manbet体育手机客户端
古罗比例子的列表
我们建议您从阅读示例的概述开始下一节)．但是，如果您想直接研究一个特定的示例，下面是由基本函数组织的Gurobi分布中包含的所有示例的列表。示例的源代码可以通过提供的链接找到，或者在例子古罗比分布目录。
从文件中读取模型
- lp-一个非常简单的例子，从文件中读取一个连续模型，对其进行优化，并将解决方案写入文件。如果模型不可行，则编写不可约不一致子系统(IIS)。C，c++，c#，Java，Python，R，VB．
- mip2—从文件中读取MIP模型，对其进行优化，然后求解MIP模型的固定版本。C，c++，c#，Java，Python，VB．
构建一个简单的模型
- mip1-建立一个简单的MIP模型，求解它，并打印解决方案。C，c++，c#，Java，MATLAB，Python，R，VB．
- qp-建立一个简单的QP模型，求解它，将其转换为MIQP模型，然后再次求解。C，c++，c#，Java，MATLAB，Python，R，VB．
- qcp-建立并解决一个简单的QCP模型。C，c++，c#，Java，MATLAB，Python，R，VB．
- 双线性-建立和解决一个平凡的双线性模型。C，c++，c#，Java，MATLAB，Python，R，VB．
- 紧急求救信号-建立和解决一个简单的SOS模型。C，c++，c#，Java，MATLAB，Python，R，VB．
- 密集的-求解使用密集矩阵存储的模型。我们不建议使用密集矩阵，但如果您的数据已经是这种格式，那么这个示例可能会有所帮助。C，c++，c#，Java，Python，VB．
- genconstr-演示了简单的通用约束的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
- matrix1-仅用于Python的示例，说明了面向矩阵的Python接口。matrix1.py．
- multiobj演示了多目标优化的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
- 分段-演示分段线性目标函数的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
- gc_pwl-演示分段线性约束的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
- gc_pwl_func-演示函数约束的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
- poolsearch—演示解决方案池的使用。C，c++，c#，Java，MATLAB，Python，R，VB．
一些简单的应用程序
- 饮食-建立和解决经典的饮食问题。演示了模型构建和简单的模型修改——在初始模型求解之后，添加了一个约束来限制乳制品的量。C，c++，c#，Java，MATLAB，Python，R，VB．
- 饮食2，饮食3，饮食4，饮食模型-说明模型数据分离的饮食示例的仅python变体。diet2.py，diet3.py，diet4.py，dietmodel.py．
- 设施-简单的工厂选址模型:给定一组工厂和一组仓库，考虑它们之间的运输成本，本例找到最便宜的工厂以满足产品需求。这个示例演示了MIP启动的使用——该示例计算一个初始的启发式解决方案，并将该解决方案传递给MIP求解器。手机万博登录C，c++，c#，Java，MATLAB，Python，R，VB．
- matrix2-仅用于Python的示例，使用面向矩阵的Python接口解决n-queens问题。matrix2.py．
- netflow-一个只使用python的例子，解决了一个多商品网络流模型。它演示了几种Python建模构造的使用，包括字典、元组、tupledict和tuplelist对象。netflow.py．
- 投资组合-一个仅使用python的示例，解决了一个金融投资组合优化模型，其中使用pandas包存储历史回报数据，使用matplotlib包绘制结果。它演示了pandas、NumPy和Matplotlib与Gurobi的结合使用。portfolio.py．
- 数独-从文件中读取数独谜题数据集，构建MIP模型来求解该模型，求解它，并打印解决方案。C，c++，c#，Java，MATLAB，Python，R，VB．
- workforce1制定和解决劳动力调度模型。如果模型不可行，则示例计算并打印不可约不一致子系统(IIS)。C，c++，c#，Java，MATLAB，Python，R，VB．
- workforce2-加强
workforce1．这个例子解决了相同的劳动力调度模型，但是如果模型不可行，它将计算IIS，从模型中删除一个相关约束，并重新求解。这个过程不断重复，直到模型变得可行为止。演示约束移除。C，c++，c#，Java，MATLAB，Python，R，VB． - workforce3-一个不同的增强
workforce1．这个例子解决了相同的劳动力调度模型，但是如果模型不可行，它会在每个约束中添加人工变量，并最小化人工变量的总和。这对应于找到使模型可行所需的右侧向量的最小总变化。演示变量加法。C，c++，c#，Java，MATLAB，Python，R，VB． - workforce4-加强
workforce3．这个例子解决了相同的劳动力调度模型，但是它从每个约束中的人工变量开始。它首先最小化人工变量的和。然后，引入了一个新的二次目标来平衡工人之间的工作量。演示了多目标函数的优化。C，c++，c#，Java，MATLAB，Python，R，VB． - workforce5-可选的增强
workforce3．这个例子解决了相同的劳动力调度模型，但是它从每个约束中的人工变量开始。它制定了一个多目标模型，其中主要目标是最小化人工变量的总和(未覆盖的轮班)，次要目标是最小化任何一对工人之间的最大轮班数差异。演示了多目标优化。C，c++，c#，Java，MATLAB，Python，R，VB．
说明具体特征
- feasopt-从文件中读取MIP模型，添加人工松弛变量来放松每个约束，然后最小化人工变量的和。函数计算相同的松弛可行性放松特性。该示例通过添加松弛变量演示了简单的模型修改。并给出了可行性松弛特征。C，c++，c#，Java，MATLAB，Python，R，VB．
- lpmethod-演示不同LP算法的使用。从文件中读取一个连续模型，并使用多种算法求解它，报告哪种算法对该模型最快。C，c++，c#，Java，MATLAB，Python，R，VB．
- lpmod演示了LP中高级启动的使用。从文件中读取一个连续模型，求解它，然后修改一个变量边界。然后以两种不同的方式求解得到的模型:从原始模型的解开始，或者从头开始。C，c++，c#，Java，MATLAB，Python，R，VB．
- 参数个数-演示Gurobi参数的使用。从文件中读取MIP模型，然后用四个不同值中的每一个花5秒钟求解模型
MIPFocus参数。它比较了四种不同运行的最优性差距，并继续使用MIPFocus产生最小差距的值。C，c++，c#，Java，MATLAB，Python，R，VB． - 灵敏度—MIP敏感性分析。读取一个MIP模型，求解它，然后计算将模型中的每个二进制变量固定为0或1的客观影响。演示多场景特性。C，c++，c#，Java，MATLAB，Python，R，VB．
- 调优—使用参数调优工具搜索已改进的模型参数设置。C，c++，c#，Java，Python，VB．
- fixanddive实现了一个简单的MIP启发式。它从文件中读取MIP模型，放松完整性条件，然后解决放松问题。然后，它选择一组整数变量，这些变量在松弛中取整数或接近整数的值，将它们固定为最近的整数，并再次求解松弛。这个过程不断重复，直到松弛是整数可行或线性不可行的。这个例子演示了不同类型的模型修改(放松完整性条件，改变变量边界，等等)。C，c++，c#，Java，MATLAB，Python，R，VB．
- multiscenario-简单的工厂选址模型:给定一组工厂和一组仓库，考虑它们之间的运输成本，本例找到最便宜的工厂以满足产品需求。由于工厂固定成本和仓库需求是不确定的，因此需要创建多个场景来获取不同的可能值。构建并求解多场景模型，检索并显示不同场景的解。C，c++，c#，Java，Python，VB．
- batchmode-演示批量优化的使用。C，c++，c#，Java，Python，VB．
- workforce_batchmode-仅python的例子，它制定了一个劳动力调度模型。该模型采用批量优化求解。VTag属性用于标识一组变量，这些变量的解决方案信息需要构造调度。workforce_batchmode.py．
更高级的功能