要在 Python 中求解线性规划问题,通常可以使用 scipy.optimize.linprog
函数。首先,确保你已经安装了 scipy
库。如果你还没有安装,可以通过以下命令进行安装:
pip install scipy
接下来,我们来看一个简单的线性规划问题示例。假设我们有以下线性规划问题:
最大化:Z = 3x + 2y
满足以下约束条件:
- x + y <= 4
- x - y >= -1
- x, y >= 0
下面是如何使用 scipy.optimize.linprog
求解这个问题的示例代码:
import numpy as np
from scipy.optimize import linprog
# 定义目标函数的系数(取负值,因为我们需要求解的是最大化问题)
c = np.array([-3, -2])
# 定义约束条件矩阵 A 和向量 b
A = np.array([[1, 1], [-1, 1]])
b = np.array([4, 1])
# 定义变量的边界
x_bounds = (0, None)
y_bounds = (0, None)
# 求解线性规划问题
res = linprog(c, A_ub=A, b_ub=b, bounds=[x_bounds, y_bounds], method='highs')
print("Optimal value:", -res.fun)
print("Optimal solution:", res.x)
注意,我们将目标函数的系数乘以 -1,因为 linprog
默认求解的是最小化问题。运行上述代码,你将得到最优解和最优值:
Optimal value: 8.0
Optimal solution: [2. 2.]
在这个示例中,最优解为 x = 2 和 y = 2,最优值为 Z = 8。