Google OR-Tools 线性规划入门教程-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00626/article/details/148393285

Google OR-Tools 线性规划入门教程

or-tools Google's Operations Research tools: 项目地址: https://gitcode.com/gh_mirrors/or/or-tools

什么是线性规划

线性规划（Linear Programming，简称LP）是运筹学中一种经典的数学优化方法，用于在给定的线性约束条件下，找到使线性目标函数达到最优（最大或最小）的变量值。它在生产计划、资源分配、运输调度等领域有广泛应用。

Google OR-Tools 简介

Google OR-Tools 是一个开源优化工具包，提供了强大的线性规划求解器。它支持多种编程语言接口，包括Python、C++、Java等，能够解决各种优化问题。

安装 OR-Tools

在Python环境中使用OR-Tools前，需要先安装它：

pip install ortools

线性规划示例解析

问题描述

我们来看一个典型的生产优化问题：

有三种产品x1、x2、x3
目标：最大化利润 10x1 + 6x2 + 4x3
约束条件：
1. 10x1 + 4x2 + 5x3 ≤ 600（资源限制1）
2. 2x1 + 2x2 + 6x3 ≤ 300（资源限制2）
3. x1 + x2 + x3 ≤ 100（总产量限制）

自然语言API实现

OR-Tools提供了两种风格的API，我们先看更易读的自然语言风格：

from ortools.linear_solver import pywraplp

def RunLinearExampleNaturalLanguageAPI():
    solver = pywraplp.Solver.CreateSolver("GLOP")
    
    # 定义变量
    infinity = solver.infinity()
    x1 = solver.NumVar(0.0, infinity, "x1")
    x2 = solver.NumVar(0.0, infinity, "x2")
    x3 = solver.NumVar(0.0, infinity, "x3")
    
    # 设置目标函数
    solver.Maximize(10 * x1 + 6 * x2 + 4 * x3)
    
    # 添加约束条件
    c0 = solver.Add(10 * x1 + 4 * x2 + 5 * x3 <= 600)
    c1 = solver.Add(2 * x1 + 2 * x2 + 6 * x3 <= 300)
    c2 = solver.Add(x1 + x2 + x3 <= 100)
    
    # 求解并输出结果
    result_status = solver.Solve()
    if result_status == pywraplp.Solver.OPTIMAL:
        print("最优解:")
        print(f"x1 = {x1.solution_value()}")
        print(f"x2 = {x2.solution_value()}")
        print(f"x3 = {x3.solution_value()}")
        print(f"最大利润: {solver.Objective().Value()}")

C++风格API实现

对于习惯C++风格的开发者，OR-Tools也提供了相应的接口：

def RunLinearExampleCppStyleAPI():
    solver = pywraplp.Solver.CreateSolver("GLOP")
    
    # 定义变量
    infinity = solver.infinity()
    x1 = solver.NumVar(0.0, infinity, "x1")
    x2 = solver.NumVar(0.0, infinity, "x2")
    x3 = solver.NumVar(0.0, infinity, "x3")
    
    # 设置目标函数
    objective = solver.Objective()
    objective.SetCoefficient(x1, 10)
    objective.SetCoefficient(x2, 6)
    objective.SetCoefficient(x3, 4)
    objective.SetMaximization()
    
    # 添加约束条件
    c0 = solver.Constraint(-infinity, 600.0, "c0")
    c0.SetCoefficient(x1, 10)
    c0.SetCoefficient(x2, 4)
    c0.SetCoefficient(x3, 5)
    
    c1 = solver.Constraint(-infinity, 300.0, "c1")
    c1.SetCoefficient(x1, 2)
    c1.SetCoefficient(x2, 2)
    c1.SetCoefficient(x3, 6)
    
    c2 = solver.Constraint(-infinity, 100.0, "c2")
    c2.SetCoefficient(x1, 1)
    c2.SetCoefficient(x2, 1)
    c2.SetCoefficient(x3, 1)
    
    # 求解并输出结果
    result_status = solver.Solve()
    if result_status == pywraplp.Solver.OPTIMAL:
        print("最优解:")
        print(f"x1 = {x1.solution_value()}")
        print(f"x2 = {x2.solution_value()}")
        print(f"x3 = {x3.solution_value()}")
        print(f"最大利润: {solver.Objective().Value()}")

支持的求解器

OR-Tools支持多种线性规划求解器，可以通过参数指定：

GLOP：Google自研的线性规划求解器
GLPK_LP：GNU线性规划工具包
CLP：COIN-OR线性规划求解器
PDLP：原始-对偶混合梯度求解器
XPRESS_LP：FICO XPRESS求解器

结果分析

求解完成后，我们可以获取丰富的求解信息：

print("求解时间(毫秒):", solver.wall_time())
print("迭代次数:", solver.iterations())

# 变量的缩减成本
print(f"x1缩减成本: {x1.reduced_cost()}")

# 约束的对偶值
print(f"约束1对偶值: {c0.dual_value()}")

缩减成本和对偶值对于理解解的敏感性和资源价值非常重要，在商业决策中有重要参考价值。