0-1整数模型灵敏度分析代码

以下是一个简单的0-1整数模型灵敏度分析代码的示例：

from gurobipy import *

# 定义模型
m = Model()

# 添加变量
x1 = m.addVar(vtype=GRB.BINARY, name="x1")
x2 = m.addVar(vtype=GRB.BINARY, name="x2")
x3 = m.addVar(vtype=GRB.BINARY, name="x3")

# 添加约束
m.addConstr(x1 + x2 + x3 <= 1, "c1")
m.addConstr(2*x1 + x2 + x3 <= 2, "c2")
m.addConstr(x1 + 2*x2 + x3 <= 2, "c3")

# 添加目标函数
m.setObjective(3*x1 + 4*x2 + 5*x3, GRB.MAXIMIZE)

# 解决模型
m.optimize()

# 输出最优解和最优值
print("Optimal solution:")
for v in m.getVars():
    print(v.varName, v.x)
print("Optimal value:", m.objVal)

# 进行灵敏度分析
for v in m.getVars():
    m.reset()
    m.setObjective(3*x1 + 4*x2 + 5*x3, GRB.MAXIMIZE)
    m.addConstr(x1 + x2 + x3 <= 1, "c1")
    m.addConstr(2*x1 + x2 + x3 <= 2, "c2")
    m.addConstr(x1 + 2*x2 + x3 <= 2, "c3")
    m.getVarByName(v.varName).ub = 0
    m.optimize()
    print("Reduced cost of", v.varName, ":", m.getVarByName(v.varName).rc)

这个代码中，我们首先定义了一个0-1整数规划模型，包含三个二进制变量x1、x2和x3，以及三个约束条件和一个目标函数。然后我们求解模型，得到最优解和最优值。

接着，我们对每个变量进行灵敏度分析。为了找到每个变量的约束松弛度，我们将该变量的上界设为0，重新求解模型，并输出该变量的约束松弛度（即降低变量上界1个单位时目标函数值的变化量）。这个值可以用来衡量该变量对最优解的影响程度，如果该值较大，则说明该变量对最优解的影响较大；反之，则说明该变量对最优解的影响较小。