用途:把自然语言问题描述整理为清晰的 LP/MILP 数学建模(本页不含 API 代码)。LP 指线性目标、线性约束、连续变量;MILP 在此基础上加入整数或二元变量,如排程、选址、选择问题。
主要能力:
- 提问清单:决策变量及其取值范围、目标(最小化或最大化)的线性表达式、约束(线性等式/不等式及含义)、变量类型(全连续或含整数/二元)。
- 语句分类:将每句话标为参数/给定、约束、决策、目标。注意隐含约束(如“计划生产”“运营3家工厂”“雇佣N名工人”等既定表述视为参数或约束,而非决策)与隐含目标(只说“确定方案”但给出成本,通常应显式声明为最小化总成本;同时给出成本与收入则需说明采用最小化成本还是最大化利润)。表示可选或决定的措辞(“可以”“选择”“考虑”“决定”)视为决策。
- 歧义处理:存在两种解读时必须询问用户,或求解所有合理解释并报告全部结果,不得默认单一解释。
- 分段线性目标:用连续分段变量并在每段上界限制,若产量为离散单位则总量变量必须为整数,否则 LP 松弛可能给出错误目标值。
- 切割库存:废料含修边损失与超产,仅最小化修边损失会忽略超产;应最小化总材料面积 sum_j (roll_width_j × x_j),废料 = 总材料面积 − 所需有效面积。
- 目标规划:按优先级顺序逐次求解,引入正负偏差变量 d⁻、d⁺,高优先级偏差先固定为最优值再优化下一级;偏差与松弛变量连续,但表示离散数量的决策变量仍应为整数。
- 多期库存/采购:库存平衡 stock[t] = stock[t-1] + buy[t] - sell[t],默认只用期末容量约束 stock[t] <= capacity;仅当问题明确采购先于销售时加 stock[t-1] + buy[t] <= capacity。
- 共享混合/中间加工:若原料需先混合再分配到产品,标准混合 LP 会产生双线性比例约束;可采取单一产品分配、固定中间浓度参数化、场景枚举等线性化策略,并先用成本与售价做盈利性检查。
使用方式:按解析工作流拆分句子、逐句标注、确认目标、标记隐含约束、用动词与情态词消歧、在写公式前先向用户总结参数、约束、决策与目标。
限制:仅提供概念与建模流程,未提供具体 API 代码、求解器安装步骤或收费信息,资料中亦未给出运行环境与平台要求。