一、前言
二、实现
1. 背包问题
% 背包容量
C = 50;
% 物品价值
values = [60, 100, 120];
% 物品重量
weights = [10, 20, 30];
% 使用整数线性规划解决
x = binvar(length(values), 1); % 定义二进制变量
prob = optimproblem('f', -sum(values .* x), ...
'xbinvar', x, ...
'Aineq', weights', ...
'bineq', C, ...
'lb', zeros(size(x)), ...
'ub', ones(size(x)));
[x_val, fval] = solve(prob);
% 输出结果
disp('被选中的物品索引:');
disp(find(x_val));
disp('最大价值:');
disp(-fval); % 注意我们最小化了-价值
2. 指派问题(匈牙利算法)
% 成本矩阵
cost = [4, 1, 3; 2, 0, 5; 3, 2, 2];
% 使用匈牙利算法
[row, col, cost_min] = assignment(cost);
% 输出结果
disp('指派结果(行号,列号):');
disp([row, col]);
disp('最小总成本:');
disp(cost_min);
3. 抽屉原理(非优化问题,但可模拟)
% 假设有10个物品和3个抽屉
items = 10;
drawers = 3;
% 随机分配物品到抽屉
allocation = randi([1, drawers], 1, items);
% 统计每个抽屉的物品数
drawer_counts = accumarray(allocation, 1);
% 找出哪个抽屉物品最多
[~, max_drawer] = max(drawer_counts);
disp(['最多物品的抽屉是:', num2str(max_drawer), ',有', num2str(drawer_counts(max_drawer)), '个物品。']);
4. 旅行商问题(TSP)
% 假设有城市间的距离矩阵
D = [0, 2, 4, 6; 2, 0, 3, 5; 4, 3, 0, 1; 6, 5, 1, 0];
% 遗传算法解决TSP
n = size(D, 1);
route = randperm(n); % 初始随机路径
% 这里简化处理,实际应使用遗传算法函数
% 示例:ga(@(x) tsp_cost(x, D), n, [], [], [], [], [], [], [], IntCon=[1:n]);
% 其中 tsp_cost 是自定义函数,计算给定路径的总成本
% 假设 tsp_cost 已经计算出了最佳路径 best_route
disp('最佳路径:');
disp(best_route);
5. 排队论模型
% 假设一个简单的M/M/1队列
lambda = 1; % 到达率
mu = 2; % 服务率
sim_time = 1000; % 模拟时间
% 初始化
time = 0;
queue = 0;
served = 0;
wait_times = [];
while time < sim_time
if rand() < lambda/sim_time % 概率事件
queue = queue + 1;
wait_start = time;
end
if queue > 0
if rand() < mu/sim_time * (queue > 0)
queue = queue - 1;
served
结语