feasopt.m.

函数feasopt（文件名）％％2021，gurobi优化，llc %%此示例从文件中读取MI狗万app足彩P模型，将人为％变量添加到每个约束，然后最小化％人工变量的总和。具有目标零的解决方案对应于输入模型的可行解决方案。％我们还可以使用Feasrelax功能来执行它。在此示例中，WE％使用minrelax = 1，即优化返回的模型找到最小化原始目标的解决方案％，但只能从最小化人工变量的总和中的％解决方案中最小化。％读取模型fprintf（'读取模型％s \ n'，文件名）;model = gurobi_read（文件名）;params.logfile ='feasopt.log';结果1 = Gurobi（模型，参数）;[行，cols] = size（model.a）;％创建惩罚，只允许线性约束是放松的惩罚.rhs = in（行，1）; result = gurobi_feasrelax(model, 0, true, penalties, params); gurobi_write(result.model, 'feasopt1.lp'); % clear objective model.obj = zeros(cols, 1); nvar = cols; for c = 1:rows if model.sense(c) ~= '>' nvar = nvar + 1; model.A(c, nvar) = -1; model.obj(nvar) = 1; model.vtype(nvar) = 'C'; model.varnames(nvar) = strcat('ArtN_', model.constrnames(c)); model.lb(nvar) = 0; model.ub(nvar) = inf; end if model.sense(c) ~= '<' nvar = nvar + 1; model.A(c, nvar) = 1; model.obj(nvar) = 1; model.vtype(nvar) = 'C'; model.varnames(nvar) = strcat('ArtP_', model.constrnames(c)); model.lb(nvar) = 0; model.ub(nvar) = inf; end end gurobi_write(model, 'feasopt2.lp'); result2 = gurobi(model, params); end