数模竞赛零基础入门学习记录（1）——线性规划的python实现

参考资料

本文主要参考✨使用Python进行线性规划求解，高端操作亮瞎你的双眼（文末技术彩蛋）_python线性规划模型求解-CSDN博客

老师的讲解很详细很全面，主要是做一些记录帮助自己以后复习。

线性规划是什么

我们学习过的的线性函数，也就是一次函数。所以：

线性：每个未知数的次数是一次，比如x1，x2等等。如果出现，就不是线性的问题，

规划：

多个变量都有自己独立的约束条件，他们组合在一起之后也有组合起来的约束条件。

在这些约束条件下，我们需要找到最优的解（比如花钱最少，效益最高等）

scipy库的纯数据和代码实现（用于熟悉和复习）

• A_up：不等式约束的未知数系数 {二维数组}
• b_up：不等式约束值的上限 {一维数组}
• A_eq：等式约束的未知数系数 {二维数组}
• B_eq：等式约束值的上限 {一维数组}
• bounds：决策变量的最小值和最大值

注意，一定要把不等式化为A≤B的形式，最后能求解的也只是最小值。

如果要求最大值一定要取反。

源自上边提到的老师的文章

# 导入numpy库，并且重命名为np（便于调用）
# np库的主要作用是处理数组和矩阵
import numpy as np

# 从scipy中导入optimize库，并且重命名为op
# scipy是基于np的库，提供了许多用于科学和工程计算的高级函数和工具
# optimize 模块包含了各种优化算法的实现，用于最小化或最大化函数，寻找函数的根，等等
from scipy import optimize as op

# z=4 x1 + 3x2 处理等式条件的式子
z = np.array([4, 3])

# 处理几个不等式的组合式子,即，将几个不等式看作是一个矩阵
# A_up：不等式约束的未知数系数 {二维数组}
# b_up：不等式约束值的上限 {一维数组}
# 2x1 + x2 <= 10
# x1 + x2 <= 8
A_ub = np.array([[2, 1], [1, 1]])
b_ub = np.array([10, 8])
#A_eq和B_eq处理等式，此处没有等式，所以用不上



# 一个包含了两个区间的元组，分别表示x1和x2的边界范围
bounds = [0, None], [0, 7]
# 求目标函数取反后的最小值
res = op.linprog(-z, A_ub, b_ub, bounds=bounds)
print(f"目标函数的最大值z={-res.fun:.2f}，此时目标函数的决策变量为{res.x.round(2)}")