因为近期要参加一个建模比赛,没有安装MATLAB,所以熟悉下算法的python实现,本篇为用scipy.optimize.linprog线性规划。
函数文档参考scipy.optimize.linprog — SciPy v1.8.0 Manual
线性规划主要解决下面这种问题:
(第一次用LaTex,公式做的不好看,不是这样要转化一下,如求最大值)
scipy.optimize.
linprog
(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None)
其中,c是价值向量;A_ub和b_ub对应线性不等式约束;A_eq和b_eq对应线性等式约束;bounds对应公式中的lb和ub,决策向量的下界和上界;method是求解器的类型,如单纯形法;其他的参数暂时不用。
例题1:
用scipy.optimize.linprog计算
from scipy.optimize import linprog
C = [-1,4]
A = [[-3,1],[1,2]]
b = [6,4]
X0_bounds = [None,None]
X1_bounds = [-3,None]
res = linprog(C,A,b,bounds=(X0_bounds,X1_bounds))
print(res)
fun: -22.0
message: 'Optimization terminated successfully.'
nit: 1
slack: array([39., 0.])
status: 0
success: True
x: array([10., -3.])
最优解为-22,x0=10,x1=-3.
例题2:
如果是求最大值
我们转化为
用scipy.optimize.linprog计算
from scipy.optimize import linprog
C = [1,-4]
A = [[-3,1],[1,2]]
b = [6,4]
X0_bounds = [None,None]
X1_bounds = [-3,None]
res = linprog(C,A,b,bounds=(X0_bounds,X1_bounds))
print(res)
fun: -11.428571428571429
message: 'Optimization terminated successfully.'
nit: 2
slack: array([0., 0.])
status: 0
success: True
x: array([-1.14285714, 2.57142857])
最优解为11.428571428571429,x0=-1.14285714,x1=2.57142857。