【正文】 for(index1(i):N(i)=M(i)*(1sum(index2(j):y(i,j))/6))。index2 /1..3/:F,T。for(index1:bin(xj))。for(index2(p)|pLE3:(sum(index1(j):kjp(j,p)*xj(j)))=Rp(p))。Rp=10469221498654。for(index2(p)|pLE3:(sum(index1(j):kjp(j,p)*xj(j)))=Rp(p))。x=0 0 200 0 300 0 0 200 200 0。for(index3(j,p)|pGE4:kjp(j,p)=kjpmax(j,p)*xj(j))。index3 (index1,index2):kjp,kjpmax。)C=Se/Sx0%計算小誤差概率j=0。mSp=abs(sum2)。mSpS=0。for i=1:lx0 e0(i)=x0(i)x0p(i)。%x1的模擬值x1px1p=[]。endB=[(z(2:lx0)*(1))39。%已知數(shù)據(jù)長度%累加序列x1=[]。在得到各自最優(yōu)解的前提下，以最少賓館數(shù)目為主要優(yōu)化目標，同時綜合考慮選定賓館之間的距離盡量?。▽⒕奂笖?shù)小于某設定值作為約束條件），構成模型3，最終求得結果同時滿足聚集指數(shù)最小、賓館數(shù)目最少，且結果比較合理。為了便于數(shù)學描述，不妨按表9 中各賓館會議室出現(xiàn)順序的對各賓館會議室進行標號；對①、②、⑤、⑦及⑧賓館分別用與之對應；載客量為45座、36座和33座的客車也分別用與之對應。1）模型建立以聚集指標最小為優(yōu)化目標，以各賓館可提供的各類客房數(shù)量及本屆會議與會代表對各類客房的需求量為約束條件，以各賓館客房預訂情況為決策變量，建立如下優(yōu)化模型：其中，已知數(shù)據(jù)如下：Ⅰ）各賓館坐標：表 5 在以第⑦家賓館為原點的坐標系下第家賓館坐標①②③④⑤⑥⑦⑧⑨⑩X002000300002002000Y30045010009500300001501000Ⅱ），Ⅲ）=[104 69 22 149 86 54]Ⅳ）=0503003020856500005024027005045000070400000040304030050004003040400045000600060001000002）求解結果及設定值C的選取將上述優(yōu)化模型轉換成Lingo[4]程序（見附錄5），求得全局最優(yōu)解： Objective value: ，不妨取先取進行試探。2）從圖5很容易看出，灰色預測模型預測不理想，不予采用。1)擬合預測模型從圖1可以看到，歷屆會議實際與會人數(shù)與發(fā)來回執(zhí)的代表數(shù)量關系大致符合線性關系，使用Matlab中cftool[1]工具進行一次擬合得到如下結果（附錄1）： （1）將第五屆會議發(fā)來回執(zhí)的代表數(shù)量：代入（1）式有：。根據(jù)題目的要求，我們可以建立一個既滿足預定賓館數(shù)量最少，又滿足預定賓館聚集程度相對較高的雙優(yōu)化模型，從而確定出同時滿足兩者要求的客房預訂方案。由于事先無法知道哪些代表準備參加哪個分組會，籌備組還要向汽車租賃公司租用客車接送代表。由于預計會議規(guī)模龐大，而適于接待這次會議的幾家賓館的客房和會議室數(shù)量均有限，所以只能讓與會代表分散到若干家賓館住宿。其次，制定賓館及客房選定方案。根據(jù)題意，除了盡量滿足代表在價位等方面的需求外，所選擇的賓館數(shù)量應該盡可能少，并且距離上比較靠近。為了便于管理，除了盡量滿足代表在價位等方面的需求之外，所選擇的賓館數(shù)量應該盡可能少，并且距離上比較靠近?，F(xiàn)有45座、36座和33座三種類型的客車，租金分別是半天800元、700元和600元。對于會議室的租借問題，下榻的賓館有不同規(guī)格的不同價位的會議室，而代表參加各分組會議的概率是平均的、隨機的。圖4實際與會人數(shù)擬合及預測情況繪圖結果分析：從圖4中可以看出，預測的本屆會議與會人數(shù)（）比較合理。3）本題采用比例預測法比較合理，其中又分平均比例預測和最大比例預測，考慮到出現(xiàn)預訂客房數(shù)量不足將引起代表的不滿，最終采用最大比例預測模型預測本屆會議與會人數(shù)，即。（模型2）1）模型建立以賓館數(shù)量最少為優(yōu)化目標，以各賓館可提供的各類客房數(shù)量及本屆會議與會代表對各類客房的需求量為約束條件，以各賓館客房預訂情況為決策變量，建立如下優(yōu)化模型：2）模型求解將上述優(yōu)化模型轉換成Lingo程序（見附錄6），求得全局最優(yōu)解：Objective value: 即在滿足安排所有與會代表的前提下，最少賓館數(shù)目為5。 變量說明（以下各符號中，）： 第賓館的第個會議室選擇情況，表示選擇，表示不選擇；： 第賓館的第個會議室租借費用；： 第賓館下榻代表人數(shù)；： 從第賓館出發(fā)的代表數(shù)；： 從第賓館發(fā)出的第類客車數(shù)量；： 第類客車租用費用；： 第類客車載客量； 最少會議室和客車租用費用優(yōu)化模型（模型4）1）模型建立下面以租借會議室費用和租用客車費用之和最小為優(yōu)化目標，以①、②、⑤、⑦、⑧賓館中選定的滿足分會場最小規(guī)模的會場數(shù)量等于6以及從①、②、⑤、⑦、⑧賓館出發(fā)的客車載客量不小于從賓館出發(fā)的代表數(shù)量為約束條件，以①、②、⑤、⑦、⑧賓館中會場租借及客車租用情況為決策變量，建立如下優(yōu)化模型：其中，已知數(shù)據(jù)如下：Ⅰ）=12001200150010001000150010001000150080080010008008001000Ⅱ）=[800 700 600]Ⅲ）=[157 242 110 103 67]Ⅳ）=[45 36 33]2) 求解結果將上述優(yōu)化模型轉換成Lingo程序（見附錄9），求解結果（詳見附錄10）如下:Ⅰ）會議室租借情況表 10 本屆會議會議室租借情況預測規(guī)模間數(shù)價格（半天）費用（全天）②130人21000元4000元⑦140人2800元3200元⑧130人2 800元3200元結果分析：求解結果顯示，租借的會議室全部為規(guī)模較小，價格相對便宜的類型；賓館⑦和賓館⑧的會議室租用價格最低，選擇這兩個賓館的會議室可以減少會議室租借費用，比較合理；由表8可知，賓館②入住的與會代表數(shù)量最多，故在賓館②設定分會場，可以有效減少人員流動量，從而減少租車數(shù)量，即減少租車費用，也比較合理。 模型缺點（1）在方案制定中，我們沒有考慮實際與會代表人數(shù)與預測與會代表人數(shù)不一致時可能造成的空房費用或因客房不夠而造成代表的不滿所引起的“費用”；（2）客車運行規(guī)則的設定過于簡單，雖然一方面簡化了優(yōu)化模型的建立，但是造成了租用客車過多而引起費用過大的問題； 模型改進（1）針對“模型缺點”中的提到的沒有考慮實際與會代表人數(shù)與預測與會代表人數(shù)不一致時可能造成的“費用”，可以考慮建立相關概率模型，從概率學的角度建立相關優(yōu)化模型。z=[]。 ones(lx01,1)]。x1p(1)=x1(1)。 drt0(i)=e0(i)/x0(i)。sum1=0。mSpS=abs(sum2sum1)。%計數(shù)for i=1:lx0 if abs(e0(i)mean(e0))*Sx0 j=j+1。index4 (index1,index2)|amp。n=sum(index1(j):xj(j))。y=300 450 1000 950 0 300 0 0 150 1000。for(index2(p)|pGE4:(sum(index1(j):(kjp(j,p)+djp(j,p3))*xj(j)))=Rp(p))。enddata附錄7最少賓館數(shù)目及相對最小聚集指標優(yōu)化模型Lingo求解程序model:sets:index1 /1..10/:xj,x,y。for(index2(p)|pGE4:(sum(index1(j):(kjp(j,p)+djp(j,p3))*xj(j)))=Rp(p))。for(index3:gin(kjp))。index3 (index1,index2):P,y,Z。for(index1(i):sum(index2(j):z(i,j)*T(j))=N(i))。sum(index3(i,j):y(i,j))=6。enddata附錄8最少賓館數(shù)目及相對最小聚集指標優(yōu)化模型Lingo求解結果 Global optimal solution found at iteration: 27519 Objective value: Variable Value Reduced Cost C N XJ( 1) XJ( 2) XJ( 3) XJ( 4) XJ( 5) XJ( 6) XJ( 7) XJ( 8) XJ( 9) XJ( 10) KJP( 1, 1) KJP( 1, 2) KJP( 1, 3) KJP( 1, 4) KJP( 1, 5)