Python关于线性规划问题

相关函数：linprog()函数

函数功能：

    用于寻找目标函数的最小值（如果求最大值需做相应变化）

注意事项：

• 1.目标函数f要写成列矩阵的形式

• 2.约束要写成 <= 的形式

• 3.函数是为求最小值设置的

 

参数解释：

    参数1：所求目标函数未知数的系数                                           {一维数组}

    参数2 ：A_up，此参数为不等式包含未知数一侧  未知数的系数  { 二维数组}

    参数3：B_up，此参数为不等式不包含未知数一侧  的数值         {一维数组}

    参数4：A_eq，此参数为等式 包含未知数一侧   未知数的系数    {二维数组}

    参数5：B_eq ，此参数为等式 不包含未知数一侧  的数值             {一维数组}

    参数6：每个系数的限制

样例：

 

import numpy as np
from scipy import optimize as op
np.set_printoptions(suppress=True)
z = np.array([4, 3])
A_ub = np.array([[2, 1], [1, 1]])
B_ub = np.array([10, 8])
x1 = (0, 8)
x2 = (0, 7)
res = op.linprog(-z, A_ub, B_ub, bounds = (x1,x2))#由于求解最大值，所以此处为-z，答案就是相反数
print(res)

结果：

***Repl Closed***
     con: array([], dtype=float64)
     fun: -25.9999999991197               # 最终结果
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([0., 0.])
  status: 0
 success: True
       x: array([2., 6.])               #x1和x2的值

***Repl Closed***

样例2：

要点：

不等式1为  大于等于，应该转换为小于等于：   -2X1 + 5X2 - X3 <= -10

import numpy as np
from scipy import optimize as op
np.set_printoptions(suppress=True)
z = np.array([2, 3, -5])
A_up = np.array([[-2, 5, -1], [1, 3, 1]])
B_up = np.array([-10, 12])
A_eq = np.array([1, 1, 1])
B_eq = np.array([7])
x1 = (0, 7)
x2 = (0, 7)
x3 = (0, 7)
res = op.linprog(-z, A_up, B_up, A_eq, B_eq, bounds=(x1, x2, x3))
print(res)

运行结果：

***Repl Closed***
     con: array([], dtype=float64)
     fun: -14.571428509517212                  #相反数即为所求最大值
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([0.00000022, 3.85714293, 0.00000001])
  status: 0
 success: True
       x: array([6.42857145, 0.57142854, 0.        ])

***Repl Closed***