企业官网建设流程全解析

1. 从一车皮钢材的调度说起：运输问题到底在算什么

很多人第一次接触线性规划，都是从运输问题入门的。原因很简单：它的业务场景足够直观，数学模型又足够典型，几乎把线性规划的几个核心概念——决策变量、目标函数、约束条件、供需平衡——全都串了一遍。我在带新人的时候，也习惯拿运输问题当第一个案例，因为它能让人在半小时内建立起对"优化"这件事的具象认知。

先把场景摆出来。假设有两个钢材仓库，分别位于城北和城西，库存量分别是 35 吨和 25 吨。同时有三个工地需要钢材，需求量分别是 20 吨、25 吨、15 吨。从每个仓库到每个工地的单位运输成本不一样，因为距离、路况、装卸条件都不同。现在的问题是：怎么安排调运方案，才能让总运输成本最低？

这个问题看起来简单，但如果你手动去试，会发现组合方式并不少。两个仓库、三个工地，就有 6 条运输线路，每条线路运多少，理论上可以有无穷多种分法。真正要找到成本最低的那一组，靠拍脑袋是不行的。这就是线性规划要解决的问题——在一组线性约束下，寻找一个线性目标函数的最小值或最大值。

运输问题的数学结构有几个鲜明特征。第一，决策变量是每条线路上的运输量，通常记作 xij，表示从第 i 个仓库运往第 j 个工地的数量。第二，目标函数是所有线路运输量乘以对应单位成本的总和。第三，约束条件分两类：一类是每个仓库的发出量不能超过它的库存，另一类是每个工地的接收量必须满足它的需求。如果总供应等于总需求，就是平衡运输问题；如果不相等，就需要引入虚拟仓库或虚拟工地来配平。

GAMS 在这个场景里的角色，是一个建模语言和求解环境。它不负责替你思考业务逻辑，但能把你写下来的数学关系翻译成求解器能读懂的形式，然后调用求解器算出结果。相比直接在求解器里写矩阵，GAMS 的好处是模型的可读性极强——你写出来的东西几乎就是数学公式本身，改参数、换数据、调结构都很方便。这也是为什么在运筹学教学和工业级优化项目里，GAMS 一直有一席之地。

提示：运输问题是线性规划中最经典的入门模型之一，但它的结构可以扩展到很多实际场景，比如生产排程、库存调拨、人员分配、网络流量分配等。把运输问题吃透，后面学更复杂的模型会轻松很多。

2. GAMS 的建模语言长什么样：从集合到方程的骨架

2.1 集合声明：先把"谁参与运算"定义清楚

GAMS 建模的第一步，通常不是写公式，而是声明集合。集合就是"参与运算的对象清单"。在运输问题里，我们需要两个集合：仓库集合和工地集合。写法很直接：

Set i warehouses / north, west / j markets / site1, site2, site3 /;

这段代码的意思是：定义集合 i，别名是 warehouses，包含 north 和 west 两个元素；定义集合 j，别名是 markets，包含 site1、site2、site3 三个元素。集合名后面的斜杠里，就是元素列表。GAMS 对大小写不敏感，但为了可读性，我习惯把集合名用小写，别名用有意义的英文单词。

集合声明看起来简单，但它是整个模型的地基。后面所有的参数、变量、方程，都是建立在集合的笛卡尔积之上的。比如 i 和 j 的笛卡尔积就是 2×3=6 条线路，每条线路对应一个运输量变量和一个单位成本参数。如果你集合定义错了，后面全盘皆错。

2.2 参数赋值：把业务数据填进去

集合定义好之后，接下来要把具体数据填进去。运输问题需要三类数据：每个仓库的供应量、每个工地的需求量、每条线路的单位运输成本。GAMS 里用 Parameter 来声明：

Parameter supply(i) supply capacity demand(j) demand requirement cost(i,j) unit transportation cost; supply(i) = / north 35, west 25 /; demand(j) = / site1 20, site2 25, site3 15 /; cost(i,j) = / north.site1 8, north.site2 6, north.site3 10 west.site1 9, west.site2 12, west.site3 7 /;

这里有几个细节值得注意。第一，supply(i) 是一维参数，只跟仓库有关；cost(i,j) 是二维参数，跟仓库和工地都有关。第二，赋值时用斜杠包裹，元素之间用逗号分隔。第三，二维参数的写法是"仓库.工地"，中间用点号连接。第四，如果某个组合没有赋值，GAMS 默认它是 0，这在运输问题里通常意味着"这条线路不通"或者"成本为零"，需要根据实际情况判断是否合理。

我见过不少新手在这里踩坑：把 cost 的维度写反了，或者点号前后写错了顺序，结果求解出来的方案完全不合理。建议赋值完之后，用 display 语句把参数打印出来检查一遍：

display supply, demand, cost;

这个习惯能帮你省下大量调试时间。

2.3 变量与方程：把数学公式翻译成 GAMS 语法

数据准备好之后，就进入核心部分：声明变量和方程。运输问题的变量只有一个，就是每条线路的运输量：

Positive Variable x(i,j) transportation quantity;

Positive Variable 表示这个变量非负，符合运输量的物理意义。接下来是目标函数和约束条件。GAMS 里用 Equation 来声明方程，先声明再定义：

Equation obj total cost supply_con(i) supply constraint demand_con(j) demand constraint; obj.. sum((i,j), cost(i,j) * x(i,j)) =e= 0; supply_con(i).. sum(j, x(i,j)) =l= supply(i); demand_con(j).. sum(i, x(i,j)) =g= demand(j);

这里出现了几个 GAMS 的核心语法元素。sum((i,j), ...) 是求和操作，对 i 和 j 的所有组合求和。=e= 表示等于，=l= 表示小于等于，=g= 表示大于等于。obj 方程写成 =e= 0 是一种常见写法，意思是"目标函数表达式等于零"，求解器会自动把它识别为需要最小化的目标。

有一点需要特别说明：GAMS 里方程的定义和数学上的等式不太一样。obj.. sum(...) =e= 0 并不是说总成本等于零，而是说"目标函数就是等号左边的表达式"，求解器会根据 solve 语句里的 min 或 max 来决定优化方向。这个写法初看有点别扭，但习惯了就好。

2.4 模型声明与求解：最后一步把一切串起来

方程定义完之后，需要声明模型并调用求解器：

Model transport / all /; Solve transport using lp minimizing obj;

Model transport / all / 的意思是：定义一个叫 transport 的模型，包含所有已声明的方程。Solve 语句指定用 lp（线性规划）求解器，目标是最小化 obj。执行之后，GAMS 会输出求解状态、目标函数值、变量取值等信息。

整个模型写下来不到 30 行，但已经完整描述了一个运输优化问题。这就是 GAMS 的魅力：它把建模的门槛降得很低，让你能把精力集中在业务逻辑上，而不是矩阵变换和求解器接口上。

3. 供需不平衡时怎么办：虚拟节点的引入逻辑与实操

3.1 为什么总供应和总需求经常对不上

前面假设的是平衡运输问题：总供应 35+25=60 吨，总需求 20+25+15=60 吨，刚好相等。但实际业务里，这种情况反而是少数。更多时候是供应大于需求，或者需求大于供应。比如仓库总库存 60 吨，但工地只需要 50 吨，多出来的 10 吨怎么办？或者工地需要 70 吨，但仓库只有 60 吨，缺口 10 吨怎么处理？

线性规划的标准形式要求约束条件必须是等式或不等式，但求解器对"不平衡"的处理能力有限。如果直接写 supply_con(i).. sum(j, x(i,j)) =l= supply(i) 和 demand_con(j).. sum(i, x(i,j)) =g= demand(j)，当总供应大于总需求时，模型可能有可行解，但求解结果里会有"剩余库存"没有明确表达；当总需求大于总供应时，模型直接不可行。

3.2 虚拟仓库与虚拟工地的构造方法

标准做法是引入虚拟节点，把不平衡问题转化为平衡问题。具体分两种情况。

第一种：总供应大于总需求。引入一个虚拟工地，它的需求量等于总供应减去总需求。从每个仓库到虚拟工地的单位运输成本设为 0，表示"剩余库存就地存放，不产生运输成本"。这样总供应和总需求就相等了，模型变成平衡运输问题。

第二种：总需求大于总供应。引入一个虚拟仓库，它的供应量等于总需求减去总供应。从虚拟仓库到每个工地的单位运输成本设为 0，表示"缺口部分不运输，相当于需求未被满足"。但这里有个隐患：如果成本为 0，求解器可能会优先让虚拟仓库满足所有需求，导致实际仓库的运输量为 0。为了避免这种情况，通常给虚拟仓库到工地的成本设一个很大的惩罚值（比如 9999），迫使求解器优先使用真实仓库。

在 GAMS 里实现虚拟节点，有两种方式。一种是直接在集合里加元素：

Set i warehouses / north, west, dummy_wh / j markets / site1, site2, site3 /;

然后给 dummy_wh 赋供应量和成本。另一种是保持集合不变，在参数赋值时动态调整。我更推荐第一种，因为结构清晰，后面看代码一眼就能明白哪些是真实节点、哪些是虚拟节点。

3.3 一个完整的非平衡运输问题实例

假设现在有三个仓库，供应量分别是 30、20、25 吨，总供应 75 吨。两个工地，需求量分别是 40、30 吨，总需求 70 吨。总供应大于总需求 5 吨。引入虚拟工地 site_dummy，需求量 5 吨，所有仓库到它的成本为 0。

Set i warehouses / wh1, wh2, wh3 / j markets / site1, site2, site_dummy /; Parameter supply(i) / wh1 30, wh2 20, wh3 25 / demand(j) / site1 40, site2 30, site_dummy 5 /; Table cost(i,j) site1 site2 site_dummy wh1 7 9 0 wh2 8 6 0 wh3 5 10 0;

注意这里用了 Table 来定义二维参数，比逐个赋值更直观。Table 的写法是：第一行是列名（对应 j 的元素），第一列是行名（对应 i 的元素），中间填数值。这种写法在参数较多时特别方便。

求解之后，如果 site_dummy 从某个仓库接收了 5 吨，说明那个仓库有 5 吨库存没有运出去。具体是哪个仓库，取决于哪个仓库的"剩余成本"最低。这个结果本身也有业务含义：它告诉你哪个仓库的库存应该优先保留。

注意：虚拟节点的成本设置直接影响求解结果。如果虚拟工地成本设为 0，求解器会倾向于让运输成本最高的仓库留下库存；如果设为一个较大的值，求解器会尽量让所有真实仓库都出货，虚拟节点只承担"不得不剩余"的部分。具体怎么设，取决于你的业务目标。

4. 求解结果怎么看：从输出文件里读出业务洞察

4.1 GAMS 输出文件的结构拆解

很多人第一次跑完 GAMS，看到满屏的输出就懵了。其实输出文件的结构很固定，关键信息就那么几块。我通常按这个顺序看：

第一块是编译和执行信息，包括模型有多少个方程、多少个变量、多少个非零元素。这些数字能帮你判断模型规模是否合理。如果方程数或变量数明显不对，说明集合或参数定义有问题。

第二块是求解器状态。最关键的是 "SOLVER STATUS" 和 "MODEL STATUS"。SOLVER STATUS 是 1 表示正常完成，MODEL STATUS 是 1 表示找到最优解。如果这两个数字不是 1，就要去查对应的错误代码。

第三块是目标函数值，通常显示为 "OBJECTIVE VALUE"。这是总运输成本，是你最关心的数字之一。

第四块是变量取值，显示为 "x(i,j)" 的各个分量。这里能看到每条线路具体运了多少。如果某个变量是 0，说明这条线路没有被使用。

4.2 用 display 和参数报告把结果整理清楚

GAMS 默认的输出比较冗长，直接看变量取值列表不够直观。我习惯在 solve 语句后面加几行代码，把结果整理成更易读的形式：

Parameter report(i,j) transportation plan; report(i,j) = x.l(i,j); display report; display x.l;

x.l 表示变量 x 在求解后的取值（.l 是 level 的缩写）。把 x.l 赋给 report 参数，再用 display 打印，输出会更干净。如果你想把结果导出到 Excel 或 CSV，可以用 execute_unload 或者 put 语句，这里不展开，后面单独讲。

4.3 从运输方案里读出业务含义

求解结果不只是一堆数字，它背后有业务含义。比如某个仓库到某个工地的运输量特别大，说明这条线路的成本优势明显；某个仓库的供应量没有被完全使用，说明它的成本偏高或者位置不好；某个工地的需求由多个仓库共同满足，说明单一仓库无法覆盖它的需求。

我在实际项目里，通常会做两件事。第一，把运输方案和成本结构对照看，验证结果是否符合直觉。如果某个结果很反直觉，比如成本最高的线路反而运得最多，那就要检查模型是不是写错了。第二，做敏感性分析，看看如果某个仓库的供应量增加 10%，或者某条线路的成本下降 10%，总成本会怎么变。GAMS 做敏感性分析很方便，改个参数重新 solve 就行。

5. 那些年我踩过的 GAMS 坑：从语法错误到模型不可行

5.1 集合元素命名引发的血案

GAMS 对集合元素的命名有一些隐含规则。比如元素名不能以数字开头，不能包含特殊字符，长度也有限制。我见过有人用 "1号仓库" 这种中文加数字的命名，结果编译直接报错。还有人用 "site-1" 这种带连字符的名字，GAMS 会把连字符当成减号处理，导致解析错误。

安全的做法是：用纯英文字母和数字，数字不要放在开头，不要用特殊符号。如果实在需要中文注释，可以写在集合声明后面的注释里，或者用别名。

5.2 方程定义里的维度不匹配

这是新手最容易犯的错误之一。比如 supply_con(i).. sum(j, x(i,j)) =l= supply(i) 这行，sum 里的 x(i,j) 是二维的，sum 对 j 求和之后变成一维，正好和 supply(i) 匹配。如果你不小心写成 sum(j, x(j,i))，维度就对不上了，GAMS 会报 "dimension mismatch" 错误。

排查这类错误的方法：先看方程左边的维度，再看右边的维度，确保两边一致。如果涉及 sum，先确定 sum 掉哪个维度，剩下的维度就是结果的维度。

5.3 模型不可行的常见原因与排查路径

模型不可行（MODEL STATUS = 4 或 5）是另一个高频问题。运输问题里，不可行通常有这几个原因：

第一，总供应小于总需求，且没有引入虚拟仓库。这是最常见的原因。检查方法：把 supply 和 demand 分别求和，比较大小。

第二，某个约束条件写反了。比如把 =l= 写成了 =g=，导致供应约束变成了"必须大于等于供应量"，而供应量是上限，自然不可行。

第三，参数赋值有误。比如某个需求量为负数，或者某个供应量为零但需求为正，导致无解。

第四，虚拟节点的成本设置不合理。比如虚拟仓库到所有工地的成本都是 0，但求解器仍然找不到可行解，可能是因为虚拟仓库的供应量没有正确设置。

排查路径：先检查供需总量，再检查约束方向，最后检查参数赋值。如果还不行，把模型简化到最小规模，逐个恢复，定位问题所在。

5.4 求解器选择与性能调优的几点经验

GAMS 支持多种线性规划求解器，常见的有 CPLEX、Gurobi、XPRESS、MINOS 等。对于运输问题这种小规模线性规划，任何求解器都能秒解。但如果模型规模扩大到几千个节点、几万条线路，求解器的选择就重要了。

我的经验是：CPLEX 和 Gurobi 在大型线性规划上表现最稳，XPRESS 也不错，MINOS 更适合非线性问题。如果只是教学或小规模测试，用默认求解器就行。如果遇到求解时间过长，可以尝试调整求解器的参数，比如设置最优性容差、开启预处理、调整单纯形法的定价策略等。但这些属于进阶内容，新手先把模型写对、跑通，再考虑调优。

6. 把运输问题模型改造成你自己的业务工具

6.1 从运输问题到生产排程的映射思路

运输问题的结构是"供应节点—需求节点—运输成本"，这个结构可以映射到很多业务场景。比如生产排程：工厂是供应节点，订单是需求节点，生产成本加运输成本是"单位成本"，排程问题就变成了运输问题。再比如人员分配：员工是供应节点，岗位是需求节点，员工到岗位的适配成本是"单位成本"，分配问题也变成了运输问题。

关键是把业务里的"资源"和"需求"抽象成集合，把"匹配成本"抽象成参数，把"分配量"抽象成变量。一旦完成这个抽象，剩下的就是套用运输问题的标准模型。

6.2 用 GDX 文件管理数据，让模型和业务数据解耦

实际项目里，数据通常来自 Excel、数据库或 CSV 文件，而不是硬编码在 GAMS 代码里。GAMS 提供了 GDX（GAMS Data Exchange）格式来管理数据。你可以用 GDXXRW 工具把 Excel 数据读入 GDX，再用 $GDXIN 语句在 GAMS 里加载。

这样做的好处是：模型代码和数据分离，改数据不用改代码，模型可以复用。比如你有 10 个仓库、20 个工地，数据在 Excel 里维护，GAMS 代码只需要写一次，每次换数据重新加载就行。

6.3 把求解结果写回 Excel 的完整流程

求解完之后，结果通常需要写回 Excel 供业务人员查看。GAMS 提供了几种方式：用 execute_unload 把结果存成 GDX，再用 GDXXRW 写回 Excel；或者用 put 语句直接写文本文件，再用 Excel 打开。

我常用的是 put 语句，因为它简单直接：

File results /transport_results.csv/; Put results; Put "Warehouse,Market,Quantity", /; Loop((i,j), Put i.tl, ",", j.tl, ",", x.l(i,j), /; ); PutClose results;

这段代码会把运输方案写成一个 CSV 文件，每行是"仓库,工地,运输量"。i.tl 和 j.tl 是集合元素的文本标签。用 Loop 遍历所有组合，把结果逐行写出。这种写法虽然原始，但足够灵活，适合快速出结果。

6.4 模型扩展的几个方向：多商品、多周期、带容量限制

标准运输问题假设单一商品、单一周期、无容量限制。实际业务往往更复杂。几个常见的扩展方向：

多商品运输：不同商品不能混装，需要为每种商品单独定义变量和约束。GAMS 里可以加一个商品集合 k，把 x(i,j) 扩展成 x(i,j,k)。

多周期运输：每个周期有独立的供需和成本，需要加一个时间集合 t，把 x(i,j) 扩展成 x(i,j,t)，并增加库存平衡约束。

带容量限制：每条线路有最大运输量，需要加一个约束 x(i,j) =l= capacity(i,j)。这个扩展最简单，加一行方程就行。

这些扩展在 GAMS 里都不难实现，关键是先把标准模型吃透，再逐步叠加复杂度。我建议新手不要一上来就写复杂模型，先把两仓库三工地的标准问题跑通，再慢慢加东西。

7. 关于学习路径的一点个人体会

我刚开始学 GAMS 的时候，最大的困惑不是语法，而是"不知道模型能干什么"。后来发现，最好的学习方式不是啃手册，而是找一个真实的小问题，从头到尾做一遍。运输问题就是最好的起点：它足够简单，能在一天内跑通；又足够典型，涵盖了线性规划的核心概念。

我的建议是：先照着教程把标准运输问题敲一遍，确保能跑出结果；然后改数据，改成你自己熟悉的场景，比如快递网点调拨、食堂食材分配、图书馆图书调配；再然后加约束，比如某条线路有容量限制、某个仓库有最低出货量；最后尝试把数据从代码里分离出来，用 Excel 管理。走完这四步，你对 GAMS 和线性规划的理解会完全不一样。

另外，不要怕报错。GAMS 的错误信息其实很详细，关键是学会看。编译错误看行号和错误类型，求解错误看 MODEL STATUS 和 SOLVER STATUS，结果异常看参数赋值和约束方向。踩的坑越多，后面写模型越快。

最后分享一个小技巧：在模型开头加一行option limrow = 0, limcol = 0;，可以抑制输出文件里的方程和变量列表，让输出更干净。这个设置在教学演示时特别有用，能让你快速定位到关键结果。