利用python求解规划问题

first青年危机

已于 2022-08-19 21:04:35 修改

阅读量9.9k

点赞数 19

分类专栏： Python 文章标签： python

于 2022-08-16 14:29:01 首次发布

本文链接：https://blog.csdn.net/dashbaani/article/details/126334427

版权

规划问题分为两个大类：线性规划和非线性规划以及下面分支的小类，我们观看这个树状图来粗略的了解一下。

首先我们讲解最简单的线性规划模型，通常线性规划均属于凸规划，通常都是用python中的cvxpy进行求解。

线性规划

模型建立由三个部分组成：

（1）决策变量（问题中的未知量，用于表明规划问题中的用数量表示的方案，措施等）

（2）目标函数（是决策变量的函数，通常求该函数的最大值和最小值）

（3）约束条件（决策变量收到的约束和限制条件）

我们直接来看问题

$max z=70x_{1}+20x_{2}+60x_{3}$

$\left\{\begin{matrix} 2x_{1}+4x_{2}+3x_{3} \leqslant 150& & & \\ 3x_{1}+x_{2}+5x_{3} \leqslant 160 & & & \\ 7x_{1}+3x_{2}+5x_{3} \leqslant 150& & & \\ x_{i}\geqslant 0 & & & \end{matrix}\right.$

首先我们观察这个约束条件和目标函数，全部都是线性的，所以我们就放心大胆的使用cvxpy

import cvxpy as cp
import numpy as np
s=np.array([[2,4,3],[3,1,5],[7,3,5]])
b=np.array([150,160,200])
a=np.array([70,50,60])
x=cp.Variable(3,pos=True)
obj=cp.Maximize(a@x)
con=[s@x<=b]
prob=cp.Problem(obj,con)
prob.solve(solver='GLPK_MI')
print(x.value)#x的最优解
print(prob.value)#最优值

我们在cvxpy库里是利用Variable函数进行未知量的定义：

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

通常我们会定义一个关于x未知量的m行n列的举证，我们在例子中的3也就相当于(1，3).对于后面的 pos=True，当我们对x没有特殊要求时进行这个定义，当我们要对x去整数时要将这个参数改变为 integer=True。当我们需要对定义的函数中的某一个具体函数进行引用时，我们可以用索引的方式将其引用例如 $x_{1}+x_{2}=5$