LINGO大规模规划求解
Lingo求解多目标规划新
Lingo求解多目标规划新例：某工厂生产Ⅰ、Ⅱ两种产品，需要用到A ，B ，C 三种设备，已知有关数据见下表。
企业的经营目标不仅仅是利润，还需要考虑多个方面：（1）力求使利润不低于1500元；（2）考虑到市场需求，Ⅰ、Ⅱ两种产品的产量比应尽量保持1：2；（3）设备A 为贵重设备，严格禁止超时使用；（4）设备C 可以适当加班，但要控制；设备B 即要求充分利用，又尽可能不加班。
在重要性上，设备C 是设备B 的3倍。
ⅠⅡ设备的生产能力/hA （h/件） 2 2 12B （h/件） 4 0 16C （h/件） 0 5 15 利润元/件200300解：此题中只有设备A 是刚性约束，其余都是柔性约束。
首先，最重要的指标是企业的利润，将它的优先级列为第一级；其次是Ⅰ、Ⅱ两种产品的产量保持1：2的比例，列为第二级；再次，设备B 、C 的工作时间要有所控制，列为第三级。
在第三级中，设备B 的重要性是设备C 的3倍，因此它们的权重不一样，设备B 的系数是设备C 的3倍。
该计划问题可用数学模型表示为：目标函数min)33()(433322211++-+--+++++=d d d p d d p d p z满足约束条件2122x x + 12≤15003002001121=-+++-d d x x022221=-+-+-d d x x 14x 1633=-++-d d155442=-++-d d x3,2,1,0,,,21=≥+-i d d x x i i LINGO 程序为：求第一级目标。
LINGO 程序如下： model: sets:variable/1..2/:x;S_Con_Num/1..4/:g,dplus,dminus;S_con(S_Con_Num,Variable):c; endsets data:g=1500 0 16 15; c=200 300 2 -1 4 0 0 5; enddata min=dminus(1); 2*x(1)+2*x(2)<12;@for(S_Con_Num(i):@sum(Variable(j):c(i,j)*x(j))+dminus(i)-dplus(i )=g(i)); end求得dminus(1)=0，即目标函数的最优值为0，第一级偏差为0。
实验1 利用Lingo求解线性规划
实验一：利用Lingo 软件求解线性规划问题实验一 利用Lingo 软件求解线性规划问题1、 实验目的和任务1.1. 进一步掌握Lingo 编程操作；1.2通过实验进一步掌握运筹学线性规划问题的建模以及求解过程，提高学生分析问题和解决问题能力。
2、 实验仪器、设备及材料计算机、Lingo3、 实验内容料场选址问题P10某公司有6个建筑工地要开工，每个工地的位置（用平面坐标a,b 表示，距离单位：km ）及水泥日用量d(单位：t)由下表给出，目前有两个临时料场位于P （5，1），Q （2，7），日储量各有20t.请回答以下问题： 假设从料场到工地之间有直线道路相连，试制定每天的供应计划，即从P,Q 两料场分别向各工地运送多少吨水泥，使总的吨公量数最小。
工地的位置（a,b ）及水泥日用量d建模 设工地的位置为(,)i i a b ,水泥日用量为i d ,i=1,2,…,6;料场位置为(,)j j x y ，日储量为j e ,j=1,2; 从料场j 向工地i 的运送量为ij c 。
决策变量：在问题（1）中，决策变量就是料场j 向工地i 的运送量为ij c ；在问题（2）中，决策变量除了料场j 向工地i 的运送量为ij c 外，新建料场位置(,)j j x y 也是决策变量。
目标函数：这个优化问题的目标函数f 是总砘公量数（运量乘以运输距离），所以优化目标可表为2611min j i f c ===∑∑约束条件：各工地的日用量必须满足，所以21,1,2, (6)ij ijc d i ===∑各料场的运送量不能超过日储量，所以61,1,2. ij jic e j =≤=∑求解过程编写模型程序：（介绍集合的定义及应用）model:sets:!确定变量a(1),a(2),a(3),a(4),a(5),a(6);demand/1..6/:a,b,d;supply/1..2/:x,y,e;link(demand,supply):c;endsetsdata:!分割数据的空格与逗号或回车的作用是等价的;a=1.25 8.75 0.5 5.75 3 7.25;b=1.25,0.75,4.75,5,6.5,7.75;d=3,5,4,7,6,11;e=20,20;!a=enddatainit:!lingo对数据是按列赋值的，而不是按行;x,y=5,1,2,7;endinit[OBJ] min=@sum(link(i,j):c(i,j)*((x(j)-a(i))^2+(y(j)-b(i))^2)^(1/2));@for(demand(i):[demand_con] @sum(supply(j):c(i,j))=d(i););@for(supply(i):[supply_con] @sum(demand(j):c(j,i))<=e(i););@for(supply(i):@bnd(0.5,x(i),8.75);@bnd(0.75,y(i),7.75););End计算结果：（如果你使用的是试用版软件，则可能不能用全局求解器求解本例，因为问题规模太大了，激活全局最优求解程序的方法，是用“lingo|Options”菜单命令打开选项对话框，在“Global Solver”选项卡上选择“Use Global Solver”）Local optimal solution found.Objective value: 85.26604Total solver iterations: 61Variable Value Reduced CostA( 1) 1.250000 0.000000A( 2) 8.750000 0.000000A( 3) 0.5000000 0.000000A( 4) 5.750000 0.000000A( 5) 3.000000 0.000000A( 6) 7.250000 0.000000B( 1) 1.250000 0.000000B( 2) 0.7500000 0.000000B( 3) 4.750000 0.000000B( 4) 5.000000 0.000000B( 5) 6.500000 0.000000B( 6) 7.750000 0.000000D( 1) 3.000000 0.000000D( 2) 5.000000 0.000000D( 3) 4.000000 0.000000D( 4) 7.000000 0.000000D( 5) 6.000000 0.000000D( 6) 11.00000 0.000000X( 1) 3.254883 0.000000X( 2) 7.250000 0.6335133E-06 Y( 1) 5.652332 0.000000Y( 2) 7.750000 0.5438639E-06 E( 1) 20.00000 0.000000E( 2) 20.00000 0.000000C( 1, 1) 3.000000 0.000000C( 1, 2) 0.000000 4.008540C( 2, 1) 0.000000 0.2051358C( 2, 2) 5.000000 0.000000C( 3, 1) 4.000000 0.000000C( 3, 2) 0.000000 4.487750C( 4, 1) 7.000000 0.000000C( 4, 2) 0.000000 0.5535090C( 5, 1) 6.000000 0.000000C( 5, 2) 0.000000 3.544853C( 6, 1) 0.000000 4.512336C( 6, 2) 11.00000 0.000000Row Slack or Surplus Dual PriceOBJ 85.26604 -1.000000DEMAND_CON( 1) 0.000000 -4.837363DEMAND_CON( 2) 0.000000 -7.158911DEMAND_CON( 3) 0.000000 -2.898893DEMAND_CON( 4) 0.000000 -2.578982DEMAND_CON( 5) 0.000000 -0.8851584DEMAND_CON( 6) 0.000000 0.000000SUPPLY_CON( 1) 0.000000 0.000000SUPPLY_CON( 2) 4.000000 0.000000如果把料厂P，Q的位置看成是已知并且固定的，这时是LP模型，只需把上面的程序中初始段的语句移到数据段就可以了。
lingo解决线性规划问题的程序（经典）
Lingo 12软件培训教案Lingo 主要用于求解线性规划，整数规划，非线性规划，V 10以上版本可编程。
例1 一个简单的线性规划问题0 , 600 2 100 350 st. 3 2max >=<=+=<<=++=y x y x x y x y x z!exam_1.lg4 源程序 max = 2*x+3*y; [st_1] x+y<350; [st_2] x<100;2*x+y<600; !决策变量黙认为非负; <相当于<=; 大小写不区分当规划问题的规模很大时，需要定义数组(或称为矩阵)，以及下标集(set) 下面定义下标集和对应数组的三种方法，效果相同:：r1 = r2 = r3, a = b = c. sets :r1/1..3/:a; r2 : b;r3 : c;link2(r1,r2): x; link3(r1,r2,r3): y; endse t s data :ALPHA = 0.7; a=11 12 13 ; r2 = 1..3; b = 11 12 13;c = 11 12 13; endda t a例2 运输问题解： 设决策变量ij x = 第i 个发点到第j 个售点的运货量，i =1,2,…m; j =1,2,…n; 记为ij c =第i 个发点到第j 个售点的运输单价，i =1,2,…m; j =1,2,…n 记i s =第i 个发点的产量， i =1,2,…m; 记j d=第j 个售点的需求量， j =1,2,…n.其中，m = 6; n = 8. 设目标函数为总成本，约束条件为（1）产量约束；（2）需求约束。
于是形成如下规划问题：nj m i x nj d x m i s x x c ij j ni ij i mj ij mi nj ij ij ,...,2,1,,...,2,1,0,...,2,1,,...,2,1, st.z min 1111==>=<==<==∑∑∑∑====把上述程序翻译成LI N GO 语言，编制程序如下：!exam_2.lg4 源程序model:!6发点8收点运输问题;sets:rows/1..6/: s; !发点的产量限制;cols/1..8/: d; !售点的需求限制;links(rows,cols): c, x; !运输单价，决策运输量;endset s!-------------------------------------;data:s = 60,55,51,43,41,52;d = 35 37 22 32 41 32 43 38;c = 6 2 6 7 4 2 9 54 95 3 8 5 8 25 2 1 9 7 4 3 37 6 7 3 9 2 7 12 3 9 5 7 2 6 55 5 2 2 8 1 4 3;enddat a!------------------------------------;min = @sum(links: c*x); !目标函数=运输总成本;@for(rows(i):@sum(cols(j): x(i,j))<=s(i) ); ! 产量约束;@for(cols(j):@sum(rows(i): x(i,j))=d(j) ); !需求约束;end例3把上述程序进行改进，引进运行子模块和打印运算结果的语句：!exam_3.lg4 源程序model:!6发点8收点运输问题;sets:rows/1..6/: s; !发点的产量限制;cols/1..8/: d; !售点的需求限制;links(rows,cols): c, x; !运输单价，决策运输量;endset s!==================================;data:s = 60,55,51,43,41,52;d = 35 37 22 32 41 32 43 38;c = 6 2 6 7 4 2 9 54 95 3 8 5 8 25 2 1 9 7 4 3 37 6 7 3 9 2 7 12 3 9 5 7 2 6 55 5 2 2 8 1 4 3;enddat a!==================================;submod el transf er:min = cost; ! 目标函数极小化;cost = @sum(links: c*x); !目标函数：运输总成本;@for(rows(i):@sum(cols(j): x(i,j)) < s(i) ); ! 产量约束;@for(cols(j):@sum(rows(i): x(i,j)) > d(j) ); !需求约束;endsub model!==================================;calc:@solve(transf er); !运行子模块（解线性规划）;@divert('transf er_ou t.txt');!向.txt文件按自定格式输出数据;@write('最小运输成本=',cost,@newlin e(1),'最优运输方案x=');@for(rows(i):@write(@newlin e(1));@writef or(cols(j): ' ',@format(x(i,j),'3.0f') ) );@divert(); !关闭输出文件;endcal cend打开transfer_out.txt文件，内容为：最小运输成本=664最优运输方案x=0 19 0 0 41 0 0 01 0 0 32 0 0 0 00 11 0 0 0 0 40 00 0 0 0 0 5 0 3834 7 0 0 0 0 0 00 0 22 0 0 27 3 0例4data段的编写技巧（1）：从txt文件中读取原始数据!exam_3.lg4 源程序中的d a ta也可以写为：data:s = @file('transf er_da ta.txt');d = @file('transf er_da ta.txt');c = @file('transf er_da ta.txt');enddat a其中，transf er_da ta.txt的内容为：!transf er.lg4程序的数据;!产量约束s= ;60,55,51,43,41,52 ~!需求约束d= ;35 37 22 32 41 32 43 38 ~!运输单价c= ;6 2 67 4 2 9 54 95 3 8 5 8 25 2 1 9 7 4 3 37 6 7 3 9 2 7 12 3 9 5 7 2 6 55 5 2 2 8 1 4 3 ~!注：字符~是数据分割符,若无此符，视所有数据为一个数据块，只赋给一个变量;例5lingo程序的的3种输入和3种输出方法;!exam_5.lg4的源程序;sets:rows/1..3/: ;cols/1..4/: ;link(rows,cols): a, b, mat1, mat2;endset sdata:b = 1,2,3,45,6,7,89,10,11,12; !程序内输入;a = @file('a.txt'); !外部txt文件输入;mat1 = @ole('d:\lingo12\data.xls',mat1); !EXcel文件输入;enddat acalc:@text('a_out.txt') = a; !列向量形式输出数据;@for(link: mat2 = 2*mat1);@ole('d:\lingo12\data.xls') = mat2 ;!把mat2输出到xls文件中的同名数据块;!向.txt文件按自定格式输出数据(参照前例);Endcal c例6程序段中的循环和选择结构举例!exam_6.lg4的源程序;sets:rows/1..5/:;cols/1..3/:;links(rows,cols):d;endset sdata:d=0 2 34 3 21 3 24 7 22 1 6;enddat acalc:i=1;@while(i#le#5:a = d(i,1);b = d(i,2);c = d(i,3);@ifc(a#eq#0:@write('infeas ible!',@newlin e(1));@elsedelta= b^2-4*a*c;sqrt = @sqrt(@if(delta#ge#0, delta,-delta));@ifc(delta#ge#0:@write('x1=',(-b+sqrt)/2/a,'x2=',(-b-sqrt)/2/a,@newlin e(1));@else@write('x1=',-b/2/a,'+',sqrt/2/a,'i','x2=',-b/2/a,'-',sqrt/2/a,'i',@newlin e(1));););i=i+1;);endcal c本程序中的循环结构也可以用@for(rows(i): 程序体);进行计算。
LINGO在多目标规划及最大最小化模型中的应用
LINGO 在多目标规划和最大最小化模型中的应用在许多实际问题中，决策者所期望的目标往往不止一个，如电力网络管理部门在制定发电计划时即希望安全系数要大，也希望发电成本要小，这一类问题称为多目标最优化问题或多目标规划问题。
一、多目标规划的常用解法多目标规划的解法通常是根据问题的实际背景和特征，设法将多目标规划转化为单目标规划，从而获得满意解，常用的解法有：1．主要目标法确定一个主要目标，把次要目标作为约束条件并设定适当的界限值。
2．线性加权求和法对每个目标按其重要程度赋适当权重0≥i ω，且1=∑i i ω，然后把)(x f i ii ∑ω作为新的目标函数（其中p i x f i ,,2,1),( =是原来的p 个目标）。
3．指数加权乘积法设p i x f i ,,2,1),( =是原来的p 个目标，令∏==p i a i ix f Z 1)]([其中i a 为指数权重，把Z 作为新的目标函数。
4．理想点法先分别求出p 个单目标规划的最优解*i f ，令∑-=2*))(()(i i f x f x h然后把它作为新的目标函数。
5．分层序列法将所有p 个目标按其重要程度排序，先求出第一个最重要的目标的最优解，然后在保证前一个目标最优解的前提条件下依次求下一个目标的最优解，一直求到最后一个目标为止。
这些方法各有其优点和适用的场合，但并非总是有效，有些方法存在一些不足之处。
例如，线性加权求和法确定权重系数时有一定主观性，权重系数取值不同，结果也就不一样。
线性加权求和法、指数加权乘积法和理想点法通常只能用于两个目标的单位（量纲）相同的情况，如果两个目标是不同的物理量，它们的量纲不相同，数量级相差很大，则将它们相加或比较是不合适的。
二、最大最小化模型在一些实际问题中，决策者所期望的目标是使若干目标函数中最大的一个达到最小（或多个目标函数中最小的一个达到最大）。
例如，城市规划中需确定急救中心的位置，希望该中心到服务区域内所有居民点的距离中的最大值达到最小，称为最大最小化模型，这种确定目标函数的准则称为最大最小化原则，在控制论，逼近论和决策论中也有使用。
利用LINGO软件解决数学建模问题
LINGO 7.0 运行结果如下：
Global optimal solution found at step: Objective value:
Variable X1 Value 264937.9
8
933400.0
Reduced Cost 0.0000000 Row 1 2 3 4 5 6 Slack or Surplus 933400.0 0.0000000 0.0000000 0.0000000 0.0000000 0.0000000 Dual Price
表1
标准汽油 １ ２ ３ ４ 辛烷数 １０７.５ ９３.０ ８７.０ １０８.０ 蒸 汽
(1 g/cm^2=98Pa)
压 力 库存量 （g/cm^2） 7.11*10^(-2) 11.38*10^(-2) 5.69*10^(-2) 28.45*10^(-2)
表
３８００００ ２６２２００ ４０８１００ １３０１００
表2
飞机汽油 １ ２ 辛烷数 >=９１ >=１００ 蒸汽压力（g/cm^2） <=９.９６＊１０^(-2) <=９.９６＊１０^(-2) 产量需求（Ｌ） 越多越好 >=２５００００
建模过程略（详见《运筹学基础》Ｐ５４—５５） 目标函数：max z=x1+x2+x3+x4 约束条件：x5+x6+x7+x8>=250000 x1+x5<=380000 x2+x6<=265200 x3+x7<=408100 x4+x8<=130100 2.85x1-1.42x2+4.27x3-18.49x4>=0 2.85x5-1.42x6+4.27x7-18.49x8>=0 16.5x1+2.0x2-4.0x3+17x4>=0 7.5x5-7.0x6-13.0x7+8.0x8>=0 xj>=0(j=1,2...,8)
运用Lingo进行线性规划求解(实例)
LINGO
支持多种线性规划算法，包括单纯形法、网络算法等。
要点二
Gurobi
主要采用高级优化算法，如分支定界法、动态规划等。
LINGO与Gurobi的比较
LINGO
支持各种类型的约束条件，包括整数约束、非线性约束 等。
Gurobi
特别擅长处理大规模、非线性问题，但对线性问题的处 理能力稍弱。
LINGO
界面简洁，建模语言直观，易于学习和掌握。
Excel
需要结合多个函数和工具进行建模，对于复杂问题操作相对繁琐。
LINGO与Excel的比较
LINGO
针对优化问题进行了优化，求解速度 较快，精度较高。
Excel
求解速度较慢，对于大规模问题可能 无法得到满意的结果。
LINGO与Gurobi的比较
LINGO软件特点
高效求解
LINGO采用先进的求解算法，能够快速求解大规 模线性规划问题。
灵活建模
LINGO支持多种建模语言，用户可以根据需要选 择合适的语言进行建模。
图形界面
LINGO提供直观的图形界面，方便用户进行模型 设计和结果查看。
LINGO软件应用领域
生产计划
LINGO可用于制定生产计划，优化资源配置， 提高生产效率。
金融投资
LINGO可以用于金融投资组合优化，帮助投 资者实现风险和收益的平衡。
物流优化
LINGO可以帮助企业优化物流配送路线，降 低运输成本。
资源分配
LINGO可用于资源分配问题，如人员、设备、 资金的分配，以达到最优效果。
2023
PART 02
线性规划基本概念
REPORTING
线性规划定义
线性规划是数学优化技术的一种，它通过将问 题抽象为数学模型，利用数学方法来寻找最优 解。
用lingo求解规划问题实例
用lingo求解规划问题实例用Lingo求解规划问题实例问题一:某公司打算向它的3个营业区增设6个销售店，每个营业区至少增设一个。
从各区赚取的利润与增设的销售店个数有关，其数据如下表所示。
试求各区应分配几个增设的销售店，才能使总利润最大。
销售点增加数 0 1 2 3 4A区利润/万元 100 200 280 330 340B区利润/万元 200 210 220 225 230C区利润/万元 150 160 170 180 200分析:要设置集合zone/A,B,C/，表示三个地区。
因为获得的利润与地区和各地的销售点增加数均相关，所以可以仿照运输模型，用number/1..4/表示每个地区可选的销售点增加数，1，在i地区新增j个销售点,然后用一个派生集links(zone,number):c,profit，定义 c,,ij0，其他,profit(i,j)为在i地区新增j个销售点能获得的利润。
可写出约束条件为:4， c,1i,1,2,3,ijj,1c,0或1 ij34cj,6 ,,ijij,,11所求函数为max=@sum(links:c*profit);Lingo程序如下:model:sets:zone/A,B,C/; !A,B,C三个地区;number/1..4/; !各地区可选择新建的销售点数目，可选1~4中的一个数，通过links把zone和number联系起来;links(zone,number):c,profit; !若在i地区新建j个销售点，则c(i,j)=1,否则c(i,j)=0.profit(i,j)表示在i地区新建j个销售点的利润; endsets data:profit=200 280 330 340210 220 225 230160 170 180 200;enddatamax=@sum(links:c*profit);@for(zone(I):@sum(number(J):c(I,J))=1); !对于每一个地区，新建销售点的数目是一定的，c的和为1;@sum(zone(I):@sum(number(J):c(I,J)*J))=6; !三个地区新建的销售点总数为6;@for(links(i,j):@bin(c(i,j))); !每一个c(i,j)只能取0或1;end用Lingo求解，结果如下:Global optimal solution found.Objective value: 710.0000Extended solver steps: 0Total solver iterations: 0Variable Value Reduced CostC( A, 1) 0.000000 -200.0000C( A, 2) 0.000000 -280.0000C( A, 3) 1.000000 -330.0000C( A, 4) 0.000000 -340.0000C( B, 1) 1.000000 -210.0000C( B, 2) 0.000000 -220.0000C( B, 3) 0.000000 -225.0000C( B, 4) 0.000000 -230.0000C( C, 1) 0.000000 -160.0000C( C, 2) 1.000000 -170.0000C( C, 3) 0.000000 -180.0000C( C, 4) 0.000000 -200.0000 则在A，B，C区域应分别新增3，1，2个销售点，可获得的最大利润为710万元。
LINGO模型实例及求解
j 1
6
cij e j , j 1,2
i 1
决策变量： ci j，(xj,yj)~16维
非线性规划模型
LINGO模型的构成：4个段
集合段（SETS ENDSETS）
数据段（DATA ENDDATA）
LP：移到数据段
初始段（INIT ENDINIT） 目标与 约束段
局部最优：89.8835(吨公里 )
0.000000
R32 1.000000
0.000000
R33 0.000000
0.000000
R41 0.000000
0.000000
R42 0.000000
0.000000
R43 2.000000
0.000000
模式1：每根原料钢管切割成3 根4米和1根6米钢管，共10根；
模式2：每根原料钢管切割成2 根4米、1根5米和1根6米钢管， 共10根；
模式3：每根原料钢管切割成2 根8米钢管，共8根。 原料钢管总根数为28根。
背包问题
某人打算外出旅游并登山，路程比较远，途中要 坐火车和飞机，考虑要带许多必要的旅游和生活用 品，例如照相机、摄像机、食品、衣服、雨具、书 籍等等，共n件物品，重量分别为ai，而受航空行 李重量限制，以及个人体力所限，能带的行李总重 量为b，n件物品的总重量超过了b，需要裁减，该 旅行者为了决策带哪些物品，对这些物品的重要性 进行了量化，用ci表示，试建立该问题的数学模 型．这个问题称为背包问题(Knapsack Problem)．
钢管下料
切割模式
按照客户需要在一根原料钢管上安排切割的一种组合。
4米1根 6米1根
8米1根
余料1米
4米1根 6米1根
lingo解决线性规划问题的程序(经典)
非线性规划问题
目前Lingo主要专注于线性规划问题的求 解，未来可以进一步拓展到非线性规划领 域。
与其他软件的集成
为了更好地满足用户需求，Lingo可以与 其他数学软件或编程语言进行集成，提供 更强大的功能和更广泛的应用范围。
感谢观看
THANKS
调整模型或参数
输出结果报告
如果运行结果不合理或不符合预期，可以 调整数学模型或参数设置，并重新运行程 序进行求解。
将运行结果整理成报告形式，包括问题背景 、数学模型、运行结果、结果分析等部分， 以便后续参考和使用。
04
经典线性规划问题案例解析
生产计划问题
问题描述
某公司生产多种产品，每种产品需要 不同的资源和时间，且有市场需求限 制。公司需要制定一个生产计划，以 最大化利润或最小化成本。
目标函数
以总收益为目标函数，求解最优资源分配方案。
变量设置
设每项任务分配的资源数量为决策变量，根据资 源总量和任务需求建立约束条件。
Lingo程序实现
使用Lingo语言描述问题，调用Lingo求解器求解 。
05
Lingo在解决线性规划问题 中的优势
高效求解大规模问题
01
利用高效的求解引擎，能够快速处理包含大量变量和约束的线 性规划问题。
法等。
支持用户自定义算法， 满足特殊问题的求解需
求。
易于操作和使用
01 提供直观的图形化界面，方便用户输入问 题、查看求解结果和进行数据分析。
02 支持多种数据格式导入，如Excel、CSV等 ，方便用户处理实际问题。
03
提供丰富的函数库和建模语言，支持用户 快速构建复杂的数学模型。
04
提供详细的帮助文档和教程，帮助用户快 速上手并解决遇到的问题。
LINGO的使用方法说明大全
LINGO的使用简介LINGO软件是美国的LINGO系统公司开发的一套专门用于求解最优化问题的软件包．LINGO除了能够用于求解线性规划和二次规划外，还可以用于非线性规划求解、以及一些线性和非线性方程(组)的求解等．LINGO软件的最大特色在于它允许优化模型中的决策变量为整数，即可以求解整数规划，而且执行速度快．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．在这里仅简单介绍LINGO的使用方法．LINGO(Linear INteractive and General Optimizer )的基本含义是交互式的线性和通过优化求解器．它是美国芝加哥大学的 Linus Schrage 教授于1980年开发了一套用于求解最优化问题的工具包，后来经过完善成何扩充，并成立了LINDO系统公司．这套软件主要产品有：LINDO，LINGO，LINDO API和What’sBest．它们在求解最优化问题上，与同类软件相比有着绝对的优势．软件有演示版和正式版．正式版包括：求解包(solver suite)、高级版(super)、超级版(hyper)、工业版(industrial)、扩展版(extended)．不同版本的LINGO对求解问题的规模有限制，如附表３-1所示．附表３-1 不同版本LINGO对求解规模的限制版本类型总变量数整数变量数非线性变量数约束数演示版 300 30 30 150求解包 500 50 50 250高级版 2000 200 200 1000超级版 8000 800 800 4000工业版 32000 3200 32000 16000扩展版无限无限无限无限3.1 LINGO程序框架LINGO可以求解线性规划、二次规划、非线性规划、整数规划、图论及网络最优化问题和最大最小求解问题，以及排队论模型中最优化等问题．一个LINGO程序一般会包括以下几个部分：(1) 集合段：集部分是LINGO模型的一个可选部分．在LINGO模型中使用集之前，必须在集部分事先定义．集部分以关键字“sets:”开始，以“endsets”结束．一个模型可以没有集部分，或有一个简单的集部分，或有多个集部分．一个集部分可以放置于模型的任何地方，但是一个集及其属性在模型约束中被引用之前必须先定义．(2) 数据段：在处理模型的数据时，需要为集部分定义的某些元素在LINGO求解模型之前为其指定值．数据部分以关键字“data:”开始，以关键字“enddata”结束．(3) 目标和约束段：这部分用来定义目标函数和约束条件等．该部分没有开始和结束的标记．主要是要用到LINGO的内部函数，尤其是与集合有关的求和与循环函数等．(4)初始段：这个部分要以关键字“INIT：”开始，以关键字“ENDINIT”结束，它的作用是对集合的属性定义一个初值．在一般的迭代算法中，如果可以给一个接近最优解的初始值，会大大减少程序运行的时间．(5) 数据预处理段：这一部分是以关键字“CALC：”开始，以关键字“ENDCALC”结束．它的作用是把原始数据处理成程序模型需要的数据，它的处理是在数据段输入完以后、开始正式求解模型之前进行的，程序语句是按顺序执行的．3.2 LINGO中集合的概念在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、交通工具和雇工等等．LINGO允许把这些相联系的对象聚合成集（sets）．一旦把对象聚合成集，就可以利用集来最大限度地发挥LINGO建模语言的优势．现在将深入介绍如何创建集，并用数据初始化集的属性．3.2.1集的构成集是LINGO建模语言的基础，是程序设计最强有力的基本构件．借助于集能够用一个单一的、简明的复合公式表示一系列相似的约束，从而可以快速方便地表达规模较大的模型．集是一群相联系的对象，这些对象也称为集的元素．一个集可能是一系列产品、卡车或雇员．每个集的元素可能有一个或多个与之有关联的特征，把这些特征称为属性．属性值可以预先给定，也可以是未知的，有待于LINGO求解的．LINGO有两种类型的集：原始集(primitive set)和派生集(derived set)．一个原始集是由一些最基本的对象组成的．一个派生集是用一个或多个其它集来定义的，也就是说，它的元素来自于其它已存在的集．3.2.2模型的集部分集部分在程序中又称为集合段，它是LINGO模型的一个可选部分．在LINGO模型中使用集之前，必须在集部分事先定义．集部分以关键字“sets:”开始，以“endsets”结束．一个模型可以没有集部分，或有一个简单的集部分，或有多个集部分．一个集部分可以放置于模型的任何地方，但是一个集及其属性在模型约束中被引用之前必须先定义．(1)原始集的定义为了定义一个原始集，必须详细说明集的名字，而集的元素和相应的属性是可选的．定义一个原始集，用下面的语法：setname[/member_list/][:attribute_list];注意：用“[]”表示该部分内容是可选的（下同）．Setname是用来标记集的名字，最好具有较强的可读性．集名字必须严格符合标准命名规则：以拉丁字母或下划线为首字符，其后由拉丁字母、下划线、阿拉伯数字组成的总长度不超过32个字符的字符串，且不区分大小写．注意：该命名规则同样适用于集元素名和属性名等的命名．Member_list是集元素的列表．如果集元素放在集定义中，那么对它们可采取显式和隐式罗列两种方式．如果集元素不放在集定义中，那么可以在随后的数据部分定义．①当显式罗列元素时，必须为每个元素输入一个不同的名字，中间用空格或逗号隔开，允许混合使用．例3.1 定义一个名为friends的原始集，它具有元素John，Jill，Rose和Mike，其属性有sex和age：sets:friends/John Jill, Rose Mike/: sex, age;endsets②当隐式罗列元素时，不必罗列出每个集元素．可采用如下语法：setname/member1..member N/[: attribute_list];这里的member1是集的第一个元素名，member N是集的最后一个元素名．LINGO将自动产生中间的所有元素名．LINGO也接受一些特定的首元素名和末元素名，用于创建一些特殊的集．③集元素不放在集定义中，而在随后的数据部分来定义．例3.2!集部分;sets:friends:sex,age;endsets!数据部分;data:friends,sex,age=John,1,16 Jill,0,14 Rose,0,17 Mike,1,13;enddata注意：开头用感叹号（!），末尾用分号（;）表示注释，可跨多行．在集部分只定义了一个集friends，并未指定元素．在数据部分罗列了集元素John，Jill，Rose和Mike，并对属性sex和age分别给出了值．集元素无论用何种字符标记,它的索引都是从1开始连续计数．在attribute_ list可以指定一个或多个集元素的属性，属性之间必须用逗号隔开．LINGO内置的建模语言是一种描述性语言，用它可以描述现实世界中的一些问题，然后再借助于LINGO 求解器求解．因此，集属性的值一旦在模型中被确定，就不可能再更改．只有在初始部分中给出的集属性值在以后的求解中可更改．这与前面并不矛盾，初始部分是LINGO求解器的需要，并不是描述问题所必须的．(2) 定义派生集为了定义一个派生集，必须详细说明集的名字和父集的名字，而集元素和属性是可选的．可用下面的语法定义一个派生集：setname(parent_set_list)[/member_list/][:attribute_list];setname是集的名字．parent_set_list是已定义的集的列表，多个时要用逗号隔开．如果没有指定成员列表，那么LINGO会自动创建父集元素的所有组合作为派生集的元素．派生集的父集既可以是原始集，也可以是其它的派生集．例3.3sets:product/A,B/;machine/M,N/;week/1..2/;allowed(product,machine,week):x;endsetsLINGO生成了三个父集的所有组合共八组作为allowed集的元素，列表如下：编号元素1 (A,M,1)2 (A,M,2)3 (A,N,1)4 (A,N,2)5 (B,M,1)6 (B,M,2)7 (B,N,1)8 (B,N,2)元素列表被忽略时，派生集成员由父集成员所有的组合构成，这样的派生集成为稠密集．如果限制派生集的成员，使它成为父集成员所有组合构成的集合的一个子集，这样的派生集成为稀疏集．同原始集一样，派生集元素的说明也可以放在数据部分．一个派生集的元素列表有两种方式生成：①显式罗列；②设置元素选择的过滤器．当采用方式①时，必须显式罗列出所有要包含在派生集中的元素，并且罗列的每个元素要属于稠密集．使用前面的例子，显式罗列派生集的元素，如：allowed(product,machine,week)/A M 1,A N 2,B N 1/;如果需要生成一个大的、稀疏的集，那么显式罗列就十分麻烦．但是许多稀疏集的元素都满足一些条件，可以把这些逻辑条件看作过滤器，在LINGO生成派生集的元素时把使逻辑条件为假的元素从稠密集中过滤掉．例3.4sets:!学生集：性别属性sex，1表示男性，0表示女性；年龄属性age;students/John,Jill,Rose,Mike/:sex,age;!男学生和女学生的联系集：友好程度属性friend！[0，1]之间的数;linkmf(students,students)|sex(&1)#eq#1#and#sex(&2)#eq#0: friend;!男学生和女学生的友好程度大于0.5的集;linkmf2(linkmf) | friend(&1,&2) #ge# 0.5 : x;endsetsdata:sex,age =1 16,0 14,0 17,0 13;friend =0.3,0.5,0.6;enddata用竖线（|）来标记一个元素过滤器的开始．#eq#是逻辑运算符，用来判断是否“相等”. &1可看作派生集的第1个原始父集的索引，它取遍该原始父集的所有元素；&2可看作派生集的第2 个原始父集的索引，它取遍该原始父集的所有元素；&3，&4，…，依此类推．注意如果派生集B的父集是另外的派生集A，那么上面所说的原始父集是集A向前回溯到最终的原始集，其顺序保持不变，并且派生集A的过滤器对派生集B仍然有效．因此，派生集的索引个数是最终原始父集的个数，索引的取值是从原始父集到当前派生集所作限制的总和．3.3 LINGO数据部分和初始部分在处理模型的数据时，需要为集指定一些元素并且在LINGO求解模型之前为集的某些属性指定数值．为此，LINGO为用户提供了两个可选部分：输入集元素数值的数据部分（Data Section）和为决策变量设置初始值的初始部分（Init Section）．3.3.1数据部分(1) 数据部分入门数据部分以关键字“data:”开始，“enddata”结束．在这里，可以指定集元素和集的属性．其语法如下：object_list = value_list;对象列（object_list）包含要指定值的属性名、要设置集元素的集名，用逗号或空格隔开．一个对象列中只能有一个集名，而属性名可以有任意多个．如果对象列中有多个属性名，那么它们的类型必须一致．数值列（value_list）包含要分配给对象列中对象的值，用逗号或空格隔开．注意属性值的个数必须等于集元素的个数．例3.5sets:SET0/A,B,C/: X,Y;endsetsdata:X=1,2,3;Y=4,5,6;enddata在集SET0中定义了两个属性X和Y．X的三个值是1，2，3，Y的三个值是4，5，6．也可采用如下例子中的复合数据说明（data statement）实现同样的功能．例3.6sets:SET0/A,B,C/: X,Y;endsetsdata:X,Y=1 4 2,5 3 6;enddata如果对象列中有n个对象，LINGO在为对象指定值时，首先在n个对象的第1个索引处依次分配数值列中的前n个对象，然后在n个对象的第2个索引处依次分配数值列中紧接着的n个对象，…，依此类推．(2) 参数输入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．例如，假设模型中用利率9%作为一个参数，就可以输入一个利率作为参数．例3.7data:interest_rate = .09;enddata实际中也可以同时指定多个参数．如：data:interest_rate,inflation_rate = .09, .025;enddata(3) 实时数据处理在某些情况下，模型中的某些数据并不是定值．譬如模型中有一个参数在2%至6%范围内，对不同的值求解模型，观察模型的结果对参数依赖的程度，那么把这种情况称为实时数据处理．处理方法是在该语句的数值后面输入一个问号（?）．data:interest_rate,inflation_rate = .09 ?;enddata在每一次求解模型时，LINGO都会提示为参数inflation_rate输入一个值．在WINDOWS操作系统下，将会看到一个如下面的对话框：直接输入一个值再点击OK按钮，LINGO就会把输入的值指定赋给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元素名．(4) 指定属性为一个值可以在数据定义的右边输入一个值来把所有的元素的该属性指定为一个值．如下面的例子．例3.9sets:days /MO,TU,WE,TH,FR,SA,SU/:needs;endsetsdata:needs = 40;enddataLINGO将用40指定days集的所有元素的needs属性．对于多个属性的情形如下：sets:days /MO,TU,WE,TH,FR,SA,SU/:needs,cost;endsetsdata:needs cost = 40 90;enddata(5) 数据部分的未知数值表示法有时候只需为一个集的部分元素的某个属性指定数值，而让其余元素的该属性是未知的，以便让LINGO 去求出它们的最优值．在数据定义中输入两个相连的逗号表示该位置对应元素的属性值未知，两个逗号间可以有空格．例3.10sets:years/1..6/: capacity;endsetsdata:capacity = ,24,40,,,;属性capacity的第2个和第3个值分别为24和40，其余的未知．3.3.2初始部分初始部分是LINGO提供的另一个可选内容．在初始部分中，与数据部分中的数据定义相同，可以输入初始定义（initialization statement）．在对实际问题的建模时，初始部分并不起到描述模型的作用，初始部分输入的值仅被LINGO求解器当作初始值来使用，并且仅仅对非线性模型有用．这与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变量的数值．一个初始部分以关键字“init:”开始，以关键字“endinit”结束．初始部分的初始定义规则和数据部分的数据定义规则相同．也就是说，可以在定义的左边同时初始化多个集属性，即可以把集属性初始化为一个数值，也可以用问号定义为实时数据，还可以用逗号指定为未知数值．例3.11init:X,Y = 1,0;endinitY=@log(X);X^2+Y^2<=1;3.4 LINGO函数3.4.1运算符及其优先级LINGO 中的运算符可以分为三类：算数运算符、逻辑运算符和关系运算符．(1) 算数运算符算数运算符分为5种： (加法)， (减法)， (乘法)， (除法)， (求幂)．(2) 逻辑运算符逻辑运算符分为两类：#AND#(与)，#OR#(或)，#NOT#(非)：这3个运算符是参与逻辑值之间的运算，其结果还是逻辑值．运算符#EQ#(等于)，#NE#(不等于)，#GT#(大于)，#GE#(大于等于)，#LT#(小于)，#LE#(小于等于)是用于“数与数之间”的比较，其结果是实逻辑值．(3) 关系运算符LINGO中有3种关系运算符：<(小于等于)，>(大于等于)，=(等于)．注意LINGO中优化模型的约束一般没有严格大于、严格小于，要和逻辑运算符区分开．运算符的优先等级如附表3-2所示．附表3-2 运算符的优先级3.4.2 LINGO数学函数(1) 基本数学函数LINGO中有相当丰富的数学函数，这些函数的用法简单．下面列表对各个函数的用法做简单的介绍，具体情况如附表3-3所示．(2) 集合循环函数集合循环是指对集合上的元素(下标)进行循环操作的函数，它的一般用法如下：@function(setname[(set_index_list)[|condition]]:expression_list)；其中function是集合函数名，是FOR,MAX,MIN,PROD,SUM五种之一．setname是集合名；set_index_list 是集合索引列表(可以省略)；condition是实用逻辑表达式描述的过滤条件(通常含有索引，可以省略)；expression_list是一个表达式(对@FOR可以是一组表达式)．下面对具体的集合函数作如下解释：@FOR(集合元素的循环函数)：对集合setname的每个元素独立生成表达式，表达式由expression_list 描述．@MAX(集合属性的最大值)：返回集合setname上的表达式的最大值．@MIN(集合属性的最小值) ：返回集合setname上的表达式的最小值．@PROD(集合元素的乘积函数)：返回集合setname上的表达式的积．@SUM(集合元素的求和函数) ：返回集合setname上的表达式的和．(3) 集合操作函数集合操作函数是对集合进行操作的函数，主要有4种，下面分别介绍它们的一般用法．1）@INDEX([set_name,]primitive_set_element)这个函数给出元素primitive_set_element在集合set_name中的索引值(即按定义集合时元素出现顺序的位置编号)．如果省略编号set_name，LINGO按模型中定义的集合顺序找到第一个含有元素primitive_set_element的集合，并返回索引值．通过下面例子解释函数的使用方法．例如，假设定义一个女孩的姓名集合和一个男孩的姓名集合：SETS:GIRLS/DEBBLE,SUE,ALICE/;BOYS/BOB,JOE,SUE,FRED/;ENDSETS注意到女孩集和男孩集中都有一个为SUE的元素，如果要调用此函数@INDEX(SUE)，则得到返回索引值是2．因为集合GIRLS在集合BOYS之前，则索引函数只对集合GIRLS检索．如果想查找男孩集中的SUE，则应该使用@INDEX(BOYS,SUE)，则此时得到的索引值是3．2）@IN(set_name,primitive_index_1[,primitive_index_2 …])这个函数用于判断一个集合中是否含有某个索引值．它的返回值是1(逻辑值“真”)，或是0(逻辑值“假”)．例3.12全集为I，B是I的一个子集，C是B的补集．sets:I/x1..x4/;B(I)/x2/;C(I)|#not#@in(B,&1):;endsets3）@wrap(index,limit)该函数返回j=index-k*limit，其中k是一个整数，取适当值保证j落在区间[1，limit]内．该函数相当于index模limit再加1．该函数在循环、多阶段计划编制中特别有用．4）@size(set_name)该函数返回集set_name的元素个数．在LINGO模型中，如果没有明确给出集的大小，则使用该函数能够使模型中的数据变化和集的大小改变更加方便．(4) 变量定界函数变量界定函数能够实现对变量取值范围的附加限制，共4种：1）@bin(x)表示限制就是x为0或1；2）@bnd(L,x,U)表示限制变量x满足；3）@free(x)表示取消对变量x的默认下界为0的限制，即x可以取任意实数；4）@gin(x)表示限制变量x为整数．在默认情况下，LINGO规定变量是非负的，即下界值为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．(5) 概率论中相关函数1）@pbn(p,n,x)二项分布的分布函数，当n和（或）x不是整数时，用线性插值法进行计算．2）@pcx(n,x)自由度为n的χ2分布的分布函数在x点的取值．3）@peb(load,x)当到达负荷（平均服务强度）为load，服务系统有x个服务台，且系统容量无限时的Erlang繁忙概率，多用于解决排队问题．4）@pel(load,x)当到达负荷（平均服务强度）为load，服务系统有x个服务台，系统容量为有限时的Erlang繁忙概率，多用于解决排队问题．5）@pfd(n,d,x)自由度为n和d的F分布的分布函数在x点的取值．6）@pfs(load,x,c)当负荷上限为load，顾客数为c，平行服务台数量为x时，顾客源有限的Poisson服务系统的等待或有返回顾客数的期望值．load是顾客数乘以平均服务时间，再除以平均返回时间．当c和（或）x不是整数时，采用线性插值进行计算．7）@phg(pop,g,n,x)超几何（Hypergeometric）分布的分布函数．pop表示产品总数，g是正品数．从所有产品中任意取出n（n≤pop）件．pop，g，n和x都可以是非整数，这时采用线性插值进行计算．8）@ppl(a,x)Poisson分布的线性损失函数，即返回max(0,z-x)的期望值，其中随机变量z服从均值为a的Poisson 分布．9）@pps(a,x)均值为a的Poisson分布的分布函数在x点的取值．当x不是整数时，采用线性插值进行计算．10）@psl(x)单位正态线性损失函数，即返回max(0,z-x)的期望值，其中随机变量z服从标准正态分布．11）@psn(x)标准正态分布的分布函数在x点的取值．12）@ptd(n,x)自由度为n的t分布的分布函数在x点的取值．13）@qrand(seed)产生(0,1)区间的拟随机数．@qrand只允许在模型的数据部分使用，它将用拟随机数填满集属性．通常定义一个m×n的二维表，m表示运行实验的次数，n表示每次实验所需的随机数的个数．在行内，随机数是独立分布的；在行间，随机数是非均匀的．这些随机数是用“分层取样”的方法产生的．(6) 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)得到．@fpa的计算公式为．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．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．这两个函数间的关系：．（7）输入和输出函数输入和输出函数可以把模型与外部数据（如文本文件、数据库和电子表格等）连接起来．1）@file函数该函数用于从外部数据文件中输入数据，它可以放在模型中任何地方．该函数的语法格式为@file(’’)．这里是文件名，可以采用相对路径和绝对路径两种表示方式．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．除了记录结束标记外，从模型外部调用的文本和数据同在模型里是一样的．下面介绍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 求解完成模型后关闭该文件．注意，如果有多个文件同时保持打开状态，可能就会导致一些问题，LINGO允许同时打开文件的上限数是16．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，用来把求解结果输出至文本文件中．它可以输出集元素和集属性值．其语法为@text([’’])这里是文件名，可以采用相对路径和绝对路径两种表示方式．如果忽略，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元素名）或集属性名（用来输出该集属性的值）．用接口函数产生输出的数据定义称为输出操作．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．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可以同时读集元素和集属性，集元素最好使用文本格式，集属性最好使用数值格式．原始集每个集元素需要一个单元(cell)，而对于n元的派生集每个集元素需要n个单元，这里第一行的n个单元对应派生集的第一个集元素，第二行的n个单元对应派生集的第二个集元素，依此类推．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求解模型后的结束状态：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．7）@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）．(8) 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是否为真，如果为真，返回true_ result，否则返回false_result．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．3）@user(user_determined_arguments)该函数允许用户自己编写函数，可以用c语言等编写，返回值为用户函数计算的结果．3.５ LINGO程序出错信息在LINGO模型求解时，系统会对程序进行编译、求解或是执行于程序相关的命令，这都有可能出现一些语法或运行的错误．当出现时，系统会弹出一个出错报告框，显示错误代码，并且大致指出错误的所在位置．这些错误信息报告对于用户发现及改正程序中的错误有很大帮助．如附表3-4就出错提示信息，进行说明（没有说明的错误编号目前还没有使用）．。
实用运筹学4.2 目标规划的Lingo求解
（2） 当任务重时，可以采用加班的方法扩大生产，但每周加 班最好不超过10小时；
（3） 尽量达到销售指标；
（4） 尽可能减少加班时间．
试建立该问题的目标规划模型，并为该厂给出一个满意的生 产方案．
从计算结果可以看出，问题的最优解（满意解 ）为甲机械生产10辆，乙机械和丙机械均生产8辆 ，获得利润78万元，有28个设备工时未利用．
练习： 假设某洗衣机厂生产全自动和半自动两种洗衣机，每 生产一台这两种洗衣机都需要工时为1(h/台)． 工厂的正常 生产能力是每日两班、每周工作80小时． 根据市场需求，每 周的最大销售量为全自动70台，半自动35台．已知每售出一 台全自动和半自动洗衣机的利润分别为250元和150元，为了 制定合理的生产计划，负责人提出： （1） 尽量避免开工不足；
应用Lingo软件求解可得如下结果： Variable Value Reduced Cost D1_ 0.000000 9669.667 D2 0.000000 0.000000 D3 0.000000 100.0000 D4_ 28.00000 0.000000 D4 0.000000 2.000000 X1 10.00000 0.000000 X2 8.000000 0.000000 X3 8.000000 0.000000 D1 0.000000 330.3333 D2_ 0.000000 1000.000 D3_ 0.000000 0.000000
例4.2.1 某机床厂拟生产甲、乙、丙三种型号的机 床，每生产一台甲、乙、丙型号的机床需要的工时 分别为6小时、9小时、10小时，根据历史销售经验 ，甲、乙、丙型号的机床每月市场需求分别为10台 、12台、8台，每销售一台的利润分别为2.2万元、 3万元、4万元．生产线每天的工作时间为8小时． 企业负责人在制定生产计划时，首先要保证利润不 低于计划利润78万元；其次，根据市场调查，乙型 机床销量有下降的趋势，丙型机床销量有上升的趋 势，因而，乙型机床的产量不应多于丙型机床的产 量；此外，由于市场变化，甲型机床的原材料成本 增加，使得利润下降，应适当降低其产量；最后， 要充分利用原有的设备台时，尽量不要加班生产． 试为该企业制定合理的生产计划．
LINGO模型实例及求解
LINGO求解整数非线性规划模型
Local optimal solution found at
iteration: 12211
Objective value:
28.00000
Variable Value Reduced Cost
X1 10.00000
0.000000
X2 10.00000
2.000000
当余料没有用处时，通常以总根数最少为目标
钢管下料问题2
增加一种需求：5米10根；切割模式不超过3种。
现有4种需求：4米50根，5米10根，6米20根，8米 15根，用枚举法确定合理切割模式，过于复杂。
对大规模问题，用模型的约束条件界定合理模式
决策变量 (15维) xi ~按第i 种模式切割的原料钢管根数(i=1,2,3) r1i, r2i, r3i, r4i ~ 第i 种切割模式下，每根原料钢管 生产4米、5米、6米和8米长的钢管的数量
每根原料钢管切割成2某人打算外出旅游并登山路程比较远途中要坐火车和飞机考虑要带许多必要的旅游和生活用品例如照相机摄像机食品衣服雨具书籍等等共n件物品重量分别为a而受航空行李重量限制以及个人体力所限能带的行李总重量为bn件物品的总重量超过了b需要裁减该旅行者为了决策带哪些物品对这些物品的重要性进行了量化用c表示试建立该问题的数学模型
4 x1 3 x22 x3x4x550最优解：x2=15,
x22x4x53x620 x5=5, x7=5,
x3x52x715
其余为0；
xi 为整数
最优值：25。
按模式2切割15根， 与目标1的结果“共切割
按模式5切割5根， 27根，余料27米” 相比
按模式7切割5根， 共25根，余料35米 虽余料增加8米，但减少了2根
用lingo求解数学规划模型实例
1, 第i个部队分配第j种装备 设 xij 0, 第i个部队不分配第j种装备
目标函数： max aij xij
i 1 j1
9
9
xij 1 i 1 9 s .t . : x 1 ij j1 xij=0或1
（ i, j=1,2,…,9）
9
9
EQ1 EQ2 EQ3 EQ4 EQ5 EQ6 EQ7 EQ8 EQ9 AR1 0 0 0 0 0 0 0 0 1 AR2 0 0 0 1 0 0 0 0 0 AR3 0 0 0 0 0 1 0 0 0 AR4 0 0 0 0 1 0 0 0 0 AR5 1 0 0 0 0 0 0 0 0 AR6 0 0 0 0 0 0 1 0 0 AR7 0 0 0 0 0 0 0 1 0 AR8 0 0 1 0 0 0 0 0 0 AR9 0 1 0 0 0 0 0 0 0 装备 部队 1 2 3 4 5 6 7 8 9 A 0.24 0.31 0.31 0.49 0.63 0.45 0.45 0.32 0.33 B 0.42 0.04 0.24 0.06 0.15 0.02 0.07 0.24 0.56 C 0.15 0.60 0.08 0.28 0.31 0.37 0.26 0.58 0.41 D 0.46 0.69 0.14 0.13 0.60 0.14 0.15 0.64 0.13 E 0.34 0.11 0.54 0.65 0.06 0.69 0.18 0.43 0.65 F 0.69 0.24 0.61 0.41 0.41 0.29 0.43 0.45 0.07 G 0.03 0.45 0.37 0.55 0.47 0.61 0.55 0.09 0.22 H 0.57 0.35 0.48 0.25 0.19 0.18 0.66 0.05 0.46 I 0.69 0.27 0.34 0.36 0.31 0.46 0.08 0.20 0.11
用LINGO求解线性规划问题
用LINGO求解线性规划问题实验1 用LINGO求解线性规划问题LINGO使用简介LINGO软件是美国的LINDO系统公司（Lindo System Inc）开发的一套用于求解最优化问题的软件包.LINGO除了能用于求解线性规划和二次规划外，还可以用于非线性规划求解以及一些线性和非线性方程（组）的求解.LINGO软件的最大特色在于它允许优化模型中的决策变量为整数，而且执行速度快.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，这里简单介绍LINGO的使用方法.LINGO可以求解线性规划、二次规划、非线性规划、整数规划、图论及网络优化和排队论模型中的最优化问题等.一个LINGO程序一般会包含集合段、数据输入段、优化目标和约束段、初始段和数据预处理段等部分，每一部分有其独特的作用和语法规则，读者可以通过查阅相关的参考书或者LINGO的HELP文件详细了解，这里就不展开介绍了.LINGO的主要功能特色为：既能求解线性规划问题，也有较强的求解非线性规划问题的能力；输入模型简练直观；运算速度快、计算能力强；内置建模语言，提供几十个内部函数，从而能以较少语句，较直观的方式描述大规模的优化模型；将集合的概念引入编程语言，很容易将实际问题转换为LINGO模型；并且能方便地与Excel、数据库等其他软件交换数据.LINGO的语法规定：（1）求目标函数的最大值或最小值分别用MAX=…或MIN=…来表示；（2）每个语句必须以分号“；”结束，每行可以有许多语句，语句可以跨行；（3）变量名称必须以字母（A~Z）开头，由字母、数字（0~9）和下划线所组成，长度不超过32个字符，不区分大小写；（4）可以给语句加上标号，例如[OBJ] MAX=200*X1+300*X2；（5）以惊叹号“！”开头，以分号“；”结束的语句是注释语句；（6）如果对变量的取值范围没有作特殊说明，则默认所有决策变量都非负；（7）LINGO模型以语句“MODEL：”开头，以“END”结束，对于比较简单的模型，这两个语句可以省略.实验目的1.对于给定的实际应用问题，正确的建立线性规划问题数学模型，并用LINGO求解；2.掌握灵敏度分析以及资源的影子价格的相关分析方法.实验数据与内容问题1.1 某工厂在计划期内要安排生产A、B两种产品，已知生产单位产品所需设备台时及对甲、乙两种原材料的消耗，有关数据如表1.1.问：应如何安排生产计划，使工厂获利最大？表1.1 资源配置问题的数据产品资源AB可利用资源设备128台时甲416公斤乙412公斤单位利润2元3元建立线性规划问题的数学模型，用LINGO求出最优解并做相应的分析.问题1.2 某公司饲养实验用的动物以供出售，已知这些动物的生长对饲料中3种营养成分（蛋白质、矿物质和维生素）特别敏感，每个动物每周至少需要蛋白质60g，矿物质3g，维生素8mg，该公司能买到5种不同的饲料，每种饲料1kg所含各种营养成分和成本如表1.2所示，如果每个小动物每周食用饲料不超过52kg，求既能满足动物生长需要，又使总成本最低的饲料配方.表1.2 配料（食谱）问题的数据饲料营养1A2A4A5A营养最低要求蛋白质(g) 0.3210.61.860矿物质(g) 0.10.050.20.053维生素(mg) 0.050.10.020.20.088成本（元/ kg）0.20.70.40.5实验指导问题1.1设计划生产两种产品分别为，则建立线性规划问题数学模型 BA,21,xx.......≥≤≤≤++=0,12416482.32max21212121xxxxxxtsxxS在LINGO的MODEL窗口内输入如下模型：model:max=2*x1+3*x2;x1+2*x2<=8;4*x1<=16;4*x2<=12;end选菜单Lingo|Solve(或按Ctrl+S),或用鼠标点击“求解”按纽，如果模型有语法错误，则弹出一个标题为“LINGO Error Message”(错误信息)的窗口，指出在哪一行有怎样的错误，每一种错误都有一个编号（具体含义可查阅相关文献或LINGO的Help）.改正错误以后再求解，如果语法通过，LINGO用内部所带的求解程序求出模型的解，然后弹出一个标题为“LINGO Solver Status”（求解状态）的窗口，其内容为变量个数、约束条件个数、优化状态、耗费内存、所花时间等信息，点击Close关闭窗口，屏幕上出现标题为“Solution Report”（解的报告）的信息窗口，显示优化计算（线性规划中换基迭代）的步数、优化后的目标函数值、列出各变量的计算结果.求解结果：Global optimal solution found at iteration: 5Objective value: 14.00000Variable Value Reduced CostX1 4.000000 0.000000X2 2.000000 0.000000Row Slack or Surplus Dual Price1 14.00000 1.0000002 0.000000 1.5000003 0.000000 0.12500004 4.000000 0.000000该报告说明：运行5步找到全局最优解，目标函数值为14，变量值分别为.“Reduced Cost”的含义是需缩减成本系数或需增加利润系数（最优解中取值非零的决策变量的Reduced Cost值等于零）.“Row”是输入模型中的行号，目标函数是第一行；“Slack orSurplus”的意思是松弛或剩余，即约束条件左边与右边的差值，对于“124,2==xx≤”的不等式，右边减左边的差值为Slack（松弛），对于“”的不等式，左边减右边的差值为Surplus（剩余），当约束条件两边相等时，松弛或剩余的值等于零.“Dual Price”的意思是对偶价格（或称为影子价格），上述报告中Row2的松弛值为0，表明生产甲产品4单位、乙产品2单位，所需设备8台时已经饱和，对偶价格1.5的含义是：如果设备增加1台时，能使目标函数值增加1.5.报告中Row4的松弛值为4，表明生产甲产品4单位、乙产品2单位，所需原材料乙8公斤还剩余4公斤，因此增加原材料乙不会使目标函数值增加，所以对偶价格为0.≥问题1.2设需要饲料分别为 kg，则建立线性规划数学模型：54321,,,,AAAAA54321,,,,xxxxx123451234512345123451234512345min0.20.70.40.30.50.32 0.61.8600.10.050.020.20.0530.050.10.020.20.088.52,,,,0Sxxxxxxxx xxxxxxxxxxxxstxxxxxxxxxx=++++++++≥..++++..++++..++++≤.≥..在LINGO的MODEL窗口内输入如下模型：Min=0.2*x1+0.7*x2+0.4*x3+0.3*x4+0.5*x5;0.3*x1+2*x2+x3+0.6*x4+1.8*x5>60;0.1*x1+0.05*x2+0.02*x3+0.2*x4+0.05*x5>3;0.05*x1+0.1*x2+0.02*x3+0.2*x4+0.08*x5>8; x1+x2+x3+x4+x5<52;求解输出结果如下:Global optimal solution found at iteration: 4 Objective value: 22.40000Variable Value Reduced CostX1 0.000000 0.7000000X2 12.00000 0.000000X3 0.000000 0.6166667X4 30.00000 0.000000X5 10.00000 0.000000Row Slack or Surplus Dual Price1 22.40000 -1.0000002 0.000000 -0.58333333 4.100000 0.0000004 0.000000 -4.1666675 0.000000 0.8833333因此,每周每个动物的配料为饲料、、分别为12、30和10kg，合计为52，可使得饲养成本达到最小，最小成本为22.4元；不选用饲料和的原因是因为这两种饲料的价格太高了，没有竞争力.“Reduced Cost”分别等于0.7和0.617，说明当这两种饲料的价格分别降低0.7元和0.62元以上时，不仅选用这两种饲料而且使得饲养成本降低.从“Slack or Surplus”可以看出，蛋白质和维生素刚达到最低标准，矿物质超过最低标准4.12A4A5Akgkgkg1A3Ag；从“Dual Price”可以得到降低标准蛋白质1单位可使饲养成本降低0.583元，降低标准维生素1单位可使饲养成本降低4.167元，但降低矿物质的标准不会降低饲养成本，如果动物的进食量减少，就必须选取精一些的饲料但要增加成本，大约进食量降低1可使得饲养成本增加0.88元.kg对于目标函数系数和约束条件右端常数项的灵敏度分析，可以通过LINGO软件求解的灵敏度分析给出.如果要看灵敏度分析结果，必须激活灵敏度计算功能才会在求解时给出灵敏度分析结果，默认情况下这项功能是关闭的.想要激活它，必须运行LINGO|Options…命令，选择Gengral Solver，在Dual Computation列表框中，选择Prices and Ranges选项并确定.对于例1.1问题进行灵敏度分析，结果如下：以下是灵敏度分析的结果Ranges in which the basis is unchanged:Objective Coefficient RangesCurrent Allowable AllowableVariable Coefficient Increase DecreaseX1 2.000000 INFINITY 0.5000000X2 3.000000 1.000000 3.000000Righthand Side RangesRow Current Allowable AllowableRHS Increase Decrease2 8.000000 2.000000 4.0000003 16.00000 16.00000 8.0000004 12.00000 INFINITY 4.000000对于例1.2问题进行灵敏度分析，结果如下：Ranges in which the basis is unchanged: Objective Coefficient RangesCurrent Allowable AllowableVariable Coefficient Increase Decrease X1 0.2000000 INFINITY 0.7000000X2 0.7000000 INFINITY 0.1358974X3 0.4000000 INFINITY 0.6166667X4 0.3000000 1.400000 1.000000X5 0.5000000 0.1247059 INFINITY Righthand Side RangesRow Current Allowable AllowableRHS Increase Decrease2 60.00000 4.800000 4.8000003 3.000000 4.100000 INFINITY4 8.000000 0.3428571 0.48000005 52.00000 1.846154 1.411765思考题某投资公司拟制定今后5年的投资计划，初步考虑下面四个投资项目：项目A：从第1年到第4年每年年初可以投资，于次年年末收回成本，并可获利润15%；项目B：第3年年初可以投资，到第5年年末可以收回成本，并获得利润25%，但为了保证足够的资金流动，规定该项目的投资金额上限为不超过总金额的40%；项目C：第2年年初可以投资，到第5年年末可以收回成本，并获得利润40%，但公司规定该项目的最大投资金额不超过总金额的30%；项目D：5年内每年年初可以购买公债，于当年年末可以归还本金，并获利息6%.该公司现有投资金额100万元，请帮助该公司制定这些项目每年的投资计划，使公司到第5年年末核算这5年投资的收益率达到最大.建立线性规划问题的数学模型，并用LINGO求解.。
LINGO大规模规划求解
lingo 大规模规划求解首先，让我们先看看一个非常简单的规划例子在LINGO 软件中实现过程： 目标函数：y(min)=2∗x 1+x 2−3∗x 3+5约束条件：{x 1+x 2−3∗x 3≤10x 1−2∗x 2≥5x 1,x 2,x 3∈N求解上面目标函数的最小值，我们在lingo 中可编写如下代码： model:MIN =2*X1+X2-3*X3+5; X1+X2-3*X3<=10; X1-2*X2>=5@GIN (X1);!整数约束； @GIN (X2); @GIN (X3); END可以看出，LINGO 语言和数学专业语言很接近，很容易表示约束条件和目标函数。
可是对于规模很大的约束条件，难道我们也必须这样一条一条的输入吗，显然这样做是一件非常困难和繁琐的事，lingo 语言又是如何表示约束条件规模巨大的规划问题呢，带着这样的疑问，让我们一步一步得看下面的内容：一、集合域在数学中集合的定义如下：集合：具有某种相同属性的对象放在一起，就形成了一个集合， 集合中的每一个对象称作该集合的元素。
在大规模的优化问题中，集合是必然存在的，比如在平板车建模中，各种规格集装箱就可以看成一个集合，在货物配送问题中154个城市可以看成一个集合。
在lingo 语言中，将某些对象看成一个集合便可以很方便地对集合中的每一个元素进行统一处理。
集合域必须在模型的约束引用集合之前定义。
集合域用关键字“sets”开始，“endsets”结束。
集合分类：基本集合定义统一语法格式：setname[/member-list/][:attribute-list];集合名/对象名1 对象名2 …对象名n/：对象属性；集合定义的几种方法:setsrow/1..20/：d1，d2,…dn; !集合名/对象名/：对象属性；end sets派生集合定义方法：setsrow/1..20/;col/1..100/;page/1..50/;link(row.col):k1,k2…kn;trd/(row.col.page):t1,t2,…tn;end setsK1可以表示某个省的某个城市的人口。
2024版lingo解决线性规划问题的程序经典要点
资源分配问题案例
01
问题描述
资源分配问题涉及如何将有限的资源分配给不同的项目或部 门，以实现整体效益最大化的目标。
02 03
Lingo模型构建
在资源分配问题中，决策变量通常表示分配给不同项目或部 门的资源数量。目标函数可以是最大化整体效益或满足特定 目标下的资源分配，约束条件则包括资源总量的限制、项目 或部门的需求限制等。
数据处理能力
Excel在数据处理和表格计算方面 非常强大，而Lingo则更适合处理 复杂的优化问题。
求解规模
对于较小规模的线性规划问题， Excel的规划求解工具可以胜任， 但对于大规模问题，Lingo更具优 势。
扩展性
Lingo可以通过编写程序来解决各 种复杂的优化问题，而Excel则受 限于其内置的函数和工具。
对偶单纯形法
内点法
启发式算法
单纯形法是求解线性规 划问题的经典方法，它 通过迭代的方式在可行 域的顶点上寻找最优解。
对偶单纯形法是单纯形 法的一种改进，它通过 对偶问题的求解来得到 原问题的最优解，适用 于初始基可行解不易找 到的情况。
内点法是一种适用于大 规模线性规划问题的求 解方法，它通过在可行 域内部寻找最优解来避 免单纯形法在迭代过程 中可能出现的退化情况。
Lingo程序编写注意事项
变量命名规范 变量命名应具有描述性，避免使用无意 义的字符或数字组合，以提高代码可读
性和可维护性。 避免重复计算
在循环或迭代过程中，避免重复计算 相同的表达式或值，以减小计算量和
时间复杂度。
注释清晰明了 在关键代码处添加注释，解释代码功 能和实现思路，便于他人理解和修改。
Lingo软件功能与特点
功能丰富
Lingo软件提供了丰富的数学规划求解功能，包括 线性规划、非线性规划、整数规划、二次规划等。 用户可以根据实际问题需求选择合适的求解方法。
(2024年)用Lingo软件编程求解规划问题解决方案
2024/3/26
1
目录
2024/3/26
• 引言 • 规划问题建模 • Lingo软件编程实现 • 规划问题求解与分析 • 案例研究：用Lingo解决实际规划问题 • 总结与展望
2
01
引言
2024/3/26
3
规划问题概述
规划问题定义
规划问题是一类优化问题，旨在 寻找满足一系列约束条件的决策 变量最优解，使得目标函数达到 最优（最大或最小）。
要点三
推动软件升级和普及
Lingo软件作为一款优秀的数学规划 求解工具，未来可以进一步推动其升 级和普及工作。例如，可以增加更多 实用的功能、提高软件的易用性和稳 定性等，以吸引更多的用户使用该软 件解决规划问题。
2024/3/26
29
THANKS
感谢观看
2024/3/26
30
。同时，需要注意Lingo语言的语法和规则，确保模型的正确性和可解
性。
10
03
Lingo软件编程实现
2024/3/26
11
Lingo编程环境介绍
Lingo是一款专门用于求解线性、非线性和整数规划问题的软件，它提供了一个直观易用的编程环境。
Lingo支持多种类型的数学模型，如线性规划、目标规划、整数规划等，并内置了大量的函数和算法， 方便用户快速构建和求解模型。
束条件。
8
数学模型建立
1 2
选择合适的数学模型
根据问题的特点和目标，选择合适的数学模型， 如线性规划、整数规划、非线性规划等。
构建目标函数
根据优化目标，构建目标函数，即问题的优化标 准。
3
构建约束条件方程
- 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)。
lingo 大规模规划求解首先，让我们先看看一个非常简单的规划例子在LINGO软件中实现过程：目标函数：约束条件：求解上面目标函数的最小值，我们在lingo中可编写如下代码：model:MIN=2*X1+X2-3*X3+5;X1+X2-3*X3<=10;X1-2*X2>=5@GIN(X1);!整数约束；@GIN(X2);@GIN(X3);END可以看出，LINGO语言和数学专业语言很接近，很容易表示约束条件和目标函数。
可是对于规模很大的约束条件，难道我们也必须这样一条一条的输入吗，显然这样做是一件非常困难和繁琐的事，lingo语言又是如何表示约束条件规模巨大的规划问题呢，带着这样的疑问，让我们一步一步得看下面的内容：一、集合域在数学中集合的定义如下：集合：具有某种相同属性的对象放在一起，就形成了一个集合，集合中的每一个对象称作该集合的元素。
在大规模的优化问题中，集合是必然存在的，比如在平板车建模中，各种规格集装箱就可以看成一个集合，在货物配送问题中154个城市可以看成一个集合。
在lingo语言中，将某些对象看成一个集合便可以很方便地对集合中的每一个元素进行统一处理。
集合域必须在模型的约束引用集合之前定义。
集合域用关键字“sets”开始，“endsets”结束。
集合分类：基本集合定义统一语法格式：setname[/member-list/][:attribute-list];集合名/对象名1 对象名2 … 对象名n/：对象属性；集合定义的几种方法:setsrow/1..20/：d1，d2,…dn; !集合名/对象名/：对象属性；end sets派生集合定义方法：setsrow/1..20/;col/1..100/;page/1..50/;link(row.col):k1,k2…kn;trd/(row.col.page):t1,t2,…tn;end setsK1可以表示某个省的某个城市的人口。
t1可以表示某个省的某个城市某个人的收入。
二、数据域：数据域是优化问题中已知得对象的属性值，例如：人的身高，体重；车辆的载重，行驶速度。
数据域以关键字“data”开头，“enddata”结束。
数据域可以出现在模型中的任何地方。
data:d1=…;k1=…;t1=…;enddata数据域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3.8sets:years/1..5/: capacity;endsetsdata: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。
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（?）。
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。
三、初始域初始域是专门为初始化决策变量而定义的一块区域。
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。
init:X, Y = 0, .1;endinitY=@log(X);X^2+Y^2<=1;好的初始点会减少模型的求解时间。
四、集合循环函数统一语法格式：@function(setname[(set_index_list)[| condition]]:expression_list);其中：function是集合函数名，是FOR,MAX,MIN,PROD,SUM五种之一；setname是集合名；set_index_list是集合索引列表（不需使用索引时可以省略）；condition是逻辑表达式描述的过虑条件（通常含有索引，无条件时可省略）；expression_list是一个表达式（对@FOR函数，可以是一组表达式）。
五个集合函数名的含义如下：@FOR（集合元素循环函数）：对集合setname 的每个元素独立地生成表达式，表达式由expression_list描述（通常是优化问题的约束）。
@MAX（集合属性的最大值函数）：返回集合setname上的表达式的最大值。
@MIN（集合属性的最小值函数）：返回集合setname上的表达式的最小值。
@PROD(集合属性的乘积函数)：返回集合setname上的表达式的积。
@SUM（集合属性的求和函数）：返回集合setname上的表达式的和。
对应数学表达式与LINGO命令：数学表达式lingo命令(一维数组和)@sum(row(i):x(i));(二维维数组和)@sum(links(i,j):x(i,j));(矩阵点乘和)@sum(links(i,j):x(i,j)*Y(i,j)); (求数组的积)@prod(row(i):x(i));（比较m个一维数组的和）@for(col(j):@sum(row(i):x(i))<=@sum(row(i):y(i)));五、变量定界函数变量定界函数对变量的取值范围附加限制，共有以下四种函数：@BND(L,X,U)：限制L〈=X〈=U。
注意LINGO中命令SLB，SUB类似函数@SLB和@SUM.@BIN(X):即限制X为0或1。
注意LINGO中这个函数的名字却不是@INT(X). @FREE(X)：取消对X的符号限制（即可取负数、0后正数）。
@GIN(X)：限制X为整数。
数学表达式LINGO命令@for(row(i):@bnd(0,x(i),20));@for(row(i):@BIN(x(i)));@for(row(i):@FREE(x(i)));@for(row(i):@gin(x(i)));六、条件控制器用于集合循环函数中，循环变量的范围控制。
有两类控制方法：1是直接控制集合中对象的范围，2是通过控制对象属性值的范围来间接控制对象的范围。
数学表达式lingo命令(i=1,2,…,n-3)@sum(row(i)|i#LE#n-3:x(i));(j>=5)@sum(links(i,j)|j#GE#5:x(i,j));(@sum(links(i,j)|x(i,j)#NE#0:x(i,j)*Y(i,j));@prod(row(i)|x(i)#NE#0:x(i));七、基本的数学函数在LINGO中建立优化模型时引用大量的内部函数这些函数以"@"、。
号打头.LINGO中包括相当丰富的数学函数,这些函数的用法非常简单,我们直接在下一一列出@ABS(X);绝对值函数,返回X的绝对值@COS(X);余弦函数,返回X 的余弦值(X 的单位是弧度)@EXP(X)指数函数,返回x e的值(其中 e为自然对数值的底,即2.718281…) @FLOOR(X);取整函数,返回X的整数部分(向最靠近0的方向取整).@LGM(X):返回X的伽马(Gamma)函数的自然对数值(当X为整数时LGM(X)=LOG(X-1)!;当X不为整数时,采用线性插值得到结果)@LOG(X):自然对数函数,返回自然对数值@MOD(X,Y): 模函数,返回X对Y 的取模的结果,即X 除以Y的余数,这里X余Y 应是整数@POW(X,Y):指数函数,返回yX的值.@SIGN(X):符号函数,返回X 的符号值(X<0是返回-1,X>=0时返回+1)@SIN(X):正弦函数,返回X 的正弦值(X 的单位是弧度) 95@SMAX(list)::最大值函数,返回一列数(list)的:最大值@SMIN.(list)::最小值函数,返回一列数(list)的:最小值@SQR(X) :平方函数,返回X 的平方即(X*X)的值@SQRT(X):平方根函数,返回X 的平方根的值@TAN（X）；正切函数，返回X的正切值（X的单位是弧度）。
八、lingo中其他常用命令@WRAP（I，N）当I为于区间[I，N]内时直接返回I；一般地，返回J=I-K*N，其中J位于区间[1，N]，K为函数。
可见这个函数相当于数学上用I 对N取模函数的值+1，即@WRAP（I，N）=@MOD(I,N)+1.此函数对N〈1无定义。
@SIZE(set_name)返回数据集set_name中包含元素的个数。
@IF (logical _condition, true _result, false _result)当逻辑表达式logical _condition的结果为真时，返回true _result,否则返回false _result。
例如@if(x # LT # 100,20,15)语句，当X〈100时，返回20，否则返回15。
@WARN (…text‟, logical _condition)如果逻辑表达式“logical _condition”的结果为真,显示 'text'信息.@USER (user _determined _arguments)该函数是允许用户自己编写的函数( dl或0bj文件),该用户函数可能当用C或FORTRAN等其他语言编写并编译,返回值为用户函数计算的结果.从编程角度来看,@USER 函数包含两个参数：第一个用于指定参数个数，第二个用于指定参数向量：而在LINGO中调用·USER时则直接指定对应的参数“user _determined_”（类似于C语言中的main ( argc , argv ) 的编程和运行方式）.更多细节请参考LINGO使用手册.九、文件读写1. 复制和粘贴功能对于数据量不是很大的集合而言，复制粘贴是最快捷最简单的方法，和其他软件操作一样，LINGO软件，支持从网页，文本文档，电子表格中复制数据。