基于cvxpy的运输问题（线性规划）

问题：已知某种商品m个仓库的存货量，n个客户对该商品的需求量，单位商品运价。试确定m个仓库到n个客户的商品调运数量，使总的运输费用最小。

输入格式:

第一行两个数m,n
第2行到第m+1行 对应商品运价
第m+2行对应需求量
第m+3行对应存货量

输出格式:

精确到小数点后两位

输入样例:

在这里给出一组输入。例如：

6 8  
6    2    6    7    4    2    5    9  
4    9    5    3    8    5    8    2  
5    2    1    9    7    4    3    3  
7    6    7    3    9    2    7    1  
2    3    9    5    7    2    6    5  
5    5    2    2    8    1    4    3  
35    37    22    32    41    32    43    38  
60  55  51  43  41  52 

输出样例:

在这里给出相应的输出。例如：

664.00

我们将这个问题分为两个模块，第一部分是很简单的输入数据部分，第二部分就是基于cvxpy的线性规划问题。

---

一、数据输入（这里的操作基本都差不多，所以放在一起讲）

import cvxpy as cp
import numpy as np

m, n = [eval(x) for x in input().split()]

c = np.zeros((m, n))
for i in range(m):
    c[i, :] = [eval(x) for x in input().split()]

demand = [eval(x) for x in input().split()]  # demand 代表需求量
inventory = [eval(x) for x in input().split()]  # inventory代表存货量

input.split()函数将我们输入的数据按空格进行分隔，并返回分割后的字符串列表。再调用for循环并通过eval函数将列表里的每个str改为int，再分别给m和n赋值。

c=np.zeros((m,n))创建了一个元素全为0的m*n的矩阵，然后通过for循环和c[i,:]=[eval(x) for x in input().split()]给矩阵c里的第i行元素赋值。

下面的demand和inventory分别代表客户需求量和仓库存货量。

二、cvxpy线性规划

x = cp.Variable((m, n))
obj = cp.Minimize(cp.sum(cp.multiply(c, x)))

con1 = cp.sum(x, axis=1) <= inventory
con2 = cp.sum(x, axis=0) == demand
con3 = x >= 0
cons = [con1, con2, con3]

prob = cp.Problem(obj, cons)
prob.solve()

print("{0:.2f}".format(prob.value), end='')

 cvxpy库使用较难，相关资料也比较难理解，下面是（cvxpy库的官方介绍），本人使用的是Pycharm2022，在安装cvxpy库过程中曾经遇到过安装卡顿问题，可以通过更换镜像源的方法解决（2022 Pycharm 不同版本镜像源添加）。

首先我们要明白使用cvxpy库的三要素——需求变量、目标函数、约束条件。

---

①需求变量

在线性规划运输问题中，我们最终要求解的是最小的总运输费用，因为从每个仓库到每个客户的单位运价已经给出，所以这里我们要先构造一个同样为m*n的矩阵来存储最终解矩阵（为使总运输费用最小每个仓库对每个客户的商品供给量）

x = cp.Variable((m, n))

生成了m行n列的矩阵，且为变量（可以理解为创建了一个全为变量的矩阵）

上述过程可以理解为设未知数求解方程

obj = cp.Minimize(cp.sum(cp.multiply(c, x)))

---

②目标函数

cp.multiply函数将单位运价矩阵c和解矩阵x相乘（这里的乘是对应位置元素相乘），得到的结果是运输费用矩阵。

multipy和*含义一样，前者是函数，后者是运算符号，含义是矩阵元素对应相乘，

而dot和@含义一样，前者是函数，后者是运算符号，含义是线性代数中的矩阵乘法。

这里的cp.sum()是将矩阵中所有的元素进行求和，再调用Minimize函数得到的结果就是最终要求的最小总运输费用。

sum函数用法为：当不含axis参数时，sum(a)是将矩阵a中所有元素进行求和。而当含有axis参数时，sum（a,axis=0/1)，axis=0，对于多维矩阵来说，是将每一个列向量相加，而当axis=1时，是将每一个行向量相加（详见sum函数用法）。

---

③约束条件

我们在上述过程中创建的x矩阵为m*n的最终解矩阵(为使总运输费用最小每个仓库对每个客户的商品供给量)，需对其添加约束条件。

con1 = cp.sum(x, axis=1) <= inventory
con2 = cp.sum(x, axis=0) == demand
con3 = x >= 0
cons = [con1, con2, con3]

con1=cp.sum(x,axis=1)<=inventory将解矩阵中每一个行向量相加，每一个对应的和都要小于等于inventory（存货量）中对应位置的存货量。

con2=cp.sum(x,axis=0)=demand将解矩阵中每一个列向量相加，每一个对应的和都要等于demand（需求量）中对应位置的需求量。

con3=x>=0解矩阵中每一元素都要大于等于0。

prob = cp.Problem(obj, cons)
prob.solve()

print("{0:.2f}".format(prob.value), end='')

最后调用cp.Problem函数，obj为目标函数，cons为约束条件，构建prob，并通过prob.solve()求解。

得到的输出结果如下

 注意这里最终的输出要是prob.value

我们再看一下求解过程中要用的解矩阵x的值print（x.value)

完整代码如下：

import cvxpy as cp
import numpy as np

m, n = [eval(x) for x in input().split()]

c = np.zeros((m, n))
for i in range(m):
    c[i, :] = [eval(x) for x in input().split()]

demand = [eval(x) for x in input().split()]  # demand 代表需求量
inventory = [eval(x) for x in input().split()]  # inventory代表存货量

x = cp.Variable((m, n))
obj = cp.Minimize(cp.sum(cp.multiply(c, x)))

con1 = cp.sum(x, axis=1) <= inventory
con2 = cp.sum(x, axis=0) == demand
con3 = x >= 0
cons = [con1, con2, con3]

prob = cp.Problem(obj, cons)
prob.solve()

print("{0:.2f}".format(prob.value), end='')