python求解线性规划问题和整数规划-建模初探

线性规划问题，在线性等式或者不等式的约束下，去求解一个线性目标函数的最大值最小值问题。

首先想到的是scipy中的优化包→optimize里面的 linprog。这个名字和MATLAB里面优化的名字是一样的。

对于简单的连续性线性极值问题，可以使用。

from scipy import optimize as op
help(op.linprog)

查看帮助，可以看到这个函数的用法

linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None,
		 method='interior-point', callback=None, options=None, x0=None)

最主要的就是 c,A_ub, b_ub, A_eq, b_eq，前五个参数。
这个函数求的是最小值，也就是求c（目标线性函数）最小，如果现实是求极大值，那么要加一个负号。
他所有的不等式约束都是默认"<=" ， 所以要把所有的不等式都转成小于
A_ub，二维数组，所有不等式约束的系数组成
b_ub，一维数组，所有不等式约束的结果组成
A_eq，二维数组，就是约束中等式的系数组成
b_eq，一维数组，所以约束中等式的结果组成
bounds，边界，就是结果的取值边界，默认是(0,None)，就是0到无穷大。可以写多个，比如有三个未知数：（（0,3），（0,100），（0，None））。
method，方法，{‘interior-point’, ‘revised simplex’, ‘simplex’}三个值可选。

1. interior-point：内部点，如果bounds为0~None，那么这个值永远取不到0，只会近似接近。
2. revised simplex：改进的simplex方法。这个是最常用的。（第一种方法求出的都是近似的，很难把控我觉得）
3. simplex：这是前版本遗留下来的方法，为了支持前版本的程序。
   其他参数不说了。这个够用。

例：

设变量x1为A1牛奶的产量，x2为A2的
目标函数就是利益最大：24 * x1+16 * x2 （也就是最小化： -24 * x1-16 * x2）
约束条件为：
x1<=100
4 * x1 + 2 * x2 <=480
x1 / 3 + x2 / 4<=50
x1,x2 >=0
由于里面有除号，所以计算机会近似，因为精度问题，得到的结果不理想。所以建模的时候不要有除号的出现。
我们重新定义，把产量前面加上系数：
设变量3 * x1为A1牛奶的产量，4 * x2为A2的
目标函数就是利益最大：24 * (3 * x1)+16 * (4 * x2) （也就是最小化： -72 * x1 -64 * x2）
约束条件为：
3 * x1<=100
4 * (3 * x1) + 2 * (4 * x2) <=480
x1 + x2 <=50
x1,x2 >=0
代码：（注意，如果式子中没有出现的未知数系数要写0，不能不写）

c = np.array([-72,-64])
A_ub = np.array([[3,0],[12,8],[1,1]])
b_ub = np.array([100,480,50])
op.linprog(c,A_ub,b_ub,method='revised simplex')

结果：

con: array([], dtype=float64)
     fun: -3360.0
 message: 'Optimization terminated successfully.'
     nit: 4
   slack: array(