【Python】线性规划模型（笔记）

阿瑾0618

已于 2024-08-14 21:32:59 修改

阅读量910

点赞数 44

分类专栏： Python 文章标签： python 笔记数学建模

于 2024-08-14 21:31:57 首次发布

本文链接：https://blog.csdn.net/Eristic0618/article/details/141200766

版权

Python 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

线性规划的作用

求一个线性目标函数在线性可行域内的最值问题

线性规划的典型应用

配送运输问题：选大车还是小车
生产规划问题：每种原料各买多少
几何切割问题：切割长宽各多少
买卖利润问题：最多能挣多少钱
…

线性规划的本质

问题是线性的
约束是线性的

线性代数基本概念

线性代数基本概念：向量

向量的基本运算：
![[Pasted image 20240814153235.png]]

向量的集合：矩阵
这里不细讲了，忘了就复习线性代数

运用Python进行矩阵运算

首先导入numpy库

import numpy as np

使用np.array创建矩阵

a = np.array([[1,2,3],[4,5,6]])
b = np.array([[1,2],[3,4],[5,6]])
c = np.array([[1,2,3]])
d = np.array([[9,8,7],[3,2,1]])

矩阵加法和数乘

sum = a + b #加法
e = 3 * a #数乘

使用np.dot进行矩阵相乘

e = np.dot(a, b)

元素乘（要求行列一致）

e = a * d

矩阵转置

e = c.T

使用np.linalg.inv求逆

result = np.linalg.inv(e)

使用np.linalg.det求行列式

reslut = np.linalg.det(e)

使用np.linalg.matrix_rank求矩阵的秩

e = np.linalg.matrix_rank(d)

运用Python求解一次方程组

例如：
$\left\{\begin{aligned} 10 x-y-2 z= & 72 \\ -x+10 y-2 z= & 83 \\ -x-y+5 z= & 42 \end{aligned}\right)$

解法：
$x=A^{-1} b$

求数值解：使用numpy库

import numpy as np  
  
A = np.array([[10, -1, -2], [-1, 10, -2], [-1, -1, 5]])  # A为系数矩阵  
b = np.array([72, 83, 42])  # b为常数列  
inv_A = np.linalg.inv(A)  # 求A的逆矩阵  
x = inv_A.dot(b)  # A的逆矩阵点乘b  
x = np.linalg.solve(A, b)  # 5,6行可用本行替代  
print(x)

结果：[11. 12. 13.]

我们还可以使用sympy库求符号解或数值解：

from sympy import symbols, Eq, solve  
  
x, y, z = symbols('x y z')  
# 直接写入方程形式
eqs = [Eq(10 * x - y - 2 * z, 72),  
       Eq(-x + 10 * y - 2 * z, 83),  
       Eq(-x - y + 5 * z, 42)]  
print(solve(eqs, [x, y, z]))

结果：{x: 11, y: 12, z: 13}

从矩阵角度思考线性规划的标准形式

不等式组条件矩阵化
方程组条件矩阵化
写出变量自身的取值范围
把目标函数向量化
求极值

用程序做线性规划问题时的规范形式：
$\begin{aligned} & \min _x c^T x \\ & \text { s.t. }\left\{\begin{array}{l} A x \leq b \\ A e q \cdot x=b e q \\ l b \leq x \leq u b \end{array}\right. \end{aligned}$

求一个线性函数的极小值
不等式约束一定是小于等于号

线性规划的三要素：决策变量、目标函数、约束条件

线性规划的Python程序求解

例：

$\max \quad z=2 x_1+3 x_2-5 x_3$
$\left\{\begin{array}{l}x_1+x_2+x_3=7 \\ 2 x_1-5 x_2+x_3>=10 \\ x_1+3 x_2+x_3<=12 \\ x_1, x_2, x_3>=0\end{array}\right.$

前面提到，规范形式中要求极小值，且不等式约束必须是小于等于号

所以目标函数和第一条不等式需要乘以-1

import numpy as np  
from scipy import optimize  
  
# 向量化  
c = np.array([-2, -3, 5])  # 乘以-1变为求极小值  
Aeq = np.array([[1, 1, 1]])  # 方程  
beq = np.array([7])  
A = np.array([[-2, 5, -1], [1, 3, 1]])  # 不等式  
b = np.array([-10, 12])  
x1, x2, x3 = (0, None), (0, None), (0, None) # 范围 
  
res = optimize.linprog(c, A, b, Aeq, beq, bounds=(x1, x2, x3)) # 计算
print(res)

结果：

message: Optimization terminated successfully. (HiGHS Status 7: Optimal)
        success: True
         status: 0
            fun: -14.571428571428571 # 最优函数值（因为要取最大值所以结果要取fun的相反数）
              x: [ 6.429e+00  5.714e-01  0.000e+00] # x的结果
            nit: 3 # 3轮计算得出结果
          lower:  residual: [ 6.429e+00  5.714e-01  0.000e+00]
                 marginals: [ 0.000e+00  0.000e+00  7.143e+00]
          upper:  residual: [       inf        inf        inf]
                 marginals: [ 0.000e+00  0.000e+00  0.000e+00]
          eqlin:  residual: [ 0.000e+00]
                 marginals: [-2.286e+00]
        ineqlin:  residual: [ 0.000e+00  3.857e+00]
                 marginals: [-1.429e-01 -0.000e+00]
 mip_node_count: 0
 mip_dual_bound: 0.0
        mip_gap: 0.0

算法的特性：输入、输出、有穷性、确定性、可行性