ILP算法学习

最新推荐文章于 2023-01-14 21:14:23 发布

Silience_Probe

最新推荐文章于 2023-01-14 21:14:23 发布

阅读量1.6w

点赞数 1

文章标签：算法

本文链接：https://blog.csdn.net/Silience_Probe/article/details/80700042

版权

本文介绍了基于整数线性规划(ILP)的方法来解决带约束的优化问题。通过Python的pulp库，我们可以方便地定义目标函数和约束条件，进行句子抽取和冗余去除。文中以配料分配问题为例，详细展示了ILP的使用流程和关键API。

摘要由CSDN通过智能技术生成

基于整数线性规划(ILP)方法

将摘要看做一个带约束的优化问题
基于ILP进行求解，可采用现成的ILP求解工具
同时进行句子抽取与冗余去除

python下ILP求解工具学习：

使用流程

　　我们解决线性规划问题一般是通过以下三个步骤。

1.列出约束条件及目标函数
2.画出约束条件所表示的可行域
3.在可行域内求目标函数的最优解及最优值

　　使用pulp工具包，我们只需要做第一步即可，使用pulp提供的API提供目标函数及约束条件就可以直接求解，非常方便。
　

1.常用的API

1. LpProblem类
LpProblem(name='NoName', sense=LpMinimize)
构造函数，用来构造一个LP问题实例，其中name指定问题名（输出信息用)，
sense值是LpMinimize或LpMaximize中的一个，用来指定目标函数是求极大值还是极小值。

solve(solver=None, **kwargs)
在对LpProblem添加完约束条件后，调用该函数进行求解，如果不是求解特定的整数规划问题，solver一般使用默认即可。

2. LpVariable类
LpVariable(