运筹学——线性规划

线性规划的python求解

# 线性规划的标准形式如下，求的是 min，所有的约束为 <= 的形式，所有的变量均 >=0，如何变为标准形式? 原来是max,直接乘以-1求min
# 若原来约束为 =，转为 >= 且<= (写两个式子，同时成立相当于 = )约束原来为 >= 同样的乘以-1，就变成了 <=
# 若有变量 xi < 0，那么用 x1- x来替代，其中x>=0，x>=0

# demo1:
# 目标函数：max z= x1 + x2 
# 不等式条件 s.t. x1 - x2 <= 0 
# 不等式条件 1.5x1 >= x2 
# 不等式条件 50x1 + 20x2 <= 2000 
# x1, x2 >=0 

# demo1:
from scipy import optimize as opt
import numpy as np
# 参数
# c是目标函数里变量的系数
c = np.array([1, 1])
# a是不等式条件的变量系数
a = np.array([[1, -1], [-1.5, 1], [50, 20]])
# b是不等式条件的常数项
b = np.array([0, 0, 2000])
# a1，b1是等式条件的变量系数和常数项，这个例子里无等式条件,不要这两项
# a1=np.array([[1,1,1]])
# b1=np.array([7])
# 限制
lim1 = (0, None)  # (0,None)->(0,+无穷)
lim2 = (0, None)
# 调用函数
ans = opt.linprog(-c, a, b, bounds=(lim1, lim2), method = "interior-point")
# 输出结果
print(ans)

# 结果解读
#     con: array([], dtype=float64)
#     fun: -62.49999900611857     # 目标函数的最优值
# message: 'Optimization terminated successfully.'  # 算法退出状态的字符串描述符
#     nit: 5        # 在所有阶段执行的迭代总数
#   slack: array([ 1.24999998e+01, -3.33121619e-09,  3.18441803e-05])
#  status: 0        # 表示算法的退出状态：0: 优化成功终止。1：达到迭代限制。2: 问题似乎是不可行的。3: 问题似乎是无限的。4: 遇到数值困难。
# success: True     # 当算法成功找到最优解时，为True
#       x: array([24.9999996 , 37.49999941])   # 在满足约束条件的同时最小化目标函数的决策变量的值

# demo2:
from scipy.optimize import linprog

c=[110,120,130,110,115,-150]
A=[[1,1,0,0,0,0],[0,0,1,1,1,0],[8.8,6.1,2.0,4.2,5.0,-6],[-8.8,-6.1,-2.0,-4.2,-5.0,3]]
b=[[200],[250],[0],[0]]
aeq=[[1,1,1,1,1,-1]]
beq=[[0]]
bounds=((0, None),(0, None),(0, None),(0, None),(0,None),(0,450))
# bounds=((0, None),(0, None),(0, None),(0, None),(0,None),(0,None))
res=linprog(c=c, A_ub=A, b_ub=b, A_eq=aeq, b_eq=beq, bounds=bounds)
print(res)