Python 科学计算1：SciPy 规划类问题

SciPy是一个科学的Python开源代码库，用于执行数学，科学和工程计算。

SciPy库依赖于NumPy，提供了便捷且快速的N维数组操作。SciPy易于使用，强大到足以满足世界上一些顶尖的科学家和工程师的需要。

import scipy

SciPy库下的optimize模块提供了许多数值优化算法，其中包括线性规划相关解决方案。

import scipy.optimize

1. 线性规划

线性规划是辅助人们进行科学管理的一种数学建模方法，用于研究线性约束条件下线性目标函数的极值问题。

from scipy.optimize import linprog

线性规划求解前应转化为标准形式，需清晰两个部分：目标函数（min）和约束条件（s.t.）。对于以下线性规划模型：

通过以下函数可以求得目标函数的最小值和最优解。

linprog(c, A, b, Aeq, beq, lb, ub, X0, OPTIONS) 返回值为result对象

result.fun 目标函数最小值

result.x 最优解

例1：求解以下问题

from scipy.optimize import linprog
import numpy as np

c = np.array([2, 3, -5])
A = np.array([[-2, 5, -1], [1, 3, 1]])
B = np.array([-10, 12])
Aeq = np.array([[1, 1, 1]])
Beq = np.array([7])
res = linprog(-c, A, B, Aeq, Beq)
print(res)

输出：

con: array([1.80713133e-09])

fun: -14.571428565645062

message: 'Optimization terminated successfully.'

nit: 5

slack: array([-2.24586572e-10,  3.85714286e+00])

status: 0

success: True

x: array([6.42857143e+00, 5.71428571e-01, 2.35900788e-10])

此时，目标函数最大值为-14.571428565645062࿰