为什么基本最优变量在最小化问题中降低了成本?
lp模型如下:
\ENCODING=ISO-8859-1
\Problem name: IloCplex
Minimize
obj: 325255008 y(1) + 207016000 y(2) + 511.284124007454 x(1,2,1,2,1,1,1,1,1,1)
+ 511.284124007454 x(1,2,1,2,1,2,1,1,2,2)
+ 511.284124007454 x(1,2,1,2,2,2,2,2,2,2)
+ 511.284124007454 x(1,2,2,3,1,1,2,2,2,2)
+ 511.284124007454 x(1,2,2,3,1,2,2,2,3,3)
+ 511.284124007454 x(1,2,2,3,2,2,3,3,3,3)
+ 511.284124007454 x(1,2,3,1,1,1,3,3,3,3)
+ 511.284124007454 x(1,2,3,1,1,2,3,3,1,1)
+ 511.284124007454 x(1,2,3,1,2,2,1,1,1,1)
+ 511.284124007454 x(2,1,1,2,1,1,2,2,2,2)
+ 511.284124007454 x(2,1,1,2,2,1,1,1,2,2)
+ 511.284124007454 x(2,1,1,2,2,2,1,1,1,1)
+ 511.284124007454 x(2,1,2,3,1,1,3,3,3,3)
+ 511.284124007454 x(2,1,2,3,2,1,2,2,3,3)
+ 511.284124007454 x(2,1,2,3,2,2,2,2,2,2)
+ 511.284124007454 x(2,1,3,1,1,1,1,1,1,1)
+ 511.284124007454 x(2,1,3,1,2,1,3,3,1,1)
+ 511.284124007454 x(2,1,3,1,2,2,3,3,3,3) + 4201096 lambda(1)
+ 8400658 lambda(2) + 21000220 lambda(3)
Subject To
r_beta_1_2: x(1,2,1,2,1,1,1,1,1,1) + x(1,2,1,2,1,2,1,1,2,2)
+ x(1,2,1,2,2,2,2,2,2,2) + x(1,2,2,3,1,1,2,2,2,2)
+ x(1,2,2,3,1,2,2,2,3,3) + x(1,2,2,3,2,2,3,3,3,3)
+ x(1,2,3,1,1,1,3,3,3,3) + x(1,2,3,1,1,2,3,3,1,1)
+ x(1,2,3,1,2,2,1,1,1,1) = 1
r_beta_2_1: x(2,1,1,2,1,1,2,2,2,2) + x(2,1,1,2,2,1,1,1,2,2)
+ x(2,1,1,2,2,2,1,1,1,1) + x(2,1,2,3,1,1,3,3,3,3)
+ x(2,1,2,3,2,1,2,2,3,3) + x(2,1,2,3,2,2,2,2,2,2)
+ x(2,1,3,1,1,1,1,1,1,1) + x(2,1,3,1,2,1,3,3,1,1)
+ x(2,1,3,1,2,2,3,3,3,3) = 1
r_delta_1_2_1: - y(1) + x(1,2,1,2,1,1,1,1,1,1)
+ x(1,2,1,2,1,2,1,1,2,2) + x(1,2,2,3,1,1,2,2,2,2)
+ x(1,2,2,3,1,2,2,2,3,3) + x(1,2,3,1,1,1,3,3,3,3)
+ x(1,2,3,1,1,2,3,3,1,1) <= 0
r_delta_1_2_2: - y(2) + x(1,2,1,2,1,2,1,1,2,2)
+ x(1,2,1,2,2,2,2,2,2,2) + x(1,2,2,3,1,2,2,2,3,3)
+ x(1,2,2,3,2,2,3,3,3,3) + x(1,2,3,1,1,2,3,3,1,1)
+ x(1,2,3,1,2,2,1,1,1,1) <= 0
r_delta_2_1_1: - y(1) + x(2,1,1,2,1,1,2,2,2,2)
+ x(2,1,1,2,2,1,1,1,2,2) + x(2,1,2,3,1,1,3,3,3,3)
+ x(2,1,2,3,2,1,2,2,3,3) + x(2,1,3,1,1,1,1,1,1,1)
+ x(2,1,3,1,2,1,3,3,1,1) <= 0
r_delta_2_1_2: - y(2) + x(2,1,1,2,2,1,1,1,2,2)
+ x(2,1,1,2,2,2,1,1,1,1) + x(2,1,2,3,2,1,2,2,3,3)
+ x(2,1,2,3,2,2,2,2,2,2) + x(2,1,3,1,2,1,3,3,1,1)
+ x(2,1,3,1,2,2,3,3,3,3) <= 0
r_piI_1_2: y(1) + x(1,2,1,2,2,2,2,2,2,2) + x(1,2,2,3,2,2,3,3,3,3)
+ x(1,2,3,1,2,2,1,1,1,1) <= 1
r_piI_2_1: y(2) + x(2,1,1,2,1,1,2,2,2,2) + x(2,1,2,3,1,1,3,3,3,3)
+ x(2,1,3,1,1,1,1,1,1,1) <= 1
r_piJ_1_2: y(2) + x(1,2,1,2,1,1,1,1,1,1) + x(1,2,2,3,1,1,2,2,2,2)
+ x(1,2,3,1,1,1,3,3,3,3) <= 1
r_piJ_2_1: y(1) + x(2,1,1,2,2,2,1,1,1,1) + x(2,1,2,3,2,2,2,2,2,2)
+ x(2,1,3,1,2,2,3,3,3,3) <= 1
r_gamma_1_2_1_2: 17.7232875823975 x(1,2,1,2,1,1,1,1,1,1)
+ 17.7232875823975 x(1,2,1,2,1,2,1,1,2,2)
+ 17.7232875823975 x(1,2,1,2,2,2,2,2,2,2)
- 200 lambda(1) - 300 lambda(2) - 500 lambda(3) <= 0
r_gamma_1_2_2_3: 17.7232875823975 x(1,2,2,3,1,1,2,2,2,2)
+ 17.7232875823975 x(1,2,2,3,1,2,2,2,3,3)
+ 17.7232875823975 x(1,2,2,3,2,2,3,3,3,3) <= 0
r_gamma_1_2_3_1: 17.7232875823975 x(1,2,3,1,1,1,3,3,3,3)
+ 17.7232875823975 x(1,2,3,1,1,2,3,3,1,1)
+ 17.7232875823975 x(1,2,3,1,2,2,1,1,1,1) <= 0
r_gamma_2_1_1_2: 17.7232875823975 x(2,1,1,2,1,1,2,2,2,2)
+ 17.7232875823975 x(2,1,1,2,2,1,1,1,2,2)
+ 17.7232875823975 x(2,1,1,2,2,2,1,1,1,1) <= 0
r_gamma_2_1_2_3: 17.7232875823975 x(2,1,2,3,1,1,3,3,3,3)
+ 17.7232875823975 x(2,1,2,3,2,1,2,2,3,3)
+ 17.7232875823975 x(2,1,2,3,2,2,2,2,2,2)
- 200 lambda(1) - 300 lambda(2) - 500 lambda(3) <= 0
r_gamma_2_1_3_1: 17.7232875823975 x(2,1,3,1,1,1,1,1,1,1)
+ 17.7232875823975 x(2,1,3,1,2,1,3,3,1,1)
+ 17.7232875823975 x(2,1,3,1,2,2,3,3,3,3) <= 0
c17: lambda(1) - Rgc17 = 0
c18: lambda(2) - Rgc18 = 0
c19: lambda(3) - Rgc19 = 0
r_casamento_y_lambda_1: y(1) - lambda(1) - lambda(2) - lambda(3) <= 0
r_casamento_y_lambda_2: y(2) - lambda(1) - lambda(2) - lambda(3) <= 0
Bounds
0 <= y(1) <= 1
0 <= y(2) <= 1
0 <= x(1,2,1,2,1,1,1,1,1,1) <= 1
0 <= x(1,2,1,2,1,2,1,1,2,2) <= 1
0 <= x(1,2,1,2,2,2,2,2,2,2) <= 1
0 <= x(1,2,2,3,1,1,2,2,2,2) <= 1
0 <= x(1,2,2,3,1,2,2,2,3,3) <= 1
0 <= x(1,2,2,3,2,2,3,3,3,3) <= 1
0 <= x(1,2,3,1,1,1,3,3,3,3) <= 1
0 <= x(1,2,3,1,1,2,3,3,1,1) <= 1
0 <= x(1,2,3,1,2,2,1,1,1,1) <= 1
0 <= x(2,1,1,2,1,1,2,2,2,2) <= 1
0 <= x(2,1,1,2,2,1,1,1,2,2) <= 1
0 <= x(2,1,1,2,2,2,1,1,1,1) <= 1
0 <= x(2,1,2,3,1,1,3,3,3,3) <= 1
0 <= x(2,1,2,3,2,1,2,2,3,3) <= 1
0 <= x(2,1,2,3,2,2,2,2,2,2) <= 1
0 <= x(2,1,3,1,1,1,1,1,1,1) <= 1
0 <= x(2,1,3,1,2,1,3,3,1,1) <= 1
0 <= x(2,1,3,1,2,2,3,3,3,3) <= 1
0 <= lambda(1) <= 1
0 <= lambda(2) <= 1
0 <= lambda(3) <= 1
0 <= Rgc17 <= 3
0 <= Rgc18 <= 3
0 <= Rgc19 <= 3
End
我担心lambdas vairables。
当我使用cplex直接通过终端解决这个模型时,我可以得到这个信息:
显示解决方案的哪个部分:减少 显示变量的成本:变量:lambda(1) 变量名称降低成本 lambda(1)-4199562.000000
CPLEX&GT;显示解决方案减少 显示变量的成本:变量:lambda(2) 降低成本'lambda(2)'为0。
CPLEX&GT;显示解决方案减少 显示变量的成本:变量:lambda(3) 变量名称降低成本 lambda(3)12599562.000000
CPLEX&GT;显示解决方案变量 显示哪个变量的值:lambda(1) 变量名称解决方案值 lambda(1)1.000000
CPLEX&GT;显示解决方案变量 显示哪个变量的值:lambda(2) 变量'lambda(2)'为0。
CPLEX&GT;显示解决方案变量 显示变量的值:lambda(3) 变量'lambda(3)'为0。
可以吗?
答案 0 :(得分:1)
如果变量位于其边界之一(即下限或上限),则该变量可以是非基本的。 (细节:自由变量是特殊的:它们在边界之间可以是非基本的 - 有时称为超基础)。因此,当我们查看这些值时,所有变量λ都可能是非基本的。降低的成本表明λ1和λ3必须是非基本的,λ2可以是基本的或非基本的(如果解是退化的)。使用display solution basis
查找所有基本变量。
降低成本的标志取决于变量是非基本上限还是非基本上限。它基本上表明如果相应的绑定发生变化,目标如何变化。 λ3的正rc看起来很好。 (这似乎是非基本的而不是基本的。)