y=5,1,2,7;endinitObjective function目标;OBJ min=sum IJmarki,j: ci,jxj-ai^2+yj-bi^2^1/2; demand contraints需求约束;for Imarki:DEMAND_CON SUM Jmarkj:ci,j=di;; supply constrains供给约束;for Jmarkj:SUPPLY_CON SUM Imarki:ci,j<=ej;;for Jmark: free x;free y;;2一个动态规划的例子：最短路问题从S城市到T城市之间找一条最短路径,道路情况如下：数学模型为：LINGO求解程序：model:sets:cities/s,a1,a2,a3,b1,b2,c1,c2,t/:L; 属性Li表示城市S到城市i的最优行驶路线的里程;roadscities,cities/ 派生集合roads表示的是网络中的道路;s,a1 s,a2 s,a3 由于并非所有城市间都有道路直接连接,所以将路具体列出;a1,b1 a1,b2 a2,b1 a2,b2 a3,b1 a3,b2b1,c1 b1,c2 b2,c1 b2,c2 属性Di,j是城市i到城市j的直接距离已知;c1,t c2,t/:D;endsetsD= 6 3 36 5 8 67 46 7 8 95 6;L=0,,,,,,,,; 因为Ls=0;enddatafor citiesi|igt index s: 这行中"indexs"可以直接写成"1";Li=min roadsj,i:Lj+Dj,i;; 这就是最短路关系式;endVariable ValueL S0.000000L A16.000000L A23.000000L A33.000000L B110.00000L B27.000000L C115.00000L C216.00000L T20.00000最短路径为： S-〉A3-〉B2-〉C1-〉T3指派问题设有6个人做6件事.其中cij表示第i人做第j事的收益；设第i人做第j事时xij =1,否则xij=0.该问题的规划模型：说明：其中“-”表示某人无法做该事.可令其为-表示绝对不行或0领薪不用干活LINGO求解程序：MODEL:sets:Imark/1..6/:i;Jmark/1..6/:j;IJmarkImark,Jmark:c,x;endsetsdata:第i人做第j事的收益;c=20,15,16,5,4,717,15,33,12,8,69,12,18,16,30,1312,8,11,27,19,14-99,7,10,21,10,32-99,-99,-99,6,11,13;enddataOBJ max=sum IJmarki,j: cx;每人做一项工作;for Imarki: SUM Jmarkj:xi,j=1;;每事一人做;for Jmarkj: SUM Imarki:xi,j=1;;for IJmark: bin x;本约束可以不要,因为有解时必为0或1; END4生产与销售计划问题某公司用两种原油A 和B 混合加工成两种汽油甲和乙.甲、乙两种汽油含原油A 的最低比例分别为50%和60%,每吨售价分别是4800元和5600元.该公司现有原油A 和B 的库存量分别为500吨和1000吨,还可以从市场上买到不超过1500吨的原油A.原油A 的市场价为：购买量不超500吨时单价为10000元/吨；购买量超过500吨但不超1000吨时,超过500吨部分单价为8000元/吨；购买量超过1000吨部分的单价是6000元/吨.该公司应如何安排原油的采购和加工以获得最大利润数学模型： 设原油A 用于生产甲、乙两种汽油的数量分别是x11和x12,原油B 用于生产甲、乙两种汽油的数量分别是x21和x22；购买原油A 的数量是x 吨,采购支出为cx 千元/吨.为了处理分段函数cx,将原油采购量x 分解为对应价格10千元/吨的采购量x1、对应对应价格8千元/吨的采购量x2和对应价格6千元/吨的采购量x3,它们应满足：0)500(21=-x x 表示要么x1=500要么x2=0,即x1的量不达到500时x2=00)500(32=-x x 表示要么x2=500要么x3=0,即x2的量不达到500时x3=0此时采购支出3216810)(x x x x c ++=模型改变为：LINGO 求解程序：model :init:x1=500;x2=500;x3=0;x12=1500;x22=1000;x11=0;x21=0;endinitmax=4.8x11+4.8x21+5.6x12+5.6x22-10x1-8x2-6x3; x11+x12<=x+500;x21+x22<=1000;0.5x11-0.5x21>=0;0.4x12-0.6x22>=0;x=x1+x2+x3;x1-500x2=0;x2-500x3=0;bnd0,x1,500;bnd0,x2,500;bnd0,x3,500;。
最短路径计算
最短路径计算
最短路径计算是指在一个有向图或无向图中，求解从一个顶点到另一个顶点的路径中，经过的边的权重之和最小的路径。
常见的最短路径算法有迪杰斯特拉算法（Dijkstra algorithm）、弗洛伊德算法（Floyd-Warshall algorithm）、贝尔曼-福特算法（Bellman-Ford algorithm）等。
迪杰斯特拉算法是一种单源最短路径算法，可以求解从指定起点到其他所有顶点的最短路径。
算法的基本思想是，先将所有顶点的距离初始化为无穷大，再将起点的距离设为0。
然后，依次从距离最小的顶点开始，更新其他相邻顶点的距离，直到所有顶点的最短路径长度确定。
弗洛伊德算法是一种多源最短路径算法，可以求解任意两个顶点之间的最短路径。
算法的基本思想是，不断迭代更新每对顶点之间的最短路径长度，最后得到所有顶点之间的最短路径。
贝尔曼-福特算法是一种适用于带有负权边的图的最短路径算法，可以求解从指定起点到其他所有顶点的最短路径。
算法的基本思想是，先将所有顶点的距离初始化为无穷大，再将起点的距离设为0。
然后，依次对所有边进行松弛操作，即通过更新边的终点的距离，逐步缩小最短路径的范围。
最短路径计算在实际应用中有广泛的用途，例如在网络路由、地图导航、货物配送等领域都有重要的应用。
最短路程问题(lingo)
例3.5（最短路问题）在纵横交错的公路网中，货车司机希望找到一条从一个城市到另一城市的最短路。假设图3-1表示的是该公路网，节点表示货车可以停靠的城市，弧上的权表示两个城市之间的距离（百公里）。那么，货车从城市S出发到达城市T，如何选择行驶路线，使所经过的路程最短？
4,7 4,8
5,7 5,8 5,9
6,8 6,9
7,10
8,10
9,10
/: D, P;
endsets
data:
D=
6 5
3 6 9
7 5 11
9 1
8 7 5
4 10
5
7
9;
enddata
F(n)=0;
@for(cities(i) | i #lt# n:
F(i)=@min(roads(i,j): D(i,j)+F(j));
【分析】此例的本质是求从城市A到城市D的一条最短路。
最短路问题的数学表达式
假设图有n个顶点，现需要求从顶点1到顶点n的最短路，设决策变量为xij，当xij=1说明弧（i,j）位于顶点1至顶点n的路上；否则xij=0。其数学规划表达式为
；
S．t．
下面介绍的方法是按照规划问题设计的LINGO程序，程序名exam0708.lg4.
Variable Value
N 10.00000
F( 1) 17.00000
F( 2) 11.00000
F( 3) 15.00000
F( 4) 8.000000
F( 5) 13.00000
F( 6) 11.00000
F( 7) 5.000000
F( 8) 7.000000
F( 9) 9.000000
Dijkstra、Floyd算法Matlab_Lingo实现
Dijkstra算法Matlab实现。
%求一个点到其他各点的最短路径function [min,path]=dijkstra(w,start,terminal)%W是邻接矩阵%start是起始点Array %terminal是终止点%min是最短路径长度%path是最短路径n=size(w,1);label(start)=0;f(start)=start;for i=1:nif i~=startlabel(i)=inf;endends(1)=start;u=start;while length(s)<nfor i=1:nins=0;forif i==s(j)ins=1;endendif ins==0v=i;if label(v)>(label(u)+w(u,v))label(v)=(label(u)+w(u,v));f(v)=u;endendendv1=0;k=inf;for i=1:nins=0;for j=1:length(s)if i==s(j)ins=1;endend-if ins==0v=i;if k>label(v)k=label(v);v1=v;endendends(length(s)+1)=v1;u=v1;endmin=label(terminal);path(1)=terminal;i=1;while path(i)~=startpath(i+1)=f(path(i));i=i+1 ;endpath(i)=start;L=length(path);path=path(L:-1:1);Floyd算法：matlab程序：%floyd算法，function [D,path,min1,path1]=floyd(a,start,terminal)%a是邻接矩阵%start是起始点%terminal是终止点%D是最小权值表D=a;n=size(D,1);path=zeros(n,n);for i=1:nfor j=1:nif D(i,j)~=infpath(i,j)=j;endendendfor k=1:nfor i=1:nfor j=1:nif D(i,k)+D(k,j)<D(i,j)-D(i,j)=D(i,k)+D(k,j);path(i,j)=path(i,k);endendendendif nargin==3min1=D(start,terminal);m(1)=start;i=1;path1=[ ];while path(m(i),terminal)~=terminalk=i+1;m(k)=path(m(i),terminal);i=i+1;endm(i+1)=terminal;path1=m;end1 6 5 5 5 66 2 3 4 4 65 2 3 4 5 45 2 3 4 5 61 4 3 4 5 11 2 4 4 1 6Floyd算法：Lingo程序：!用LINGO11.0编写的FLOYD算法如下;model:sets:nodes/c1..c6/;link(nodes,nodes):w,path; !path标志最短路径上走过的顶点;endsetsdata:path=0;w=0;@text(mydata1.txt)=@writefor(nodes(i):@writefor(nodes(j):-@format(w(i,j),' 10.0f')),@newline(1));@text(mydata1.txt)=@write(@newline(1));@text(mydata1.txt)=@writefor(nodes(i):@writefor(nodes(j):@format(path(i,j),' 10.0f')),@newline(1));enddatacalc:w(1,2)=50;w(1,4)=40;w(1,5)=25;w(1,6)=10;w(2,3)=15;w(2,4)=20;w(2,6)=25;w(3,4)=10;w(3,5)=20;w(4,5)=10;w(4,6)=25;w(5,6)=55;@for(link(i,j):w(i,j)=w(i,j)+w(j,i));@for(link(i,j) |i#ne#j:w(i,j)=@if(w(i,j)#eq#0,10000,w(i,j)));@for(nodes(k):@for(nodes(i):@for(nodes(j):tm=@smin(w(i,j),w(i,k)+w(k,j));path(i,j)=@if(w(i,j)#gt# tm,k,path(i,j));w(i,j)=tm)));endcalcend无向图的最短路问题Lingomodel:sets:cities/1..5/;roads(cities,cities):w,x;endsetsdata:w=0;enddatacalc:w(1,2)=41;w(1,3)=59;w(1,4)=189;w(1,5)=81;w(2,3)=27;w(2,4)=238;w(2,5)=94;w(3,4)=212;w(3,5)=89;w(4,5)=171;@for(roads(i,j):w(i,j)=w(i,j)+w(j,i));@for(roads(i,j):w(i,j)=@if(w(i,j) #eq# 0, 1000,w(i,j)));endcalcn=@size(cities); !城市的个数;min=@sum(roads:w*x);@for(cities(i)|i #ne#1 #and# i #ne#n:@sum(cities(j):x(i,j))=@sum(cities(j):x(j,i)));@sum(cities(j):x(1,j))=1;-@sum(cities(j):x(j,1))=0; !不能回到顶点1;@sum(cities(j):x(j,n))=1;@for(roads:@bin(x));endLingo编的sets:dian/a b1 b2 c1 c2 c3 d/:;link(dian,dian)/a,b1 a,b2 b1,c1 b1,c2 b1,c3 b2,c1 b2,c2 b2,c3 c1,d c2,d c3,d/:x,w;endsetsdata:w=2 4 3 3 1 2 3 1 1 3 4;enddatamin=@sum(link:w*x);@for(link:@bin(x));n=@size(dian);@sum(link(i,j)|i#eq#1:x(i,j))=1;@sum(link(j,i)|i#eq#n:x(j,i))=1;@for(dian(k)|k#ne#1#and#k#ne#n:@sum(link(i,k):x(i,k))=@sum(link(k,i):x(k,i)));- sets:dian/1..5/:level; !level(i)表示点i的水平，用来防止生产圈;link(dian,dian):d,x;endsetsdata:d=0 41 59 189 8141 0 27 238 9459 27 0 212 89189 238 212 0 17181 94 89 171 0;enddatan=@size(dian);min=@sum(link(i,j)|i#ne#j:d(i,j)*x(i,j));@sum(dian(j)|j#gt#1:x(1,j))>1;@for(dian(i)|i#gt#1:@sum(dian(j)|j#ne#i:x(j,i))=1);@for(dian(i)|i#gt#1:@for(dian(j)|j#ne#i#and#j#gt#1:level(j)>level(i)+x(i,j)-(n-2)*(1-x(i,j))+(n-3)*x(j, i)));@for(dian(i)|i#gt#1:level(i)<n-1-(n-2)*x(1,i));@for(dian(i)|i#gt#1:@bnd(1,level(i),100000));@for(link:@bin(x));。
Lingo的使用
Lingo使用——旅游路线最短问题题目:从北京乘飞机到东京、纽约、墨西哥城、伦敦、巴黎五个城市做旅游，每个城市去且仅去一次，再回到东京，问如何安排旅游线路，使总旅程最短。
各城市之间的航线距离如下表：运用lingo软件求解模型建立前问题分析：1．这是一个求路线最短的问题，题目给出了两两城市之间的距离，而在最短路线中,这些城市有的两个城市是直接相连接的（即紧接着先后到达的关系），有些城市之间就可能没有这种关系，所以给出的两两城市距离中有些在最后的最短路线距离计算中使用到了，有些则没有用。
这是一个0-1规划的问题，也是一个线性规划的问题。
2．由于每个城市去且仅去一次，最终肯定是形成一个圈的结构，这就导致了这六个城市其中有的两个城市是直接相连的，另外也有两个城市是不连接的。
这就可以考虑设0-1变量，如果两个城市紧接着去旅游的则为1，否则为0。
就如同下图实线代表两个城市相连为1,虚线代表没有相连为03． 因为每个城市只去一次，所以其中任何一个城市的必有且仅有一条进入路线和一条出去的路线。
求解：为了方便解题，给上面六个城市进行编号，如下表（因为北京是起点， 将其标为1）假设：设变量x ij 。
如果x ij =1,则表示城市i 与城市j 直接相连（即先后紧接到达关系），否则若x ij =0，则表示城市i 与城市j 不相连。
特别说明：x ij 和x ji 是同一变量，都表示表示城市i 与城市j 是否有相连的关系。
这里取其中x ij (I<j)的变量。
模型建立：由于这是一个最短路线的问题，且变量已经设好。
目标函数：min z=51*x12+78*x13+68*x14+51*x15+13*x16+56*x23+35*x24+21*x25+60*x26+21*x34+57*x35+70*x36+36*x45+68*x46+61*x56约束条件：1.上面目标函数中的变量是表示两个城市是否直接相连接的关系，且最短路线是可以形成圈的，如下图实线代表两个城市相连为1,虚线代表没有相连为0如上图城市a和城市b有直接相连接的关系，所以之间变量为1，而城市a 与城市e则没有直接相连接的关系，之间变量为0。
图论与网络流问题的LINGO求解技巧
图论与网络流问题的LINGO 求解技巧我们介绍使用LINGO 求解图论与网络问题中的一些典型问题。
如最短路问题、最大流问题、关键路径问题、最优树问题，以及TSP 问题。
这里主要介绍使用LINGO 求解的方法，重在应用和解决问题。
1 最短路问题的Lingo 求解设图共有个节点，其赋权图的邻接矩阵为n n n w ×.ij w p =表示节点i 到j 的权值为.当为有向图时，p ji w w ij =；当为无向图时，和ij w ji w 分别由图得到，通常不一样。
当，表示节点i 与节点0ij w =j 不连通。
令0ii w =。
假设图的所有权值 0ij w ≥现求节点a 到节点b 的最短路，其线性规划模型为：模型一、决策变量：设1ij i j x i j ⎧=⎨⎩节点与节点连通节点与节点不连通目标函数为寻找一条节点到节点的通路，使其上权值和最小，故目标函数为：a b 11min .nnij ij i j Z w x ===∑∑1. 对节点恰有一条路出去，却不能有路回来，故有：a 11najj j ax=≠=∑ 且10nkak k a x=≠=∑2. 对节点恰有一条路到达，却不能有路出去，故有：b 11nkbk k bx=≠=∑ 且10nbjj j bx=≠=∑3. 对除起始点a 和目标点之外，其它点进入和出去的路是一样多（可都为0），则：b 11,nnkiijk j xx i a ===≠∑∑b4. 对不通的路不取，约束为：,1,2,ij ijx w i j ≤=L n总的线性规划模型为：11111111min .,10..10,1,2,,01n nij iji j nnki ijk j naj j j a n ka k k a n kb k k a nbj j j a ij ijijZ w x x x i a b x x s t x x x w i j x =====≠=≠=≠=≠=⎧=≠⎪⎪⎪=⎪⎪⎪⎪=⎪⎪⎪⎪=⎨⎪⎪⎪=⎪⎪⎪≤=⎪⎪=⎪⎪⎪⎩∑∑∑∑∑∑∑∑L 或n示例演示。
数学建模实验报告关于LINGO的解题方法及其思路分析
数学建模实验报告1．解析：此题属于0-1模型问题。
设队员序号为i ，泳姿为j ，记c ij 为队员i 第j 种泳姿的百米成绩，若选择队员i 参加泳姿j 的比赛，记x ij =1, 否则记xij =0；则有，目标函数为∑∑===4151j i ij ij x c Z Min ，每个人最多选泳姿为1，则有5,1,141=≤∑=i xj ij，每种泳姿有且仅有1人，则有4,1,151==∑=j xi ij。
若丁的蛙泳成绩退步及戊的自由泳成绩进步，则将c43的值和c54的值改变即可。
实验过程及运行结果如下：若丁的蛙泳成绩退步为1'15"2及戊的自由泳成绩进步57"5,计算结果如下：通过计算结果可知，在原数据的情况下，队伍的选择应该是甲参加自由泳，乙参加蝶泳，丙参加仰泳，丁参加蛙泳，戊不参加任何比赛，且最好的时间是253.2秒。
若丁的蛙泳成绩退步为1'15"2及戊的自由泳成绩进步57"5,则组成接力的比赛队伍调整为乙参加蝶泳，丙参加仰泳，丁参加蛙泳，戊参加自由泳，甲不参加任何比赛。
2．解析：此题属于线性规划问题。
已知某工厂用1A 、2A 两台机床加工1B 、2B 、3B 三种不同的零件，设1A 生产1B 、2B 、3B 的个数分别为1x 、2x 、3x ，2A 生产1B 、2B 、3B 的个数分别为4x 、5x 、6x ，则目标函数为min=1*2*1x +2*3*2x +3*5*3x +1*3*4x +1*3*5x +3*6*6x ;1A 加工的工时小于80小时，2A 加工的工时小于100小时，生产1B 、2B 、3B 的总数分别为70个、50个、20个。
实验过程及运行结果如下：通过计算结果可知，当1A 生产1B 、2B 、3B 的个数分别为68个、0个、4个，2A 生产1B 、2B 、3B 的个数分别为2个、50个、16个的时候，才能得到最低的成本640元。
c语言最短路径算法程序
c语言最短路径算法程序在计算机科学领域中，最短路径算法是一种用于找到两个节点之间最短路径的算法。
在实际应用中，最短路径算法非常重要，例如在计算机网络中，路由器需要根据最短路径算法来确定数据包的传输路径。
在这篇文章中，我们将着重探讨C语言中的最短路径算法程序。
首先，我们需要明确最短路径算法的定义。
在一个带权重的图中，每个节点代表一个地点，而边代表着这些地点之间的连接。
权重可以表示地点之间的距离、时间或者成本等。
最短路径算法的目标是找到从一个起始节点到一个目标节点的最短路径，并计算出该路径上的总权重。
在C语言中，我们可以使用多种算法来实现最短路径的计算，其中最著名的算法之一是迪杰斯特拉算法（Dijkstra's algorithm）。
该算法的基本思想是从起始节点开始，逐步找到离起始节点最近的节点，并将路径和权重记录下来。
然后，对于所有与该节点相连的节点，通过比较已知路径权重和新路径权重来更新最短路径。
重复该步骤，直到找到最短路径为止。
下面，让我们来详细讨论一下迪杰斯特拉算法的实现过程。
步骤1: 首先，我们需要定义一些数据结构来表示图的节点、边以及它们之间的关系。
通常，我们可以使用邻接矩阵或邻接表来表示图。
在C语言中，我们可以使用二维数组来表示邻接矩阵，其中矩阵的行和列分别代表节点。
步骤2: 在算法的开始阶段，我们需要对所有节点的路径权重进行初始化。
我们可以使用一个数组来存储所有节点的路径权重，用一个常量来表示无穷大的路径权重。
另外，我们还需要使用一个数组来记录已经计算完成最短路径的节点。
步骤3: 我们选择起始节点，并将其路径权重设置为0。
然后，我们将起始节点标记为已计算完成最短路径的节点。
步骤4: 接下来，我们需要遍历所有与起始节点相连的节点，并计算路径权重。
如果计算出的路径权重小于已知的路径权重，则更新该节点的路径权重。
我们可以使用循环来遍历所有与起始节点相连的节点，并使用条件语句来比较路径权重。
最短路径算法过程
最短路径算法过程
最短路径算法用来在一个给定的图中找到两个节点之间的最短路径，常用于路线规划等场景。
以下是最常用的两种算法：Dijkstra算法和Bellman-Ford算法。
Dijkstra算法的基本思想是维护一个集合，其中包含起点到各个节点的最短路径，不断扩展集合中的节点，直到到达终点。
具体步骤如下：
1. 初始化。
将起点加入集合中，并将起点到各个节点的距离设置为无穷大，表示起点到这些节点还没有路径可达。
起点到自身的距离为0。
2. 选择下一个节点。
从距离集合中选出当前距离最小的节点。
3. 更新距离。
对于该节点的邻居节点，计算从起点到该邻居节点的路径长度。
如果该距离小于当前距离集合中的记录，更新距离集合。
4. 重复直到到达终点。
重复执行步骤2和步骤3，直到集合中包含终点。
Bellman-Ford算法的基本思想是通过对边进行松弛操作，不断缩小源点到其它节点的估计距离。
具体步骤如下：
1. 初始化估计距离。
将起点到各个节点的估计距离设置为无穷大，表示还没有找到最短路径。
估计距离到起点的距离为0。
2. 对所有的边进行松弛操作。
对于每条边(u,v)，如果从起点到u的距离加上(u,v)的距离小于从起点到v的距离，更新从起点到v的距离为新的估计距离。
3. 重复执行步骤2。
重复执行k次步骤2，其中k为起点到终点的路径长度。
在最短路径问题中，选择合适的算法取决于所处理的图的大小和形状。
最短路径LINGO算法
例7.4 最短路问题 给定N 个点),,2,1(N i p i 组成集合}{i p ，由集合中任一点i p 到另一点jp 的距离用ij c 表示，如果i p 到j p 没有弧联结，则规定 ij c ，又规定)1(0N i c ii ，指定一个终点N p ，要求从i p 点出发到N p 的最短路线。
这里我们用动态规划方法来做。
用所在的点i p 表示状态，决策集合就是除i p 以外的点，选定一个点j p 以后，得到效益ij c 并转入新状态j p ，当状态是N p 时，过程停止。
显然这是一个不定期多阶段决策过程。
定义)(i f 是由i p 点出发至终点N p 的最短路程，由最优化原理可得0)(1,,2,1)},({min )(N f N i j f c i f ij j这是一个函数方程，用LINGO 可以方便的解决。
!最短路问题;model :data :n=10;enddatasets :cities/1..n/: F; !10个城市;roads(cities,cities)/1,2 1,32,4 2,5 2,63,4 3,5 3,64,7 4,85,7 5,8 5,96,8 6,97,108,109,10/: D, P;endsetsdata :D=6 53 6 97 5 119 18 7 54 10579;enddataF(n)=0;@for (cities(i) | i #lt# n:F(i)=@min (roads(i,j): D(i,j)+F(j)););!显然，如果P(i,j)=1,则点i 到点n 的最短路径的第一步是i --> j ，否则就不是。
由此，我们就可方便的确定出最短路径;@for (roads(i,j):P(i,j)=@if (F(i) #eq# D(i,j)+F(j),1,0)); end。
利用LinGo求解几种有向图最短路问题
(Fujian Communication Technology College Basic Courses Department, Fuzhou Fujian 350007)
Abstract: In this paper, there are several shortest paths to the weighted graph using Lingo software path length and the solution, and analyzed with a simple solution Lingo place and how to empower a directed graph of the negative rights. Provides a good way to solve this kind of this problem.
CAI Ze- huan，LI Xiang- fu
(Xiangfan Vocational and Technical College, Xiangfan Hubei 441050, China)
Abstract: This paper presents methods to achieve training standards for the effective connection with the needs of employers from five aspects, which is on the basis of vocational education in the training standards and the employer needs the existence of dislocation.
路的优点在于，程序书写简单易懂，容易掌握，答案 直观明了，比传统解题节约不少时间。Lingo不仅仅 在线性规划解题方面有其独特的优越性，在图论解 题中也有其可取之处，简便易懂的程序取得意想不 到的效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
例7.4 最短路问题 给定N 个点
),,2,1(N i p i 组成集合}{i p ，由集合中任一点i p 到另一点j
p 的距离用ij c 表示，如果i p 到j p 没有弧联结，则规定 ij c ，又规定
)1(0N i c ii ，指定一个终点N p ，要求从i p 点出发到N p 的最短路线。
这里我们用动
态规划方法来做。
用所在的点i p 表示状态，决策集合就是除i p 以外的点，选定一个点j p 以
后，得到效益ij c 并转入新状态j p ，当状态是N p 时，过程停止。
显然这是一个不定期多阶
段决策过程。
定义)(i f 是由i p 点出发至终点N p 的最短路程，由最优化原理可得
0)(1,,2,1)},({min )(N f N i j f c i f ij j
这是一个函数方程，用LINGO 可以方便的解决。
!最短路问题;
model :
data :
n=10;
enddata
sets :
cities/1..n/: F; !10个城市;
roads(cities,cities)/
1,2 1,3
2,4 2,5 2,6
3,4 3,5 3,6
4,7 4,8
5,7 5,8 5,9
6,8 6,9
7,10
8,10
9,10
/: D, P;
endsets
data :
D=
6 5
3 6 9
7 5 11
9 1
8 7 5
4 10
5
7
9;
enddata
F(n)=0;
@for (cities(i) | i #lt# n:
F(i)=@min (roads(i,j): D(i,j)+F(j));
);
!显然，如果P(i,j)=1,则点i 到点n 的最短路径的第一步是i --> j ，否则就不是。
由此，我们就可方便的确定出最短路径;
@for (roads(i,j):
P(i,j)=@if (F(i) #eq# D(i,j)+F(j),1,0)
); end。