关于利用Python解决运输问题的方法

自己看了一下利用pulp库和numpy库来解决运输问题，写了点解析

这个是问题：

 

 

import pulp

def Transportation_problem(cost, x_max, y_max):
    y_len = len(cost)   #求解x，y轴的长度
    x_len = len(cost[0])
    #建立问题
    my_problem = pulp.LpProblem("Transportation_problem", sense=pulp.LpMaximize)

    #这个是用于创建变量Xi,j，cat传参表示取整数
    var = [[pulp.LpVariable(f"x{y}{x}", lowBound=0, upBound=None, cat=pulp.LpInteger) for x in range(x_len)] for y in range(y_len)]

    #这个函数的作用相当于将一个多维数组扁平化，变成一维数组，这里如果使用的是numpy中的ndarray对象可以直接调用flatten方法(使用下面两条语句也可以达到同样的效果)
    #ndvar = np.array(var)
    #my_problem += pulp.lpDot(ndvar.flatten(), cost.flatten())
    flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x]
    my_problem += pulp.lpDot(flatten(var), cost.flatten())  #将两个一维数组相乘，得出最值函数的表达式(价格函数)，加入到问题中
   
    #每一行相加应该小于这一行的总和的最大值
    for y in range(y_len):  #每一行上的约束条件
        my_problem += pulp.lpSum(var[y]) <= x_max[y]
    #每一列相加小于这一列的最大值
    for x in range(x_len):  #每一列上的约束条件
        my_problem += pulp.lpSum([var[y][x] for y in range(y_len)]) <= y_max[x]

    my_problem.solve()
    #返回最优解和取得最优解时的分配
    return {"objective": pulp.value(my_problem.objective), "var": [[pulp.value(var[y][x]) for y in range(y_len)] for x in range(x_len)]}

cost = np.array(
    [
        [500, 550, 630, 1000, 800, 700],
        [800, 700, 600, 950, 900, 930],
        [1000, 960, 840, 650, 600, 700],
        [1200, 1040, 980, 860, 880, 780],
    ]
)
x_max = np.array([76, 88, 96, 40])
y_max = np.array([42, 56, 44, 39, 60, 59])
result = Transportation_problem(cost, x_max, y_max)
print(result)