一、 从规划问题引入
在我们学习探索的各个领域，规划问题都是无处不在的。通过列出约束条件及目标函数，再画出约束条件所表示的可行域，就能在可行域内求得目标函数的最优解以及最优值。当然我们在高中就已经学习过线性规划的相关知识，对于理科同学来说，大多数同学应该感觉难度不大，或者说是送分考点。然而到了大学阶段，一些规划问题的求解已经不是人力可以轻松算出来的了，必须借助于计算机来进行计算。那么对于规划问题的软件选择，又应当如何进行呢？
二、 软件分析与选择
Matlab相比之下是一个面面俱到的编程软件，也可用于求解规划问题。但是如果一定要去和某些“针对特定功能而开发的软件”去比的话，Matlab有时也会稍显逊色。就好比一款顶级的耳机能通吃高中低音，但是去和另一款顶级的为高音而设计的耳机去比较的话，也难免会被比下去。这也就是为什么在规划问题上，很多人会去使用Lingo进行求解。
首先我们来区分一下Lindo和Lingo这两款软件。Lingo是在Lindo基础之上做成的软件，处理解线性规划问题之外还加了非线性的求解器，更关键的是还追加了集的概念。可以更方便的解决复杂的问题。所以本文只对Lingo进行讲解。 而对于Matlab与Lingo的区别，就好比手动挡与自动挡的区别，有针对性的专业软件会对用户做很多的优化。
用MATLAB求解线性规划和整数规划问题，需要先将问题转化成如下标准型，其中X只能是向量，也就是单下标变量，然后用向量和矩阵来表达目标函数和约束条件。
然而，许多问题（如指派问题和运输问题）由于参数和决策变量是双下标变量，必须在基本的数学模型的基础上进行变换才能求解，这样得到的等式约束和不等式约束的系数矩阵规模就非常庞大，当然由MATLAB计算问题不大，但转换工作完全要由人工完成，工作量大而且容易出错，因此在这一块效率不高。
而LINGO有自己的建模语言，在建立了集合的基础上，能够高效表达目标函数和各种约束条件。所写的模型基本上可以看作是对数学模型的翻译，不需要太多的转换。
那么现在我们基本上对LINGO和MATLAB对规划问题的处理方面有了初步认识与了解，至于是执着于MATLAB还是选择开辟LINGO这片新的领域，取决于队伍自身了。
三、 如何上手Lingo
有很多人对于Lingo的评价都是，非常简单的软件，很好上手。
“简单”一词我觉得还比较恰当。Lingo的各种版本几乎全部都是免安装版本的，界面很简单，功能用法很简单，处理问题的方式简单快捷。确实是跟“简单”一词挂钩的。但是任何一款软件想要精通，都是有一定难度的。如果你只需要用Lingo处理一些简单的线性问题，那么2个小时不到，0编程基础的朋友就能上手。如果你认准了Lingo就是你处理各类规划问题的御用软件，那么还是有很长一段路要走的。当然这也取决于用户的编程基础。如果学习过面向对象的程序设计课程的朋友，对于类与对象概念有所了解，那么对于集这一概念也能快速理解上手，学习起来更加轻松。
四、 Lingo的基本语法规则
1、求目标函数的最大最小值用 MAX=
M
A
X
=
和 MIN=
M
I
N
=
来表示；
2、每个语句必须用分号“；”结束，每行可以有许多语句，一个语句可以跨行；
3、变量名必须以字母A-Z开头，由字母、数字0-9和下划线组成，长度不超过32个字符，不区分大小写；
4、可以给语句加上标号；
5、注释以“！”开头以“；”结束；
6、默认所有的决策变量为非负数；
7、Lingo模型以“MODEL”开头以“END”结束。
8、Lingo把相联系的对象聚合成集，借助集，就能够用一个单一的长的简明的公式表示一系列相应的约束。
9、Lingo程序会包含集合段，数据输入段，优化目标和约束段，初始段和数据预处理部分。
10、Lingo函数包括有数学函数，金融函数，概率函数，变量界定义函数，集操作函数，集循环函数，输入输出函数，辅助函数等等。
五、 谈一谈例子
那么Lingo用起来到底有多简单呢，我们来看一个例子。
例1:某家公诉制造书桌、餐桌和椅子，所用的资源有三种:木料、木工和漆工。生产数据如下表所示:
每个书桌 | 每个餐桌 | 每个椅子 | 现有资源总数 | |
木料 | 8个单位 | 6个单位 | 1个单位 | 48个单位 |
漆工 | 4个单位 | 2个单位 | 1.5个单位 | 20个单位 |
木工 | 2个单位 | 1.5个单位 | 0.5个单位 | 8个单位 |
成品单价 | 60个单位 | 30个单位 | 20个单位 |
若要求桌子的生产量不超过5件，如何安排三种产品的生产可使利润最大？
解：代码
max = 60 * desks + 30 * tables + 20 * chairs;
8 * desks + 6 * tables + chairs <= 48;
4 * desks + 2 * tables + 1.5 * chairs <= 20;
2 * desks + 1.5 * tables + .5 * chairs <= 8;
tables <= 5;可以得到结果:
这里的 Total solver iteration 表示一共迭代2次得到最优解。
Objective value 表示最优值为280，而取280的时候各个变量取多少呢，底下的表格给出了答案。
可以看到，没有定义变量，简简单单一个函数一个约束条件，迅速计算出了答案。Lingo看上去就像是为了非编程人员量身定制的一样。
例2:给定一个直角三角形，求包含该三角形的最小正方形。
我们可以作出如下正方形:
CE=asinx,AD=bcosx,DE=acosx+bsinx
C
E
=
a
s
i
n
x
,
A
D
=
b
c
o
s
x
,
D
E
=
a
c
o
s
x
+
b
s
i
n
x
转化为了规划问题那么正方形面积最小的时候即为最优解。
代码：
model:
sets:
object/1..3/:f;
endsets
data:
a, b = 3, 4;
enddata
f(1) = a * @sin(x);
f(2) = b * @cos(x);
f(3) = a * @cos(x) + b * @sin(x);
min = @smax(f(1), f(2), f(3));
@bnd(0, x, 1.57);
end得到结果：
这里需要注意，lingo中如果没有代码说明，是默认
x
x
的值大于0的。代码中用 bndbnd 函数限制了
x
x
的范围。
那么再进阶一下，Lingo在处理TSP问题的时候表现如何呢？
例3: 现需在一台机器上加工 nn 个零件（如烧瓷器），这些零件可按任意先后顺序在机器上加工。我们希望加工完成所有零件的总时间尽可能少。由于加工工艺的要求，加工零件 j j 时机器必须处于相应状态 sjsj（如炉温）。设起始未加工任何零件时机器处于状态 s0 s 0 ，且当所有零件加工完成后需恢复到 s0 s 0 状态。已知从状态 si s i 调整到状态 sj(j≠i) s j ( j ≠ i ) 需要时间 cij c i j 零件 j j 本身加工时间为 pjpj。为方便起见,引入一个虚零件 0 0 ，其加工时间为 00，要求状态为 s0 s 0 ，则 0,1,2,…,n 0 , 1 , 2 , … , n 的一个圈置换 π π 就表示对所有零件的一个加工顺序，在此置换下，完成所有加工所需要的总时间为
∑i=0n(ciπ(i)+piπ(i))=∑i=0nciπ(i)+∑j=0npj∑i=0n(ciπ(i)+piπ(i))=∑i=0nciπ(i)+∑j=0npj
由于 ∑nj=0pj ∑ j = 0 n p j
代码：
!旅行商问题;
model:
sets:
city / 1.. 5/: u;
link(city, city):
dist, x; !距离矩阵;
endsets
n = @size(city);
data: !距离矩阵，它并不需要是对称的;
dist = @qrand(1); !随机产生，这里可改为你要解决的问题的数据;
enddata
min = @sum(link:dist * x);
@FOR(city(K):
@sum(city(I)|I #ne# K: x(I, K)) = 1;
!进入城市K;
@sum(city(J)|J #ne# K: x(K, J)) = 1;
);
@for(city(I)|I #gt# 1:
@for(city( J)| J#gt#1 #and# I #ne# J:
u(I) - u(J) + n * x(I,J) <= n - 1);
);
@for(city(I)|I #gt# 1: u(I) <= n - 2);
@for(link: @bin(x));
end可以得到结果:
