问题二：思考一个交通领域中的优化问题，并使用CPLEX求得该问题的最优解（数据、问题自拟）。要求决策变量不少于3个，约束不少于3个。

1、 问题描述（文字性说明问题是什么、考虑何目标、何约束）

2、 模型构建（说明决策变量、目标函数、约束）

3、 程序代码

4、 结果分析

1、问题描述

假设我们需要设计一个城市的交通信号系统，以最大限度地减少车辆在交通路口的等待时间。我们考虑一个交通路口，共有3条进入路口的道路，分别是路口A、路口B和路口C。目标是为每个路口分配合适的绿灯时间，使得总等待时间最小。每个路口的车辆到达率以及车辆的等待时间是已知的。同时，我们需要确保交通安全，因此有以下约束条件：

（1）每个路口的绿灯时间不得少于某个最小值。
（2）每个路口的绿灯时间不得超过某个最大值。
（3）路口的总绿灯时间必须满足路口的周期时间。
2、模型构建

决策变量：
x1：路口A的绿灯时间
x2：路口B的绿灯时间
x3：路口C的绿灯时间

目标函数：
最小化总等待时间 = W1 * x1 + W2 * x2 + W3 * x3，其中Wi表示第i个路口的等待时间权重。

约束条件：

（1）x1 >= Tmin_A
（2）x1 <= Tmax_A
（3）x2 >= Tmin_B
（4）x2 <= Tmax_B
（5）x3 >= Tmin_C
（6）x3 <= Tmax_C
（7）x1 + x2 + x3 = Tcycle
3、程序代码（python）

from docplex.mp.model import Model

数据

W1, W2, W3 = 10, 12, 8
Tmin_A, Tmax_A = 10, 40
Tmin_B, Tmax_B = 15, 50
Tmin_C, Tmax_C = 20, 60
Tcycle = 100

创建模型

mdl = Model("traffic_light_optimization")

添加决策变量

x1 = mdl.continuous_var(name="x1", lb=Tmin_A, ub=Tmax_A)
x2 = mdl.continuous_var(name="x2", lb=Tmin_B, ub=Tmax_B)
x3 = mdl.continuous_var(name="x3", lb=Tmin_C, ub=Tmax_C)

添加目标函数

mdl.minimize(W1 * x1 + W2 * x2 + W3 * x3)

添加约束

mdl.add_constraint(x1 + x2 + x3 == Tcycle)

求解

mdl.solve()

输出结果

print("最优解为：")
print("路口A的绿灯时间: ", x1.solution_value)
print("路口B的绿灯时间: ", x2.solution_value)
print("路口C的绿灯时间: ", x3.solution_value)

4、结果分析
从求解结果中，我们可以得到最优的绿灯时间分配。这将有助于最大程度地减少车辆在路口的等待时间，从而提高交通效率。在实际应用中，可以根据不同时间