第二十九章经济与金融中优化问题_第1页
第二十九章经济与金融中优化问题_第2页
第二十九章经济与金融中优化问题_第3页
第二十九章经济与金融中优化问题_第4页
第二十九章经济与金融中优化问题_第5页
免费预览已结束,剩余28页可下载查看

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

第二十九 经济与金融中的优化问本章主要介绍用LINGO软件求解经济、金融和市场方面的几个优化问题的 应能),供的产满足场需;市场价太高,消者的()例

品,他们在不同价格下的供应能力和需求能力如表1所示。举例来说,表中数据的含义是:当单价低于2万元但大于或等于1万元时,甲愿意生产2t产品,乙愿意8t产品;当单价等于或低于9万元但大于4.5万元时,乙愿意2t产品,甲愿意生产8t

12922443636488仔细观察一下表1就可以看出来,这个具体问题的解是一目了然的:价格显3万元/t,因为此时供需平衡(6t)。为了能够处理一般情况,下面通过交易的介。么,了使己获的利最大他总是以能的从甲2t产品他将会以1万元的单价从甲,以9万元的单价卖给乙;接下来的2t产品他会以2万元的单价从甲,再以4.5万元的单价卖给乙;再接下来的2t产品他只能3万元的单价从甲,再以3万元的单价卖给乙(其实这次交易他已经只是保本,但续甲的产品卖给乙,他一定会亏本,所以他肯定不会交易。因此,市场价格就是3万元。根据这个想法,我们就可以建立这个问题的线性规划模型。1万元,2万元,3万元,4万元的单价售出的产品数量(-t)分别是x1,x2,x3,x4,乙以9万元,4.5万元,3万元,2.25万元的单价的产品数量(单位:t)分别是y1,y2,y3,y4。9 xi

14.5y23y32.5 4约束条件44xi,iyi2,ixi,yi0,i式(1)~(5)LINGOLINGO程序c1=1234;[con0]max=@sum(gx:c2*y-c1*x);[con1]@sum(gx:x)=@sum(gx:y);Globaloptimalsolutionfound.Objectivevalue: Totalsolver ValueReduced-

DualPrice可以看出,最优解为x1x2x3y1y2y32,x4y40。但你肯定觉(dualprices)的含义。对偶价格又称价格,表示的是对应约束的右端项的价值。小的量(即甲的供应量增加一个很小的量)3倍。可见,此时的销售单价就是3万元,这就是价格。K[pk,pk1)时,供应量最多为ck(k1,2,L,K;0p1p2LpK1 0c0c1c2LCK),我们把这个函数关系称为供应函数(函数)。同理,假设乙的消费能力随价格的变化情况分为L段,即价格位于区间(qj1qj时,消费量最多为dj(j1,2,LL;q1LqLqL10;0d0d1LdL),qjy pk设甲以pk的价格售出的产品数量为xk(k1,2,LK),乙以qj)

j k k j0xk ck1,k1,2,L,0yjd dj1,j1,2,L,

例

1中的甲和乙外,还有另一个生产商(记为丙)消费者(记为丁),2销售到丁的每吨产品的成本是1.5万元,从丙销售到乙的每吨产品的成本是2万元,而甲、乙之间没有成本,丙、丁之间没有成本。这时,市场的价格应该是多少?甲和丙分别生产多少?乙和丁分别多少?-

2 首先,我们看看为什么要考虑从甲销售到丁的产品的成本和从丙销售到乙的产品的成本。如果不考虑这些成本,我们就可以认为甲乙丙丁处于同一个市场数,合并后就可以认为市场上仍然只有一个消费者。这样,就回到了例1的情形。1设甲以1,2,3,4(万元)的单价售出的产品数量(单位:t)分别是A1,A2,A3,A4,乙以9,4.5,3,2.25(万元)的单价 的产品数量(单位:t)分别是X1,X2,X3,X4;丙以2,4,6,8(万元)的单价售出的产品数量(单位t)分别是B1,B2,B3,B4,丁以15,8,5,3(万元)的单价 的产品数量(单位:t)分别是Y1,Y2,Y3,Y4。此外,假设AX和AY分别是甲向乙和丁的供货量,BX和BY分别是丙向乙和丁的供货量。这些决策变量之间的关系参见示意图1。1需求限制和非负限制),不过这时应注意供需平衡约束应该是包括图1所示的决策变量AXAYA1A2A3A4BXBYB1B2B3B4AXBXX1X2X3X4AYBYY1Y2Y3Y4

下面直接给出LINGO程序:

-c1=94.532.25;! c2=15853;!丁 价格c3=1234甲的售出价格c4=2468丙的售出价格d1=1344丙的供应能力d2=1234丁的需求能力;[con0]max=@sum(num1:c1*x+c2*y-c3*A-c4*B)-2*BXY(1)-1.5*AXY(2);[con1]@sum(num1:A)-@sum(num2:AXY)=0;[con2]@sum(num1:B)-@sum(num2:BXY)=0;[con3]AXY(1)+BXY(1)-@sum(num1:X)=0;[con4]AXY(2)+BXY(2)-Globaloptimalsolutionfound.Objectivevalue:Totalsolver

ReducedC1(C1(C1(C1(C2(C2(C2(C2(C3(C3(C3(C3(C4(C4(C4(C4(D1(-D1(SlackorDual可以看到,最优解为A1A2A3X1X22,B11,B23,Y11,Y22,Y33,AXBY4,AY2,A4B3B4X3X4Y4BX0。- 形。理论上看这当然没有什么难度,只是这时变量会,数学表达式变得更复杂一些。例3假设一家拍卖行对委托的5类艺术品对外拍卖,采用在规定日期前投标人提对每个目的标价如表所示例如有件第类艺术;对件第艺术投标人,,,意出最高分别为,,,(货币位,万元。此,假设每投标对每艺术最多能 件,每个投人 的艺品的数 表3 投标价

先建立一般的模型,然后求解本例的具体问题,设有n类物品需要拍卖,第j品的数量为sj(j1,2,Ln);有m个投标者,投标者i(i1,2,Lm)对第j类物品的投标价格为bij(假设非负)。投标者i对每类物品最多一件,且总件数不能超过ci。我们的目标之一是要确定第j类物品的价格pj,它应当满足下列假设条成交的第j类物品的数量不超过sj(j1,2,Ln对第j类物品的报价低于pj的投标人将不能获得第j如果成交的第j类物品的数量少于sj(j1,2,Ln),可以认为pj0(除对第j类物品的报价高于pj的投标人获得第j类物品,但如果他-用 1变量xij表示是否分配一件第j类物品给投标者i,即xij1表示分配,xij0表示不分配bx标函数仍然是虚拟的中间商的总利润(认为这些利润全部是拍miji1jxxm

ijsj,j1,2,L,ijci,i1,2,L,

TITLE拍卖与投标;AUCTION/1..5/:S;BIDDER/1..4/:C;LINK(BIDDER,AUCTION):B,X;S=12334招标项目数量C=3333;!投标者总数量限制92863679157863454321MAX=@SUM(LINK:@FOR(AUCTION(J):[AUC_LIM]@SUM(BIDDER(I):X(I,J))<S(J)@FOR(BIDDER(I):[BID_LIM]@SUM(AUCTION(J):X(I,J))<C(I));@FOR(LINK:@BND(0,X,1));- 可以的是:即使上面模型中不要求xij为0 数),由于这个问题的特殊性,最优解中xij也会要么取0,要么取1,不可能取0~1之性规划的结果将与 例4某地有如图2所示的一个公路网,每天上班时间有6千辆小汽车要从居民区A前往工作区D。经过长期观察,我们得到了图中5条道每辆汽车的平均行驶时间和图图 表4道行驶时

流量2流量3

203040

A到D从A到D,最花费时间该是样的否花费时较长那条部)。也就是说,长期来看,这些汽车在每条道的分布将达到均衡状态(所谓均衡,-分。也就是说,我们用YAB)表示道路AB上的总的流量,并进一步把它分解成三部道路AB上的流量不超过2时的流量,用X(2,AB)道路AB上的流量超过2但不超过3时,超过2的流量部分用X(3,AB)道路AB上的流量超过3但不超过4时,超过3的流量部分用X(4,AB)表示。依次类推,对道路ACBCBD,CD上同理可以定义类似的T(i,j)(i,,问题中总共有20个决策变量Yj)和X(i,j)(i2,3,4,jABACBCBDCD)。问题的目标应当是使总的堵塞时间最小。用T(i,j)表示流量X(i,j)对应的堵塞时i2,3,4j为道T(,j通过,而不是T(2,j)。也就是说 T(i,j)X(i,j)并不是总堵塞时间。但i2,3,4j为道我们也可以发现,T(ij)关于iX(i,j)T(ijX(ij)i2,3,4j为道T(ijX(ij)i2,3,4j为道每条道的总流量Y等于该 的分流量X的和道路交汇处A,B,C,D(一般称为节点)的流量守恒(即进入量等于流出量);iii)决策变量的上限限制,如X(2AB)2,X(3,AB1,X(4AB)1等。TITLELINK(CAR,ROAD):T,X;[OBJMIN=@SUM(LINKT*X)[NODE_A]Y(@INDEX(AB))+Y(@INDEX(AC))=-[NODE_B]Y(@INDEX(AB))=Y(@INDEX(BC))+Y(@INDEX(BD));[NODE_C]Y(@INDEX(AC))+Y(@INDEX(BC))=Y(@INDEX(CD));[NODE_D]Y(@INDEX(BD))+Y(@INDEX(CD))=6;@FOR(ROAD(I):[ROAD_LIM]@SUM(CAR(J):X(J,I))=@FOR(LINK(I,J)|I#EQ#1:@BND(0,X(I,J),2)@FOR(LINK(I,J)|I#GT#1:@BND(0,X(I,J),1));可以的是,上面4个节点的流量守恒条件中,其实只有3个是独立的(也就是LINGO的运行结果表明,均衡时道路ABACBCBDCD的流量分别是,()ABACBCBDCD道路分别需要40,52,12,52,40(min),也就是在图中三条路线ABD,ACD,ABCD上都需要92min,所以这也说明交通流确实达到了均衡。于是,均衡时真正的总运行时间应该是692552(千辆车·min)。相当于假设有一个的机构来统筹安排,最优地分配这些交通流,而不是像求均衡解时那样认为每个(每辆车)都可以自己选择道路,自然达到平衡状态。X(i,j)(i2,3,4jABACBCBDCD)造成的实际堵塞时间计算出来(仍按每辆车计算),而不是像上面那样不考虑对原有车流造成的堵塞效应。以道路AB为例。车

2流量 车

3流量 -T(ij),模型的其它部分完全不用变。重新求解LINGO模型,LINGO程序如下:TITLELINK(CAR,ROAD):T,X;7分7![OBJMIN=@SUM(LINKT*X)目标函数[NODE_A]Y(@INDEX(AB))+Y(@INDEX(AC))=[NODE_B]Y(@INDEX(AB))=Y(@INDEX(BC))+Y(@INDEX(BD));[NODE_C]Y(@INDEX(AC))+Y(@INDEX(BC))=Y(@INDEX(CD));[NODE_D]Y(@INDEX(BD))+Y(@INDEX(CD))=6;@FOR(ROAD(I):[ROAD_LIM]@SUM(CAR(J):X(J,I))=!每条道路的分流量X的上下界设定;@FOR(LINK(I,J)|I#EQ#1@BND(0,X(I,J),2@FOR(LINK(I,J)|I#GT#1:@BND(0,X(I,J),1));求得的最优车流分配方式是:道路ABACBDCD的流量都是3上没有量;()运时间为(千车),优均衡的结果(千辆车·=(),。当然,个最解必强制行,则B些车到底B时,现当走BCD123042(),BD的时间()CDCD(CD)更令人惊讶的是:这个例子的道路网中如果没有道路BC,从A到D的平均时间是83min;而新开了一条道路BC以后,从A到D的平均时间居然变成92min,不是例5某三种(A,B,C)12年(1943-1954)的价格(已经包括了-的增长情况)。例如,表中第一个数据1.300的含义是A在1943年的年末价值是 表6收益数年 指(年就给出们投资时的收益是不确定的,因此是一个随量,所以除了考虑收益的期望值外,一种收益的均值衡量的是这种的平均收益状况,而收益的方差衡量的是这种收益的波动幅度,方差越大则波动越大(收益越不稳定)。两种收益的协方 A,B,C每年的收益率分别为R1,R2,R3(注意表中的数据减去1以后才是年收益率),则Ri(i1,2,3)是一个随量。用E和D分别表示随量的数学期ER1 ,ER2 ,ER3同样,可以计算A,B,C年收益率的协方差矩阵-

COVTitle均值向量Mean与协方差矩阵COV;STOCKS/A,B,C/:Mean;link(YEAR,STOCKS):R;STST(STOCKS,STOCKS):COV;tmCALC计算均值向量Mean与协方差矩阵@for(tmatrix(i,j)|j#ge#2#and#j#le#4:R(i,j-1)=tm(i,j)-1);@for(stocks(i):Mean(i)=@sum(year(j):R(j,i))/@size(year));@for(stst(i,j):COV(i,j)=@sum(year(k):(R(k,i)-mean(i))*(R(k,j)-mean(j)))/(@size(year)-1));用决策变量x1,x2和x3分别表示投资人投资 A,B,C的比例。假设市场上没有 三 ,x1,x2,x30,x1x2x3 -年投资收益率Rx1R1x2R2x3R3也是一个随量。根据概率论的知识,投ERx1ER1x2ER2x3VD(x1R1x2R2x3R3x2v(i2x1x2cov(R1,R2)2x1x3cov(R1,R3)2x2x3cov(R2,R3

3i1x1ER1x2ER2x3ER3 数V是决策变量的二次函数,而约束都是线性函数,所以这是一个二次规划问题。STOCKS/A,B,C/:STST(Stocks,stocks):COV;[OBJ]MIN=@sum(STST(i,j):COV(i,j)*x(i)*x(j));[ONE]@SUM(STOCKS:X)=1;[TWO]@SUM(stocks:mean*x)>=TARGET; 的比例大致是:A占53%,B占36%,C占11%。风险(方 (方差)()改为%(了,为这乎是种中最的投回率,即C的回率)可以想到,这时应主要投资在C上。实际求解一下,可以知道最优解中投资C的份额大约是99.6%(剩余的大约0.4%投资在B上)。 -loaddata2.txt,loaddata3.txtholdonwhilesolution=[solution[target;x;y]];

图3例6假设除了例5中的三种外,投资人还有一种无风险的投资方式,如国D,则当希望回报率为15%时,对应的LINGOTitle含有国库券的投资组合模型;STOCKS1/A,B,C/:STST1(Stocks1,stocks1):COV1;STOCKS/A,B,C,D/:mean,X;STST(Stocks,Stocks):COV;-mean=0.05均值向量赋初值;COV=0;!协方差矩阵赋初值;TARGET=0.15;@for(STOCKS(i)|i#ne#4:@for(STST(i,j)|i#ne#4#and#j#ne#4:COV(i,j)=COV1(i,j));[OBJ]MIN=@sum(STST(i,j):[ONE]@SUM(STOCKS:X)=[TWO]@SUM(stocks:mean*x)>=TARGET;计算结果为,投资A占8.7%,B占42.9%,C占14.3%,D(国库券)占%,风险(方差)为0.。与例中的风险(方差为0.)比较,无风险现在,我们把上面模型中的期望收益减少到10%,即把数据段中的语句“TARGET0.15”改为“TARGET=0.10”,重新求解模型。计算结果如下:投资A占4.3%,B占21.4%,C占7.2%,D(国库券)占67.1%,此时风险(方刚才“TARGET0.15”的结果(这里不妨称为结果1)仔细观这两结果可以现:果2投资有风资产(,B,C)上的11981Tobn例7继续考虑例5(期望收益仍定为15%)。假设你目前持有的比例为:A占50%,B占35%,C占15%。这个比例与例5中得到的最优解有所不同。实际需要对所持的进行(换手),以便满足最优解的要求?仍用决策变量x1,x2和x3分别表示投资人应当投资A、B、C的比例,进一步假设A、B、C的比例为y1,y2和y3,卖出 A、B、C的比例为z1,z2和z3。其中,yi和zi(i1,2,3)中显然最多只能有一个严格取正数,且xi,yi,zi0,i -由于交易费用的存在,这时约束x1x2x31不一定还成立(i (yizi),即y1y2xy3z1z2z30时,这个约束才成立)。其实,这个关系式的 i (yizi)

另外,考虑到当前持有的各只的份额ci,xi,yi与zi(i1,2,3)之间也应该满xici zi,i Title考虑交易费的投资组合模型;STOCKS/A,B,C/:STST(Stocks,stocks):COV;!的初始份额;c=0.50.350.15;[OBJ]MIN=@sum(STST(i,j):[ONE]@SUM(STOCKS:X+0.01*Y+0.01*Z)=[TWO]@SUM(stocks:mean*x)>=TARGET;@FOR(stocks:[ADD]x=c+y-z); 是 是例8继续考虑例5(期望收益率仍定为15%)。在实际的市场上,一般存2可以认为指数反映的是市场的大势信息,对具体每只的涨跌通常是有显著影响的。我们这里最简单地假设每只的收益与指数成线性关系,从而可以-方差为s0D(M)。根据上面的线性关系的假定,对某只具体 i,其价值Ri(具体地说,用M表示指数(也是一个随量),其均值为m0E(M)2RiuibiM 其中ui和bi需要根据所给数据经过回归计算得到,eiE(ei)0,方差为si2D(ei)。此外,假设随机误差项ei与其它 j(ji)和股票指数M都是独立的,所以E(eiej)E(eiM)0。i{Mk)Rik)},(k1,2,L,12)k k

M的均值m0s0,标准差s0的值

对这里给出的三种,可以编写如下LINGO程序求出线性回归的系数ui和bi(2Title线性回归模型;STOCKS/A,B,C/:u,b,s2,link(YEAR,STOCKS):R,e;tm@for(tmatrix(i,j)|j#ge#2#and#j#le#4:R(i,j-@for(tmatrix(i,j)|j#eq#5:M(i)=tm(i,j));mean0=@sum(year:M)/@size(year);-s20=@sum(year:@sqr(M-mean0))/(@size(year)-1);[OBJ]MIN=@sum(stocks(i)|i#eq#num:s2(i));@for(link(k,i)|i#eq#num:[ERROR]e(k,i)=R(k,i)-u(i)-b(i)*M(k));[VAR]s2(i)=(@sum(year(k):@sqr(e(k,i)))/(@size(year)-2));[STD]s(i)=@sqrt(s2(i)));@for(stocks:@free(u);@free(b)@for(linkCA@fre2除了计算回归系数外,我们同时估计了回归误差的方差si和标准差sii差i22分别对应于A,B,C)。其实,这个问题也可以对三只的回归不加区分,即放在同一个模型中同时

s0

运行上述LINGO程序,得到的计算结果为:指数M的均值m01.191458,2u1 ,b1 ,误差的方差s12 s1

,b31.523798,误差的方差s3 同理(运行时输入num=2或3),可以得到:对B,回归系数u2 b21.239799,误差的方差s22 ,误差的标准差s2 2误差的标准差s30.17393现在,仍用决策变量x1,x2和x3分别表示投资人应当投 A,B,C的比例,中x1,x2,x30,x1x2x3 -

3

ii

3

ibim0)xi xi0,iTitle线性回归模型;STOCKS/A,B,C/:u,b,s2,link(YEAR,STOCKS):=

-R xiRi xi(uibiMeiER xiE(uibiMei) xi(uibim0DR xi2D(uibiMei) (bi2s02si2 (bi2s02si2x@for(tmatrix(i,j)|j#ge#2#and#j#le#4:R(i,j-@for(tmatrix(i,j)|j#eq#5:M(i)=tm(i,j));mean0=@sum(year:M)/@size(year);s20=@sum(year:@sqr(M-mean0))/(@size(year)-1);[OBJ]MIN=@sum(stocks(i):@for(link(k,i):[ERROR]e(k,i)=R(k,i)-u(i)-@for(stocks(i):[VAR]s2(i)=(@sum(year(k):@sqr(e(k,i)))/(@size(year)-2));[STD]s(i)=@sqrt(s2(i)));@for(stocks:@free(u);@free(b)@for(link:@free(e)Title利用指数简化投资组合模型;STOCKS/A,B,C/:u,b,s2,x;s20= s2=@file(data4.txt);u=@file(data5.txt);b=@file(data6.txt);[OBJ]MIN=@sum(stocks:(@sqr(b)*s20+s2)*@sqr(x));@sum(stocks:x)=1;@sum(stocks:计算结果为,最后的持股情况是:A大约占初始时刻总资产的54%,B占27%,C少)和概率,也就是说更关心的是下侧风险(downsiderisk)。所以,如果分布不-)) A、B可供某个投资者,且该投资者对未来分析(见表7,可以看出A、B的均值和方差都是一样的)。该投资者是一位非常保守的投资人,其投资目标是使两种情况下最小的化(也就是说,不管未来发情表发生概AB1 2 A、B的比例分别为x1,x2,决策变量x1,x2显然应该满x1,x20,x1x2max{min(1.0x11.2x2,1.5x10.7x2

引入一个辅助变量ymin(1.0x11.2x2,1.5x10.7x2)maxs.t.x1x2x11.2x21.5x10.7x2a=11.21.5可见,此时应该投资A、 -B的增值将达到30%而不是表7中给出的20%。那么,一般人的想法应该是增加对B的持有份额。果真如此吗?这个投资人如果将上面模型中的1.2改为1.3计算,将得到如下结果:x10. ,x20. ,y1.136364。也就是,应减少B的有份,增对A持有额。真是叫吃惊!相当说:人告你有只涨要增加,你紧说那我上把这只再点吧之所出现此奇的现,是由于个例中的标的殊%增加了。最后需我们面所关于资组的这讨基本上是纯术面讨论,只用历数据说话认为史数中包了起跌的有因。在市上,响涨跌因素能有多(政变化、行加、能短缺技),来的一重要响因、重事件生的能性其每种涨跌影响行预历史数一起用,立相的投组合型,里不再地介了。方面型有很,有的以继查阅关的业书和究文献。例

为了了解这种新产品在市场上的竞争力,在大规模投放市场前,公司部门进行了广泛的市场,得到了表8。四种产品分别记为A、B、C、D,其中A为新产品,表 率)。例如:表中第行数据表示当前产品A的顾客,下次产品A、B、C、的概率分别为75%,10%,5%,10%。请你根据这个结果,分析新产品A未表8表8市 数产ABCDABCD个离散动态随机过程,也就是马氏链(Markovchain)。很显然,上面给出的表实际上是转移概率矩阵(注意每行元素的和肯定为1)。要分析新产品A未来的市场份额,记N为产品种数。产品编号为i(i1,2,L,N),转移概率矩阵的元素记为Tij,稳定状态下产品i的市场份额记为pi。-pi Tjipj,i1,2,L,npjN个方程实际上并不独立,至少有一个是冗余的。好在我们还有另一个约束,即N种产品的市场份额之和等于1N jj当然,还应该增加概率PROD/ABCD/:P;LINK(PROD,PROD):T;DATA:!转移概率矩阵;T.751.05@FOR(PROD(I):P(I)=@SUM(LINK(J,I):T(J,I)*P(J)));@SUM(PROD:P)=1;@FOR(PROD(I)@WARN输入矩阵的每行之和必须是@ABS(1-@SUM(LINK(I,J):T(I,J)))#GT#.000001)); 求解结果为ABCD的市场份额分别是47.5%,15.25%,16.75%,20.53.2)用)不幸是,顾客接精地给每属性的用函一般,(conjoint- 27?03表84 521记价格选项分别为H(高),M(中),L(低)pj(jH,M,L);安全气囊选项分别为0,1,2,对应的效用为qi(i0,1,2)。我们的目的实际上就是要求出pj和qi。假设价格和安全气囊的效用是线性可加的,即当价格选项为j、安全气囊选项为c(ij)c(i,j)pj 那么,如何比较不同的估计的好坏呢?一种简单的想法是针对6个待定参数(pj和qi),表中给出了9组数据,因此可以用最小二乘法确定pj和qi。也就是说,此时的 [c(i, c0(i,

其中,c0(i,j)是表中的数据(安全气囊选项为i、价格选项为j时具体产品的效用)。所以另法是希望c(i,j)和c0(i,j)保持同样的顺序:即对任意的(i,j)和(k,l),当c0(i,j1c0(k,l)时,也尽量有c(i,j1c(k,l)(这里“+1”表示c(i,j)严格小于c(k,l),且至少相差1)。于是,可以考虑如下目标函数 (1pj qki,jk式中的求和只是对满足c0(ij1c0(k,l)的(ij)和(kl)MM(M,M)|CI(&1,&2

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论