主要内容
命名索引用于优化变量
创建命名指数
优化变量可以使用名称进行索引元素。您可以在创建变量或之后提供名称。例如，在创建变量时给出名称。
x = Optimvar（'X'，[“联合的”那“汉莎航空”那“维珍空气”]）
x = 1x3具有属性的优化阵列：数组范围属性：名称：'x'类型：'连续'索引name：{{} {1x3 cell}}元素属性：低行：[-inf -inf -inf]上行：[infinf inf]看到展示变量。看到展示的边界。
优越的自动映射您指定为索引号码的名称按变量的顺序。例如，“联合的”对应于索引1，“汉莎航空”对应于索引2，和“维珍空气”对应于索引3.显示此最后变量进行确认。
展示（x（3））
[x（'Virgin Air'）]
索引名称使您能够解决元素X通过索引名称。例如：
路线= 2 * x（“联合的”）+ 3 * x（“维珍空气”）
路线=线性优化表达2 * x（'United'）+ 3 * x（'Virgin Air'）
创建变量后，您可以创建或更改索引名称。但是，您无法在构造后更改优化变量的大小。因此，您只能通过设置索引与原始变量相同大小的新名称来更改索引名称。例如：
x = Optimvar（'X'，3,2）;x.indexnames = {{'row1'那'row2'那'row3'}，{'col1'那'col2'}};
您可以单独为每个维度设置索引名称：
x.indexnames {1} = {'row1'那'row2'那'row3'};x.indexnames {2} = {'col1'那'col2'};
您还可以为特定元素设置索引名称：
x.indexnames {1} {2} ='重要的是';
检查变量的索引名称。
x.indexnames {1}
ans =.1x3细胞{'Row1'} {'重要的东西'} {'row3'}
x.indexnames {2}
ans =.1x2细胞{'col1'} {'col2'}
使用命名索引
您可以通过使用命名索引变量轻松创建和调试一些问题。例如，考虑变量X这是由名称索引的vars.：
vars = {'p1'那'p2'那'i1'那'i2'那'C'那'le1'那'le2'那'he1'那'他'那......'hps'那'MPS'那'lps'那'bf1'那'bf2'那'EP'那'pp'};x = Optimvar（'X'，vars，'indowbound'，0）;
创建界限，客观函数和线性约束X通过使用命名索引。
X（'p1'）.lowerbound = 2500;X（'i2'）.pperbound = 244000;linprob = OptimProblem;linprob.objective = 0.002614 * x（'hps'）+ 0.0239 * x（'pp'）+ 0.009825 * x（'EP'）;linprob.constraints.cons1 = x（'i1'） - X（'he1'）<= 132000;
您可以使用字符串（“）或字符向量（''）在索引变量下不分青红皂白地。例如：
X（“p2”）.LowerBound = 3000;X（'MPS'）.LowerBound = 271536;showbounds（x）
2500 <= x（'p1'）3000 <= x（'p2'）0 <= x（'i1'）0 <= x（'i2'）<= 244000 0 <= x（'c'）0 <= x（'le1'）0 <= x（'le2'）0 <= x（'he1'）0 <= x（'he2'）0 <= x（'hps'）271536 <= x（'mps'）0 <= x（'lps'）0 <= x（'bf1'）0 <= x（'bf2'）0 <= x（'ep'）0 <= x（'pp'）
您使用字符串指定的变量没有区别，例如X（“P2”）以及您用字符向量指定的变量，例如X（'MPS'）。
由于命名索引变量具有数字等价物，因此即使您已命名为索引变量，也可以使用普通的求和和冒号运算符。例如，您可以拥有这些表单的约束：
constr = sum（x）<= 100;展示（约束）
x（'p1'）+ x（'p2'）+ x（'i1'）+ x（'i2'）+ x（'c'）+ x（'le1'）+ x（'le2'）+ x（'he1'）+ x（'he2'）+ x（'hps'）+ x（'mps'）+ x（'lps'）+ x（'bf1'）+ x（'bf2'）+ x（'EP'）+ x（'pp'）<= 100
y = Optimvar（'是'，{'红色的'那'绿色'那'蓝色的'}，{'塑料'那'木头'那'金属'}，......'类型'那'整数'那'indowbound'，0）;constr2 = y（“红色的”，:) == [5,7,3];展示（CONTRACH2）
（1,1）y（'红色'，'塑料'）== 5（1,2）y（'红色'，'木'）== 7（1,3）y（'红色'，'金属'）== 3.
查看索引变量的解决方案
使用命名索引变量创建和解决优化问题。问题是最大限度地提高水果的利润加权流量，对各种机场受到加权流量的约束。
RNG（0）重复性的％p = OptimProblem（'ObjectiveSense'那'最大化'）;flow = Optimvar（'流'那......{'苹果'那'橘子'那'香蕉'那'浆果'}，{'纽约'那'bos'那'lax'}，......'indowbound'，0，'类型'那'整数'）;p.Objective = Sum（Sum（Rand（4,3）。*流量））;p.constraints.nyc = rand（1,4）* flow（:,'纽约'）<= 10;p.constraints.bos = rand（1,4）* flow（:,'bos'）<= 12;p.constraints.lax = rand（1,4）*流量（：，'lax'）<= 35;sol =解决（p）;
使用intlinprog解决问题。LP：最佳目标值为-1027.472366。启发式：发现1个解决方案使用ZI轮。上限为-1027.233133。相对间隙为0.00％。找到最佳解决方案。intlinprog在根节点停止，因为客观值在最佳值的间隙容忍度范围内，Options.absolutegAppolerance = 0（默认值）。INTCON变量在容差，选项中是整数.inteGertolerance = 1E-05（默认值）。
找到纽约和洛杉矶的橘子和浆果的最佳流动。
[IDXFRUIT，IDXAIRPORTS] = findIndex（流量，{'橘子'那'浆果'}，{'纽约'那'lax'}）
Idxfruit =.1×22 4.
Idxairports =.1×21 3.
Orangeberries = sol.flow（Idxfruit，Idxairports）
橙莓=2×20 980.0000 70.0000 0
此显示意味着没有橙子将会到纽约，70个浆果将会去纽约，980个橘子将会去l，没有浆果会去l。
列出以下最佳流程：
水果机场
----- ----------
浆果纽约
苹果博斯
橘子宽松
idx = findindex（flow，{'浆果'那'苹果'那'橘子'}，{'纽约'那'bos'那'lax'}）
Idx =.1×34 5 10.
OptimalFlow = sol.flow（idx）
OptimalFlow =.1×370.0000 28.0000 980.0000
该显示器意味着70个浆果将会进入70个浆果纽约，28苹果将会去博斯，980个橘子将会去l。
也可以看看
相关话题
您还可以从以下列表中选择一个网站：
