python 线性规划求解,python线性规划最优解

  python 线性规划求解,python线性规划最优解

  线性规划(Linearprogramming)解决线性等式或不等式约束下线性目标函数的极值问题,常用于解决资源分配、生产调度和混合问题。本文将使用纸浆来求解线性规划,有需要的可以参考。

  00-1010 1.纸浆库2的安装。线性规划导论2.1线性规划2.2整数规划3。求解过程3.1定义模型3.2定义决策变量3.3添加约束条件3.4添加目标函数3.5模型求解3.6打印结果4。示例代码4.1高考代码4.2汽车工厂简洁的代码是智慧的灵魂,啰嗦是表面的装饰。3354莎士比亚《哈姆雷特》

  

目录

  如果你用的是Anaconda(其实我是推荐的),你需要先激活你要安装的虚拟环境,然后在提示符下输入。

  pip安装纸浆

  不出意外的话,一会儿就装好了。

  

1.PuLP 库的安装

  相信大家都能点开这篇文章,知道线性规划是什么意思.然后我用两个例子简单说明一下。

  

2.线性规划简介

  2.1.1 题目描述

  如果变量x,y满足约束条件:

  求z=3x y的最大值。

  2.1.2 基本概念

  首先我们要认识到,在这个问题中,X和Y是可以变换的,所以我们称之为决策变量.三个不等式叫做约束条件,就是X和Y必须同时满足这三个不等式。如果我们画一幅画:

  其中不满足约束的区域被我着色了,所以x和y的值只能在纯白区域,也就是所谓的可行域.

  看最终目标:求z=x 3y的最大值。

  所以z=x 3y叫做目标函数,我们的工作是找到这个目标函数的最大值。

  整个问题被描述为:

  然后呢?别急,我们再举个例子。

  

2.1 线性规划

  2.2.1 题目描述

  这家工厂生产三种类型的汽车:小型、中型和大型。众所周知,每种类型汽车的钢材需求、劳动时间和利润如下表所示。要求月用钢量不超过600 t,总劳动时间不超过60 000 h,指定试生产计划,使工厂月利润最大化。

  小型中型大型汽车钢材/t1.535工时/h280250400利润/万元2342.2.2 解题思路

  首先,设置三个决策变量, x1、x2、x3,分别代表小型车、中型车和大型车的数量,但注意要满足:

  只能是整数;的汽车数量大于或等于0。其他约束条件问题直接列出:

  最后,写目标函

  数:

  

z=2x1+3x2+4x3

  综合起来整个问题描述为:

  

  另外可以看出这个题由于涉及到三个决策变量,可行域是相当抽象的,这里就不画了 hhh~

  

  

3.求解过程

  首先在最前面引入所需的pulp工具库:

  

import pulp as pl

  

  这句话是引入pulp库并简写为pl,一个 python 库只有在开始import了之后才能在后面使用。这样后面凡是用到pulp的功能都要写成pl.xxx

  接下来是以下几个步骤:

  

  • 定义模型
  • 定义决策变量
  • 添加约束条件
  • 添加目标函数
  • 模型求解
  • 打印结果

  

  

3.1 定义模型

  

# Define the model

  model = pl.LpProblem(name="My-Model", sense=pl.LpMaximize)

  

  这个操作是使用pl.LpProblem创建了一个模型并赋值给变量model,接收两个参数:

  

  • name:模型的名字,随便起一个;
  • sense:模型的类型,pl.LpMinimize是求目标函数的最小值,pl.LpMaximize是求最大值

  

  

3.2 定义决策变量

  

# Define the decision variables

  x = pl.LpVariable(name=x)

  y = pl.LpVariable(name=y)

  

  如果你的变量比较少的话可以简单这么写。这个意思是定义了两个浮点数变量,取值范围是整个实数域。注意等号左边的变量才是你在之后的计算式中使用的符号,而参数name只有在最后打印结果的时候才会被打印出来。另外如果你对变量有其他要求的话可以添加以下参数:

  

  • lowBound:变量的最小取值(不写的话默认负无穷);
  • upBound:变量的最大取值(默认正无穷);
  • cat:变量的类型,有pl.Binary逻辑变量、pl.Integer整数、pl.Continuous实数(默认值);

  如果你的变量比较多而不得不用 1, 2, 3…… 来编号,可以采用类似这样的写法:

  

# Define the decision variables

  x = {i: pl.LpVariable(name=f"x{i}", lowBound=0, cat=pl.LpInteger) for i in range(1, 9)}

  

  这是一次定义 8 个变量并保存在一个类似数组的结构中,变量都是正整数,分别用x[1],x[2], ...,x[8]表示,依次命名为 x1, x2,..., x8。

  注意range(left, right)表示的区间是左闭右开。

  

  

3.3 添加约束条件

  

# Add constraints

  model += (2 * x + 3 * y - 6 >= 0, "constrain_1")

  model += (x + 3 * y - 3 == 0, "constrain_2")

  

  没错!如你所见就是这么简单,括号里第一个变量就是你的约束不等式等式,第二个变量是你的自定义的约束名(可以起一个有意义的名字,当然也可以省略)。

  由于一些比较数学的原因,约束条件里是不能使用大于号>或小于号<的。

  如果你像前面一样把变量定义在了数组中,那么可以直接用方括号调用:

  

model += (2 * x[1] + 3 * x[2] - 6 >= 0)

  

  

  

3.4 添加目标函数

  

# Set the objective

  model += x + 3 * y

  

  与前面添加约束条件不同,添加目标函数这一步不用加最外层的括号。

  

  

3.5 模型求解

  

# Solve the optimization problem

  status = model.solve()

  

  就写这一句话,调用modelsolve()方法,并把结果保存在status中。

  

  

3.6 打印结果

  

# Get the results

  print(f"status: {model.status}, {pl.LpStatus[model.status]}")

  print(f"objective: {model.objective.value()}")

  for var in model.variables():

   print(f"{var.name}: {var.value()}")

  for name, constraint in model.constraints.items():

   print(f"{name}: {constraint.value()}")

  

  然后你就能看到模型求解的结果了。

  

  

4.示例代码

  

  

4.1 高考题代码

  首先解决一下 3.1 的高考题:

  

import pulp as pl

  # 定义一个模型,命名为 "Model_3.1",求最大值

  model = pl.LpProblem(name="Model_3.1", sense=pl.LpMaximize)

  # 定义两个决策变量,取值为整个实数域

  x = pl.LpVariable(name=x)

  y = pl.LpVariable(name=y)

  # 添加三个约束条件

  model += (2 * x + 3 * y - 6 >= 0)

  model += (x + y - 3 <= 0)

  model += (y - 2 <= 0)

  # 目标函数

  model += x + 3 * y

  # 求解

  status = model.solve()

  # 打印结果

  print(f"status: {model.status}, {pl.LpStatus[model.status]}")

  print(f"objective: {model.objective.value()}")

  for var in model.variables():

   print(f"{var.name}: {var.value()}")

  for name, constraint in model.constraints.items():

   print(f"{name}: {constraint.value()}")

  

  查看结果的最后几行:

  

status: 1, Optimal
objective: 7.0
x: 1.0
y: 2.0
_C1: 2.0
_C2: 0.0
_C3: 0.0

  

  最大值是7.0,在x=1.0,y=2.0时取到。

  

  

4.2 汽车厂代码

  

import pulp as pl

  # 定义一个模型,命名为 "Model_3.2",求最大值

  model = pl.LpProblem(name="Model_3.2", sense=pl.LpMaximize)

  # 定义三个决策变量,取值正整数

  x = {i: pl.LpVariable(name=f"x{i}", lowBound=0, cat=pl.LpInteger) for i in range(1, 4)}

  # 添加约束条件

  model += (1.5 * x[1] + 3 * x[2] + 5 * x[3] <= 600)

  model += (280 * x[1] + 250 * x[2] + 400 * x[3] <= 60000)

  # 目标函数

  model += 2 * x[1] + 3 * x[2] + 4 * x[3]

  # 求解

  status = model.solve()

  # 打印结果

  print(f"status: {model.status}, {pl.LpStatus[model.status]}")

  print(f"objective: {model.objective.value()}")

  for var in model.variables():

   print(f"{var.name}: {var.value()}")

  for name, constraint in model.constraints.items():

   print(f"{name}: {constraint.value()}")

  

  查看结果的最后几行:

  

status: 1, Optimal
objective: 632.0
x1: 64.0
x2: 168.0
x3: 0.0
_C1: 0.0
_C2: -80.0

  

  三种车的产量分别取 64、168、0,最大收益 632 万元。

  到此这篇关于Python+PuLP实现线性规划的求解的文章就介绍到这了,更多相关Python PuLP线性规划内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: