2024年Python最新线性规划(Python各种包实现及Yalmip+Cplex），2024年最新字节跳动面试好难

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，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。

👉Python必备开发工具👈

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。

👉Python全套学习视频👈

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。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

import numpy as np

from scipy.optimize import linprog

c = np.array([-2, 4]) #目标函数

A_ub = np.array([[-3, 1], [-1, -2]]) #不等式

B_ub = np.array([6, -4])

A_ed = np.array([[1, 3]]) #等式

B_ed = np.array([4])

res=linprog(c, A_ub, B_ub, A_ed, B_ed, bounds=([None, None], [-3, None]))

print(res.fun)

print(res.x)

#结果

-37.99999999992104

[13. -3.]

Process finished with exit code 0

（3）cplex库

-- coding: utf-8 --

The MIP problem solved in this example is:

Maximize x1 + 2 x2 + 3 x3 + x4

Subject to

- x1 + x2 + x3 + 10 x4 <= 20

x1 - 3 x2 + x3 <= 30

x2 - 3.5x4 = 0

Bounds

0 <= x1 <= 40

0 <= x2

0 <= x3

2 <= x4 <= 3

Integers

x4

import cplex

from cplex.exceptions import CplexError

data common to all populateby functions

my_obj = [1.0, 2.0, 3.0, 1.0]

my_ub = [40.0, cplex.infinity, cplex.infinity, 3.0]

my_lb = [0.0, 0.0, 0.0, 2.0]

my_ctype = “CCCI”

my_colnames = [“x1”, “x2”, “x3”, “x4”]

my_rhs = [20.0, 30.0, 0.0]

my_rownames = [“r1”, “r2”, “r3”]

my_sense = “LLE”

def populatebyrow(prob):

prob.objective.set_sense(prob.objective.sense.maximize)

prob.variables.add(obj=my_obj, lb=my_lb, ub=my_ub, types=my_ctype,

names=my_colnames)

rows = [[[“x1”, “x2”, “x3”, “x4”], [-1.0, 1.0, 1.0, 10.0]],

[[“x1”, “x2”, “x3”], [1.0, -3.0, 1.0]],

[[“x2”, “x4”], [1.0, -3.5]]]

prob.linear_constraints.add(lin_expr=rows, senses=my_sense,

rhs=my_rhs, names=my_rownames)

try:

my_prob = cplex.Cplex()

handle = populatebyrow(my_prob)

my_prob.solve()

except CplexError as exc:

print(exc)

print()

solution.get_status() returns an integer code

print("Solution status = ", my_prob.solution.get_status(), “:”, end=’ ')

the following line prints the corresponding string

print(my_prob.solution.status[my_prob.solution.get_status()])

print("Solution value = ", my_prob.solution.get_objective_value())

numcols = my_prob.variables.get_num()

numrows = my_prob.linear_constraints.get_num()

slack = my_prob.solution.get_linear_slacks()

x = my_prob.solution.get_values()

print('x: ')

print(x)

#结果

Version identifier: 20.1.0.0 | 2020-11-11 | 9bedb6d68

CPXPARAM_Read_DataCheck 1

Found incumbent of value 46.000000 after 0.23 sec. (0.00 ticks)

Tried aggregator 2 times.

Aggregator did 1 substitutions.

Reduced MIP has 2 rows, 3 columns, and 6 nonzeros.

Reduced MIP has 0 binaries, 1 generals, 0 SOSs, and 0 indicators.

Presolve time = 0.19 sec. (0.01 ticks)

Tried aggregator 1 time.

Reduced MIP has 2 rows, 3 columns, and 6 nonzeros.

Reduced MIP has 0 binaries, 1 generals, 0 SOSs, and 0 indicators.

Presolve time = 0.00 sec. (0.00 ticks)

MIP emphasis: balance optimality and feasibility.

MIP search method: dynamic search.

Parallel mode: deterministic, using up to 4 threads.

Root relaxation solution time = 0.48 sec. (0.00 ticks)

Nodes Cuts/

Node Left Objective IInf Best Integer Best Bound ItCnt Gap

• 0+    0                           46.0000      163.0000           254.35%
  

0 0 125.2083 1 46.0000 125.2083 3 172.19%

• 0+    0                          122.5000      125.2083             2.21%
  

0 0 cutoff 122.5000 3 —

Elapsed time = 1.12 sec. (0.03 ticks, tree = 0.01 MB, solutions = 2)

Root node processing (before b&c):

Real time = 1.12 sec. (0.03 ticks)

Parallel b&c, 4 threads:

Real time = 0.00 sec. (0.00 ticks)

Sync time (average) = 0.00 sec.

Wait time (average) = 0.00 sec.

---

Total (root+branch&cut) = 1.12 sec. (0.03 ticks)

Solution status = 101 : MIP_optimal

Solution value = 122.5

x:

[40.0, 10.5, 19.5, 3.0]

Process finished with exit code 0

（4）Yalmip+Cplex(matlab实现）

尽管 python 比较火，cplex 对 python 的支持目前还不是太全，相关的学习资料比较少，ibm 自己出的资料对 python 包的介绍也很简略，例子及相关类方法的介绍也不详细，这一点远没有对 java 或 c++ 支持地好。cplex 在 python 中没有重载加减乘除符号吗？目前给的例子都是输入系数矩阵这种形式。使用起来非常不方便的。

所以推出了Yalmip+Cplex（matlab），matlab中这个库的下载方法，后面的文章会讨论matlab中Yalmip+Cplex这个强大的库在我们电力系统中的强大作用（噢头曼！！!)，虽然我很喜欢用Python，但是python是这几年才火起来，所以这个Cplex库还不是很完善，所以对于这个库强烈推荐matlab。下面先来点简单的线性规划，让大家热身。

,

%（1）设定决策变量X（1）、X（2）

%（2）sdpvar：实数变量；binvar：0—1变量；intvar：整型变量

%（3）Yalmip默认是对称的，要求非对称用full

x=sdpvar(2,1,‘full’);

z=-2x(1)+4x(2); %目标函数，默认最小

st=[]; %设定一系列约束

st=[st,-3*x(1)+x(2)<=6];

st=[st,x(1)+2*x(2)>=4];

st=[st,x(1)+3*x(2)==4];

st=[st,x(2)>=-3];

ops=sdpsettings(‘solver’,‘cplex’); %设定求解器

r=optimize(st,z); %求解，如果最大值用-z

x=value(x); %查看求解结果x的值

z=value(z); %查看目标函数的最优解

%结果

Optimal solution found.

x

x =

13

-3

z

z =

-38

3、蒙特卡洛法求解非线性规划

---

（1）案例

（2）代码

由于python下np随机耗时较大，所以使用C++：

#include <bits/stdc++.h>

using namespace std;

#define ll long long

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

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、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、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。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！