LINGO是用来求解线性和非线性优化问题的简易工具。
LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。
§1LINGO快速入门当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口：外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。
在主窗口内的标题为LINGOModel–LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要在该窗口内编码实现。
下面举两个例子。
例1.1如何在LINGO中求解如下的LP问题：在模型窗口中输入如下代码：min=2*x1+3*x2;x1+x2＞=350;x1＞=100;2*x1+x2＜=600;然后点击工具条上的按钮即可。
例1.2使用LINGO软件计算6个发点8个收点的最小费用运输问题。
产销单位运价如下表。
单位销地运价产地 B1 B2 B3 B4 B5 B6 B7 B8 产量A1 6 2 6 7 4 2 5 9 60A2 4 9 5 3 8 5 8 2 55A3 5 2 1 9 7 4 3 3 51A4 7 6 7 3 9 2 7 1 43A5 2 3 9 5 7 2 6 5 41A6 5 5 2 2 8 1 4 3 52销量 35 37 22 32 41 32 43 38 使用LINGO软件，编制程序如下：model:!6发点8收点运输问题;sets:warehouses/wh1..wh6/:capacity;vendors/v1..v8/:demand;links(warehouses,vendors):cost,volume;endsets!目标函数;min=@sum(links:cost*volume);!需求约束;@for(vendors(J):@sum(warehouses(I):volume(I,J))=demand(J));!产量约束;@for(warehouses(I):@sum(vendors(J):volume(I,J))＜=capacity(I));!这里是数据;data:capacity=605551434152;demand=3537223241324338;cost=626742954953858252197433767392712395726555228143;enddataend然后点击工具条上的按钮即可。
为了能够使用LINGO的强大功能，接着第二节的学习吧。
§2LINGO中的集对实际问题建模的时候，总会遇到一群或多群相联系的对象，比如工厂、消费者群体、交通工具和雇工等等。
LINGO允许把这些相联系的对象聚合成集（sets）。
一旦把对象聚合成集，就可以利用集来最大限度的发挥LINGO建模语言的优势。
现在我们将深入介绍如何创建集，并用数据初始化集的属性。
学完本节后，你对基于建模技术的集如何引入模型会有一个基本的理解。
2.1为什么使用集集是LINGO建模语言的基础，是程序设计最强有力的基本构件。
借助于集，能够用一个单一的、长的、简明的复合公式表示一系列相似的约束，从而可以快速方便地表达规模较大的模型。
2.2什么是集集是一群相联系的对象，这些对象也称为集的成员。
一个集可能是一系列产品、卡车或雇员。
每个集成员可能有一个或多个与之有关联的特征，我们把这些特征称为属性。
属性值可以预先给定，也可以是未知的，有待于LINGO求解。
例如，产品集中的每个产品可以有一个价格属性；
卡车集中的每辆卡车可以有一个牵引力属性；
雇员集中的每位雇员可以有一个薪水属性，也可以有一个生日属性等等。
LINGO有两种类型的集：原始集(primitive　set)和派生集(derivedset)。
一个原始集是由一些最基本的对象组成的。
一个派生集是用一个或多个其它集来定义的，也就是说，它的成员来自于其它已存在的集。
2.3模型的集部分集部分是LINGO模型的一个可选部分。
在LINGO模型中使用集之前，必须在集部分事先定义。
集部分以关键字“sets:”开始，以“endsets”结束。
一个模型可以没有集部分，或有一个简单的集部分，或有多个集部分。
一个集部分可以放置于模型的任何地方，但是一个集及其属性

有些配电网的动态重构，目标函数是电价等，程序中有注释

%MATLAB数学建模工具箱%%本工具箱主要包含三部分内容%1.MATLAB常用数学建模工具的中文帮助%2.贡献MATLAB数学建模工具(打*号)%3.中国大学生数学建模竞赛历年试题MATLAB程序%数据拟合%interp1-一元函数插值%spline-样条插值%polyfit-多项式插值或拟合%curvefit-曲线拟合%caspe-各种边界条件的样条插值%casps-样条拟合%interp2-二元函数插值%griddata-不规则数据的二元函数插值%*interp-不单调节点插值%*lagrange-拉格朗日插值法%%方程求根%inv-逆矩阵%roots-多项式的根%fzero-一元函数零点%fsolve-非线性方程组%solve-符号方程解%*newton-牛顿迭代法解非线性方程%%微积分和微分方程%diff-差分%diff-符号导函数%trapz-梯形积分法%quad8-高精度数值积分%int-符号积分%dblquad-矩形域二重积分%ode45-常微分方程%dsolve-符号微分方程%*polyint-多项式积分法%*quadg-高斯积分法%*quad2dg-矩形域高斯二重积分%*dblquad2-非矩形域二重积分%*rk4-常微分方程RungeKutta法%%随机模拟和统计分析%max,min-最大，最小值%sum-求和%mean-均值%std-标准差%sort-排序（升序）%sortrows-按某一列排序(升序)%rand-[0，1]区间均匀分布随机数%randn-标准正态分布随机数%randperm-1...n随机排列%regress-线性回归%classify-统计聚类%*trim-坏数据祛除%*specrnd-给定分布律随机数生成%*randrow-整行随机排列%*randmix-随机置换%*chi2test-分布拟合度卡方检验%%数学规划%lp-线性规划%linprog-线性规划(在MATLAB5.3使用)%fmin-一元函数极值%fminu-多元函数极值拟牛顿法%fmins-多元函数极值单纯形搜索法%constr-非线性规划%fmincon-非线性规划(在MATLAB5.3使用)%%离散优化%*enum-枚举法%*monte-蒙特卡洛法%*lpint-线性整数规划%*L01p_e-0-1整数规划枚举法%*L01p_ie-0-1整数规划隐枚举法%*bnb18-非线性整数规划(在MATLAB5.3使用)%*bnbgui-非线性整数规划图形工具(在MATLAB5.3使用)%*mintreek-最小生成树kruskal算法%*minroute-最短路dijkstra算法%*krusk-最小生成树kruskal算法mex程序%*dijkstra-最短路dijkstra算法mex程序%*dynprog-动态规划%%%图形%plot-平面曲线（一元函数）%plot3-空间曲线%mesh-空间曲面（二元函数）%*meshf-非矩形网格图%*draw-用鼠标划光滑曲线%%中国大学生数学建模竞赛题解%jm96a-捕鱼策略%jm96b-节水洗衣机%jm96bfun-节水洗衣机优化函数%jm97a-零件参数设计%jm97afun-零件参数函数%jm97aoptim-零件参数设计优化函数%jm97b-截断切割%jm97bcount-截断切割枚举法%jm97brule-截断切割优化准则%jm98a1-风险投资模型求解%jm98a2-风险投资模型讨论%jm98a3-收益与风险非线性模型求解%jm98a3fun-收益与风险非线性模型优化函数%jm98b-灾情巡视路线（C程序）%jm99a1-自动化车床模型一%jm99a1fun-自动化车床模型目标函数%jm99a1simu-自动化车床模型随机模拟%jm99asmfun-自动化车床模型费用函数%%演示程序%fun

现在有很多粒子群算法不规范，国外有些工具包过于复杂，功能太大而无从下手，国内的一些文档上的方法多数都是一个粒子式地简单循环，不能够全面地发挥Matlab基于矩阵计算的能力，本程序中的主程序及目标函数均基于向量形式，另外，很多具体程序中缺乏对约束问题进行考虑，本程序可以针对约束问题给出结果以查看约束处理情况，另外还可以选择是否显示离线和在线性能等，再者，本工具包里包含有全局算法及局部算法，试验后发现，局部算法的性能要好得多（可能针对不同问题吧），最后，本算法模块化层次条理清晰，说明具体，可以简单改造成各种改进型算法。

多目标遗传算法只需输入目标函数和限制条件就可用,很简单的。
nsga2有详细实例只需输入目标函数和限制条件就可用，非常好用

本程序用于求解多车型多目标下的车辆路线问题，程序中考虑了两种车型，建立的目标函数是车辆总运营成本最小，考虑的约束有容量约束、最大行驶距离约束和时间窗约束，采用的优化算法是遗传算法，程序内部有详细的注释，方便修改。

高温作业专用服装在高温环境下工作时会发挥很大的作用，为了降低成本，缩短研发周期，本文针对高温作业专用服装各层厚度最优问题，做了深入研究。
利用热传导方程，通过迭代的方法建立温度分布模型。
基于此模型，考虑环境温度、热传导速率限制等约束条件，建立目标优化模型。
可以得到最优厚度，从而降低高温作业服饰设计成本。
针对问题一中温度分布问题，本文根据能量守恒定律和傅里叶定律推导出热传递方程，建立热传递模型。
分析了实际情况下四层组织材料之间的热交换边界条件及初值，建立了不同材料的温度分布模型，该模型可以求解不同时间下不同位置的温度。
利用温度分布模型，计算温度分布，生成Excel文件。
针对问题二中Ⅱ层最优厚度问题，基于问题一中的Ⅱ层的温度分布模型，推导出目标函数，考虑环境温度、Ⅱ层与Ⅲ层接触面温度范围等约束条件，建立非线性目标优化模型。
利用MATLAB编程求得Ⅱ层的最优厚度为15.6mm。
针对问题三中Ⅱ层、Ⅳ层最优厚度问题，本问题是一种具有双层递阶结构的系统优化问题，该类问题解本题的思路为先求解上层最优解，后求得下层最优解，该问题中Ⅱ层为上层、Ⅳ层为下层。
根据不同层次建立目标函数，通过迭代温度分布方程，得到皮肤层温度分布模型，利用该模型计算出皮肤温度范围，作为约束条件，建立双层模型，追求设计高温作业专用服装最低成本。
本文采用全局最优解算法，利用MATLAB编程，求得II层和IV层的最优厚度分别为10.5mm和6.4mm。

用自适应遗传算法计算目标函数的最值，，，

人工变量是为了凑成单纯形表中的基变量而人工加入的单位向量，在目标函数中系数为-M，最后化简结果中基变量要为0，否则无可行解。
化简单纯形表就可以解决，若用对偶单纯形表的话就直接能解单纯形表，不用添加人工变量。

粒子群算法（启发式算法）的多目标优化，我也翻过一些这方面的论文。
单目标与多目标优化主要区别在于多目标优化问题有多个目标函数,一个解对于某个目标来说可能是较好的,而对于其他目标来讲可能是较差的。
因此，存在一个折衷解的集合，也就是所谓的Pareto集。
教科书上，解决多目标优化问题的方法一般是，通过数学变换把多目标转换为单目标求解，但是实际问题中涉及到多目标优化问题往往具有非线性、不可微、不连续等特征，难以用数学方法搞定。
而启发式算法则不需要这些严格条件，其实也是启发式算法兴起的原因。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。