基于scipy.optimize的线性规划问题的建模与求解（例1：离散制造中的混合产品生产规划问题）

皖山文武

已于 2024-03-07 21:01:02 修改

阅读量814

点赞数 12

分类专栏：决策模型与方法文章标签： python 动态规划 scipy 制造数学建模

于 2024-01-18 22:58:43 首次发布

本文链接：https://blog.csdn.net/benxuu/article/details/135686234

版权

决策模型与方法专栏收录该内容

8 篇文章 0 订阅

订阅专栏

文章探讨了一家机械厂如何通过线性规划解决每天生产两种轴承零件的问题，以实现最大利润。模型涉及材料、时间和存储限制，采用Python和Scipy库进行求解，最终加入了整数约束以确保实际可行性。

摘要由CSDN通过智能技术生成

线性规划问题的建模与求解（例1：离散制造中的混合产品生产规划问题）

离散制造工厂生产规划问题

一家机械厂承接两种不同型号的轴承零件生产任务，这两种轴承零件的生产工艺过程和材料一致，每天生产这两种轴承的相关资料如下表所示：

轴承型号	消耗材料	加工时间	存储空间	利润值
ZC1	4.5	25	3.5	65
ZC2	3	18	2	52
生产能力	300	480	250	—

已知生产ZC1的利润为65元每件，生成ZC2的利润为每件52元，求每天应该怎样安排生产，才能使利润最大？

分析：

设 $x_1$ 和 $x_2$ 分别为每天生产轴承ZC1和ZC2的数量，该问题的目标是总利润最大 $Z=65x_1+52x_2$ ，同时还需满足以下约束条件：

材料约束： $4.5x_1+3x_2 \leq 300$ ；
时间约束： $25x_1+18x_2 \leq 480$ ；
存储约束： $3.5x_1+2x_2 \leq 250$ ；
非负约束： $x_1 \geq 0 , 3x_2 \geq 0$ ；

由此，得到数学模型：

$\ Z = 65x_1+52x_2 \\ \text{s. t. } \begin{cases} 4.5x_1+3x_2 \leq 300\\ 25x_1+18x_2 \leq 480\\ 3.5x_1+2x_2 \leq 250 \\ x_1 \geq 0 \\ x_2 \geq 0 \end{cases}$

使用python求解

首先要目标函数转换为求最小值的标准形式
同时将线性不等式约束也转换成小于等于形式，，即：

$\ Z = -65x_1-52x_2 \\ \text{s. t. } \begin{cases} 4.5x_1+3x_2 \leq 300\\ 25x_1+18x_2 \leq 480\\ 3.5x_1+2x_2 \leq 250 \\ -x_1 \leq 0 \\ -x_2 \leq 0 \end{cases}$

import numpy as np
from scipy.optimize import linprog
c = np.array([-65,-52])
A_ub = np.array([[4.5,3],
                [25,18],[3.5,2],[-1,0],[0,-1]])
b_ub = np.array([300,480,250,0,0])
result = linprog(c, A_ub=A_ub, b_ub=b_ub)
print(result.message)

Optimization terminated successfully. (HiGHS Status 7: Optimal)

- 结果显示优化成功，这个模型中两个决策变量的非负约束可以通过函数中的设置变量取值范围来约束，代码如下：

计算结果

import numpy as np
from scipy.optimize import linprog
c = np.array([-65,-52])
A_ub = np.array([[4.5,3],
                [25,18],[3.5,2]])
b_ub = np.array([300,480,250])

x0_bounds = (0, np.inf) # +/- np.inf can be used instead of None
x1_bounds = (0, None) # +/- np.inf can be used instead of None 
bounds = [x0_bounds, x1_bounds]
result = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=bounds)
print(result.x)

[ 0.         26.66666667]

- 运行成功，打印结果为非整数，这是由于建模中仅考虑线性优化，没有考虑产品的整数约束；
- 增加整数约束，重新编写代码并执行：

integrality = np.ones_like(c)
b_l = np.full_like(b_ub, 0)
from scipy.optimize import LinearConstraint
constraints = LinearConstraint(A_ub, b_l, b_ub)
from scipy.optimize import milp
res = milp(c=c,constraints=constraints, integrality=integrality)
res.x
res

            fun: -1365.0
        message: 'Optimization terminated successfully. (HiGHS Status 7: Optimal)'
 mip_dual_bound: -1365.0
        mip_gap: 0.0
 mip_node_count: 1
         status: 0
        success: True
              x: array([ 1., 25.])