数学建模之0—1规划（Python，Python面试题2024答案

---

1、概述

---

（1）知识框架

（2）线性整数规划模型

（3）分支定界法

2、案例

---

（1）案例1

（2）案例2

3、遗传算法—sko-GA包实现

---

（1）代码

from sko.GA import GA

from sko.DE import DE

def object_func(x):

return -(150 * x[0] + 210 * x[1] + 60 * x[2] + 80 * x[3] + 180 * x[4])

return -(3x[0]-2x[1]+5*x[2])

等式约束

constraint_eq = [

lambda x: x[0] + x[1] + x[2] - 1

]

不等式约束

constraint_ueq = [

lambda x: 210 * x[0] + 300 * x[1] + 100 * x[2] + 130 * x[3] + 260 * x[4] - 600,

lambda x: x[2] + x[3] - 1,

lambda x: -x[0] + x[4]

]

不等式约束

‘’'constraint_ueq = [

lambda x: x[0] + 2 * x[1] - x[2] - 2,

lambda x: x[0] + 4 * x[1] + x[2] - 4,

lambda x: x[0] + x[1] - 3,

lambda x: 4 * x[1] + x[2] - 6

]‘’’

‘’'def cons_ueq1(x):

return [x[0]+2*x[1]-x[2]-2]

cons1=cons_ueq1

def cons_ueq2(x):

return [x[0] + 4 * x[1] + x[2] - 4]

cons2=cons_ueq2

def cons_ueq3(x):

return [x[0]+x[1]-3]

cons3=cons_ueq3

def cons_ueq4(x):

return [4*x[1]+x[2]-6]

cons4=cons_ueq4’‘’

ga = GA(func=object_func, n_dim=5, size_pop=200, max_iter=800, lb=[0, 0, 0, 0, 0],

ub=[1, 1, 1, 1, 1], constraint_eq=constraint_eq, constraint_ueq=constraint_ueq, precision=[1, 1, 1, 1, 1])

#ga = GA(func=object_func, n_dim=3, size_pop=200, max_iter=800, lb=[0, 0, 0, ],

ub=[1, 1, 1], constraint_eq=constraint_eq, constraint_ueq=constraint_ueq, precision=[1, 1, 1])

ga = GA(func=object_func, n_dim=3, size_pop=200, max_iter=800, lb=[0, 0, 0],

ub=[1,1,1],constraint_ueq=[cons1,cons2,cons3,cons4], precision=[1, 1, 1])

best_x, best_y = ga.run()

print(‘best_x:’, best_x, ‘\n’, ‘best_y:’, -best_y)

ga = GA(func=object_func, n_dim=3, size_pop=200, max_iter=800, lb=[0, 0, 0],

ub=[1,1,1],constraint_ueq=[cons1,cons2,cons3,cons4], precision=[1, 1, 1])

best_x, best_y = ga.run()

print(‘best_x:’, best_x, ‘\n’, ‘best_y:’, -best_y)

（2）结果

案例1

best_x: [1. 0. 0. 1. 1.]

best_y: [410.]

Process finished with exit code 0

案例2

best_x: [1. 0. 1.]

best_y: [8.]

4、PuLp实现

---

（1）代码

import numpy as np

import pulp # 导入 pulp 库

主程序

def main():

InvestLP = pulp.LpProblem(“Invest decision problem”, sense=pulp.LpMaximize) # 定义问题，求最大值

x1 = pulp.LpVariable(‘A’, cat=‘Binary’) # 定义 x1，A 项目

x2 = pulp.LpVariable(‘B’, cat=‘Binary’) # 定义 x2，B 项目

x3 = pulp.LpVariable(‘C’, cat=‘Binary’) # 定义 x3，C 项目

x4 = pulp.LpVariable(‘D’, cat=‘Binary’) # 定义 x4，D 项目

x5 = pulp.LpVariable(‘E’, cat=‘Binary’) # 定义 x5，E 项目

InvestLP += (150x1 + 210x2 + 60x3 + 80x4 + 180*x5) # 设置目标函数 f(x)

InvestLP += (210x1 + 300x2 + 100x3 + 130x4 + 260*x5 <= 600) # 不等式约束

InvestLP += (x1 + x2 + x3 == 1) # 等式约束

InvestLP += (x3 + x4 <= 1) # 不等式约束

InvestLP += (x5 - x1 <= 0) # 不等式约束

‘’'InvestLP + =(3x1-2x2+5*x3)

InvestLP +=(x1+2*x2-x3<=2)

InvestLP +=(x1+4*x2+x3<=4)

InvestLP +=(x1+x2<=3)

InvestLP +=(4*x2+x3<=6)‘’’

InvestLP.solve()

print(InvestLP.name) # 输出求解状态

print(“Status youcans:”, pulp.LpStatus[InvestLP.status]) # 输出求解状态

for v in InvestLP.variables():

print(v.name, “=”, v.varValue) # 输出每个变量的最优值

print(“Max f(x) =”, pulp.value(InvestLP.objective)) # 输出最优解的目标函数值

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

n/img_convert/8c4513c1a906b72cbf93031e6781512b.png)

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。