数学建模之运筹学

在这里插入代码片# 运筹学

• 线性规划

线性规划

概念：约束条件及目标函数都是决策变量的线性函数的规划问题。

缺陷： 线性规划只能解决一组线性约束条件下，一个目标的最大值或最小值问题。
在实际决策中，衡量方案优劣要考虑多个目标，这些目标中，有主要的，也有次要的；有最大值的，也有最小值的；有定量的，也有定性的；有相互补充的，也有相互对立的。对于这些问题，线性规划则无能为力。——线性目标规划

(化简立)即得标准型

eg.求解

Python 代码

法一：scipy.optimize.linprog

linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None)

参数解释：
c是价值向量；
A_ub和b_ub对应线性不等式约束；
A_eq和b_eq对应线性等式约束；
bounds对应公式中的lb和ub，决策向量的下界和上界；
method是求解器的类型，如单纯形法；
其他的参数暂时不用。

注意：用此方法求解，都需要把方程组转化成标准形式！

from scipy.optimize import linprog               # 导包
C = [-1,4] 										 # 价值向量
A = [[-3,1],[1,2]]								 # 系数矩阵
b = [6,4]										 # 约束向量
# 给每个决策变量指定取值范围
X0_bounds = [None,None]							
X1_bounds = [-3,None]
res = linprog(C,A,b,bounds=(X0_bounds,X1_bounds))
print(res)										# 输出结果
'''
     con: array([], dtype=float64)
     fun: -22.0								# 最优值
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([3.90000000e+01, 1.77635684e-15])
  status: 0
 success: True
       x: array([10., -3.])                # 最优解
'''

若是非标准形式，如求最大值：

再去求解！

Matlab代码

[x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS)

参数解释：
x ：返回决策向量的取值
fval ：返回目标函数的最优值
f ：价值向量
A ：线性不等式约束的系数向量（跟Python要输入成矩阵不同，Matlab输入向量）
b ：线性不等式约束的约束向量
Aeq ： 线性等式约束的系数向量（跟Python要输入成矩阵不同，Matlab输入向量）
beq ：线性不等式约束的约束向量
LB：决策向量的下界向量
UB：决策变量的上界向量

f = [-1, 4];
A = [-3, 1; 1, 2];
b = [6, 4];
lb = [0, -3];
[x, y] = linprog(f, A,b,[],[],lb,[])

Lingo代码

min=-1*x1+4*x2;
-3*x1+1*x2<=6;
1*x1+2*x2<=4;
x2 >= -3;
@free(x2);

需要用到单纯形法

步骤与上相同，不用考虑像用笔算那样加入人工变量。

Python代码

z = [-2, -3, 5]
A = [[-2, 5, -1], [1, 3, 1]]
B = [-10, 12]
Aeq = [[1, 1, 1]]
beq = [7]
res = linprog(z, A, B, Aeq, beq, bounds=(x1_bounds,x2_bounds,x3_bounds))
print(res)
'''
     con: array([0.])
     fun: -14.571428571428571
 message: 'Optimization terminated successfully.'
     nit: 3
   slack: array([0.        , 3.85714286])
  status: 0
 success: True
       x: array([6.42857143, 0.57142857, 0.        ])
'''

Matlab代码

f=[-2; -3; 5];
a=[-2,5,-1;1,3,1]; b=[-10;12];
aeq=[1,1,1];
beq=7;
[x,y]=linprog(f,a,b,aeq,beq,zeros(3,1));
x, y=-y

Lingo代码

model:
sets:
row/1..2/:b;
col/1..3/:c,x;
links(row,col):a;
endsets
data:
c=2 3 -5;
a=-2 5 -1 1 3 1;
b=-10 12;
enddata
max=@sum(col:c*x);
@for(row(i):@sum(col(j):a(i,j)*x(j))<b(i));
@sum(col:x)=7;
end

运输问题

产销平衡

Python代码

import pulp
import numpy as np
from pprint import pprint

def transportation_problem(costs, x_max, y_max):

    row = len(costs)
    col = len(costs[0])

    prob = pulp.LpProblem('Transportation Problem', sense=pulp.LpMinimize)

    var = [[pulp.LpVariable(f'x{i}{j}', lowBound=0, cat=pulp.LpInteger) for j in range(col)] for i in range(row)]

    flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x]

    prob += pulp.lpDot(flatten(var), costs.flatten())

    for i in range(row):
        prob += (pulp.lpSum(var[i]) >= x_max[i])

    for j in range(col):
        prob += (pulp.lpSum([var