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