***************************master_pro set pp/1*1000/; set p(pp); set pi(pp); pi('1')=yes; p('1')=yes; parameter cp(pp)/ 1 100 /; parameter tp(pp)/ 1 0 /; parameter TM/10/; positive variable y(pp); variable z_master; equation master_obj_fuc; equation master_travel_const; equation master_cob_const; master_obj_fuc.. z_master=e=sum(p,cp(p)*y(p)); master_travel_const.. sum(p,tp(p)*y(p))=l=TM; master_cob_const.. sum(p,y(p))=e=1; model master_pro/master_obj_fuc,master_travel_const,master_cob_const/; *************************************sub_pro set i/1*6/; alias(i,j); set i_o(i)/1/; set i_d(i)/6/; set i_m(i)/2*5/; parameter c(i,j)/ 1.2 2 1.3 9 2.4 2 2.5 3 3.2 1 3.4 5 3.5 12 4.5 4 4.6 2 5.6 2 /; parameter t(i,j)/ 1.2 9 1.3 1 2.4 2 2.5 4 3.2 2 3.4 7 3.5 3 4.5 7 4.6 8 5.6 2 /; parameter w1; parameter w2; binary variable x(i,j); variable z_sub; equation sub_obj_fuc; equation sub_start_const(i_o); equation sub_end_const(i_d); equation sub_mid_const(i_m); sub_obj_fuc.. z_sub=e=sum((i,j),(c(i,j)-w1*t(i,j))*x(i,j))-w2; sub_start_const(i_o).. sum(j$c(i_o,j),x(i_o,j))=e=1; sub_end_const(i_d).. sum(j$c(j,i_d),x(j,i_d))=e=1; sub_mid_const(i_m).. sum(j$c(j,i_m),x(j,i_m))=e=sum(j$c(i_m,j),x(i_m,j)); model sub_pro/sub_obj_fuc,sub_start_const,sub_end_const,sub_mid_const/; *****************************************xunhuan set iter/1*6/; parameter rN/-1/; parameter cp_new; parameter tp_new; parameter results(iter,*); loop(iter$(rN<0), solve master_pro using LP minimazing z_master; w1=master_travel_const.m; w2=master_cob_const.m; solve sub_pro using MIP minimazing z_sub; cp_new=sum((i,j),c(i,j)*x.l(i,j)); tp_new=sum((i,j),t(i,j)*x.l(i,j)); rN=z_sub.l; results(iter,'z')=z_master.l; results(iter,p)=y.l(p); results(iter,'w1')=w1; results(iter,'w2')=w2; results(iter,'cp_new')=cp_new; results(iter,'tp_new')=tp_new; results(iter,'rN')=rN; pi(pp)=pi(pp-1); cp(pi)=cp_new; tp(pi)=tp_new; p(pi)=yes; ); display results;

这段代码是一个线性规划（LP）和混合整数规划（MIP）的优化模型，使用了GAMS（General Algebraic Modeling System）软件进行建模和求解。

代码分为三部分：master_pro，sub_pro和xunhuan。其中，master_pro是主问题，sub_pro是子问题，xunhuan是用来循环求解主问题和子问题的。

在主问题中，定义了三个方程式：master_obj_fuc，master_travel_const和master_cob_const。master_obj_fuc是目标函数，用来最小化总成本。master_travel_const是旅行时间约束条件，用来限制旅行时间不超过TM。master_cob_const是约束条件，用来限制所有路径的总和等于1。主问题中的变量有y和z_master，其中y是路径的二元变量，z_master是总成本的变量。主问题中的参数有cp和tp，分别表示路径的成本和旅行时间。最后，将三个方程式组成一个模型，并用LP来求解。

在子问题中，定义了四个方程式：sub_obj_fuc，sub_start_const，sub_end_const和sub_mid_const。sub_obj_fuc是目标函数，用来最小化每个路径的成本。sub_start_const和sub_end_const是起始点和终点的约束条件。sub_mid_const是中间点的约束条件。子问题中的变量有x和z_sub，其中x是路径的二元变量，z_sub是每个路径的成本。子问题中的参数有c和t，分别表示路径的成本和旅行时间。最后，将四个方程式组成一个模型，并用MIP来求解。

在xunhuan中，定义了循环迭代的次数iter和结果向量results。循环迭代用来不断求解主问题和子问题，直到满足停止条件。在每次迭代后，将求解的结果存储在results向量中。同时，更新cp_new和tp_new为最新的路径成本和旅行时间，用来作为下一次迭代的参数。在每次迭代后，更新pi(pp)，cp(pi)，tp(pi)和p(pi)，用来更新路径信息。最后，通过display命令来输出结果。