使用Julia进行线性优化

编写您的第一个Julia代码以解决线性优化问题。

在本文中，我们将重点介绍使用Julia建模线性优化问题。

要了解有关Julia的更多信息，请在此处找到链接。
要了解有关线性优化的更多信息，请在此处找到链接。

Julia有一个名为JuMP的软件包，用于对优化问题进行建模。
JuMP是一种领域特定的建模语言，可以用于线性，混合整数，非线性问题。

JuMP在内部使用MathProgBase。 MathProgBase提供了独立于求解器的高级功能，可用于与许多求解器（如Cbc，Clp，CPLEX，Gurobi等）进行交互。在本示例中，我们将使用Cbc作为求解器。 Cbc是一个开放源代码数学求解器，它支持线性以及混合整数问题。

1.建立模型

using JuMP
using Cbc

lpModel = Model(solver = CbcSolver(seconds = 3600))

在使用JuMP创建模型之前，请确保已安装JuMP和Cbc。

Pkg.add(“JuMP”)
Pkg.add("Cbc")

2.定义变量

 @variable (lpModel, x <= 5)
 @variable (lpModel, y >= 6)

我们正在创建两个具有预定义范围的变量，即x和y。

3.创建约束

 @constraint (lpModel, x+y <= 20)
 @constraint (lpModel, 2x + 3y >= 28)

4.创建一个目标

 @objective (lpModel, Max, x + y)

5.解决并阅读答案

status = JuMP.solve(lpModel)

getvalue(x)
getvalue(y)

让我们举个例子。

一次，由18名学生组成的小组进入了新开设的咖啡馆。 咖啡馆只有两个项目，菜单卡就是这样。

1.茶20印度卢比
2.咖啡IN R30

在18名学生中，有5名学生要求喝茶，而6名学生则说要喝咖啡。 剩下的7种饮料都可以。
此外，他们不想花费超过470印度卢比。 这使酒店经理感到困惑。 他过去通常会从茶叶获得2印度卢比的利润，从咖啡获得3印度卢比的利润。 他想使利润最大化，但不确定如何做到这一点。 让我们尝试帮助他。

解

假设，x是要喝茶的学生人数，y是要喝咖啡的学生人数。

他们中至少有5个人想要喝茶。

x> = 5
同样，y> = 6

我们知道，总共有18个学生，因此x + y = 18。
总费用不能超过470，因此

20x + 30y <= 470

目标是使利润最大化，这意味着

最大化利润，用2x + 3y表示，因为每杯茶将产生2印度卢比的利润，每杯咖啡将产生3印度卢比的利润。

using JuMP
using Cbc

lpModel = Model(solver = CbcSolver(seconds = 3600))

 @variable (lpModel, x >= 5)
 @variable (lpModel, y >= 6)

 @constraint (lpModel, x+y == 18)
 @constraint (lpModel, 20x + 30y <= 470)

 @objective (lpModel, Max, 2x + 3y)

status = JuMP.solve(lpModel)

println("Number of Tea Cups: $(getvalue(x))")
println("Number of Coffee Mugs : $(getvalue(y))")

以上代码应输出

Number of Tea cups: 7.0
Number of Coffee Mugs : 11.0

这意味着最大利润应该是

2 * 7 + 3 * 11 = INR 47

现在，让这个问题变得更加有趣。 假设总预算是475卢比，而不是总预算470卢比。

因此，我们需要修改约束之一。

@ constraint (lpModel, 20x + 30y <= 475)

这很容易。 让我们在修改后的约束条件下运行整个代码，看看输出是什么。

Number of Tea Cups: 6.5
Number of Coffee Mugs : 11.5

什么地方出了错？ 因为，为某人提供半杯茶和半杯咖啡是没有意义的，对吧？ 我们需要确保'x'和'y'是离散的整数变量而不是连续的，让我们将变量声明更改为

 @variable (lpModel, x >= 5, Int)
 @variable (lpModel, y >= 6, Int)

这也将导致与先前相同的输出。

Number of Tea Cups: 7.0
Number of Coffee Mugs : 11.0

谢谢阅读。 非常感谢您的反馈。

From: https://hackernoon.com/linear-optimization-using-julia-40311c0ad98c