整数线性规划算法

一、整数线性规划基础

二、常用求解方法：

1. 割平面法、

2. 分支定界法

• 

• 对于不满足约束或者小于下届的分支还需要进行剪枝操作。

3. 隐枚举法

三、算例及实现代码

3.1 整数线性规划常见的第三方库和软件(截图来自B站)

(1) 软件：Excel, Lingo和matlab

(2) 第三方库

补充：

• pulp: Lp models
• OpenOpt: Lp models, non-LP models
  

3.2 这里我们先学习使用pulp求解器来求解一个问题

3.2.1 基于anaconda的pulp安装

3.2.2 求解一个算例，来自B站

• 算例描述
  某公司生产三种油漆(interior, exterior, theme)，油漆的原材料来源为M1和M2, 现在M1和M2分别只剩10吨和5吨了，三种油漆每吨的利润分别是:1k,2k和3k，三种油漆每生产一吨需要的原材料重量如下表所示，要求如何分配原材料的配置，使得利润最大化，注意这里并不是整数线性规划问题，原材料的分配可以为小数。
  
• 数学模型

(1) 变量

变量名	含义
x1	interior产量
x2	exterior产量
x3	theme产量

(2) 目标函数

$const\_function=1000\ast x1+2000\ast x2+3000\ast x3$	(1)

(3) 约束

$x1+x2\ast 2+x3\ast 3<=10$	(2)
$x1\ast 0+x2+x3\ast 2<=5$	(3)
$x1,x2,x3>=0$	(4)

• 代码实现

from pulp import * 

prob=LpProblem("my_prob",LpMaximize)

x1=LpVariable("x1",0,None,LpContinuous)
x2=LpVariable("x2",0,None,LpContinuous)
x3=LpVariable("x3",0,None,LpContinuous)

prob+=1000*x1+2000*x2+3000*x3

prob+=x1+x2*2+3*x3<=10
prob+=0*x1+x2+x3*2<=5

prob.writeLP("my_prob.lp")

prob.solve()
print("status: ",LpStatus[prob.status])
for v in prob.variables():
    print(v.name," = ",v.varValue,"\n")
print(value(prob.objective))

输出
status: Optimal
x1 = 2.5
x2 = 0.0
x3 = 2.5
10000.0

3.3 pulp进阶：新增函数

• 还是上一节的问题，但是变量定义方式变了
  利用LpVariable.dicts(name, indexs,lowBound=None,upBound=None, cat='Continuous',indexStart=[])用来构造变量字典，可以不需要一个个创建Lp变量实例，name指定所有变量前缀，index是列表，其元素会被用来构造变量名，后面三个参数和LpVariable一样。
• lpSum(vector) 计算一个序列的值，使用lpSum求解比普通sum函数快。

LpVariable

from pulp import * 

paints={"interior","exterior","theme"}
profit={
    "interior":1e3,
    "exterior":2e3,
    "theme":3e3
}
M1={
    "interior":1,
    "exterior":2,
    "theme":3
}
M2={
    "interior":0,
    "exterior":1,
    "theme":2
}
prob=LpProblem("my_prob",LpMaximize)
var=LpVariable.dicts("paint",paints,0,None,LpContinuous)

prob+=lpSum([profit[i]*var[i] for i in paints])

prob+=lpSum([M1[i]*var[i] for i in paints])<=10
prob+=lpSum([M2[i]*var[i] for i in paints])<=5

prob.writeLP("my_prob.lp")

prob.solve()
print("status: ",LpStatus[prob.status])
for v in prob.variables():
    print(v.name," = ",v.varValue,"\n")
print(value(prob.objective))

输出
status: Optimal
paint_exterior = 0.0
paint_interior = 2.5
paint_theme = 2.5
10000.0

注意这一次的输出变量名和第一次输出的变量名有所区别，这里的变量名是库自己生成的。