备战数学建模 一 之线性规划算法

 

 

# 这是一个示例 Python 脚本。

# 按 Shift+F10 执行或将其替换为您的代码。
# 按 双击 Shift 在所有地方搜索类、文件、工具窗口、操作和设置。



from scipy import optimize
import numpy as np

# 按间距中的绿色按钮以运行脚本。
if __name__ == '__main__':


# 访问 https://www.jetbrains.com/help/pycharm/ 获取 PyCharm 帮助
  c=np.array([2,3,-5])
  A=np.array([[-2,5,-1],[1,3,1]])#二维数组两个中括号
  B=np.array([-10,12])
  Aeq=np.array([[1,1,1]])#约束式都写成二维，一维只有列，二维是行
  Beq=np.array([7])
  res=optimize.linprog(-c,A,B,Aeq,Beq)
  print(res)
  print(res.fun)#最小值
  print(res.x)#最优解

运行结果

  con: array([1.80714554e-09])
     fun: -14.571428565645032
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([-2.24602559e-10,  3.85714286e+00])
  status: 0
 success: True
       x: array([6.42857143e+00, 5.71428571e-01, 2.35900788e-10])
-14.571428565645032
[6.42857143e+00 5.71428571e-01 2.35900788e-10]

如果你搜别人的方案，会发现是错的，我改了一下，加了等式约束改了求最大值，结果应该是对的。

import pulp

# 1. LpProblem类
# LpProblem(name='NoName', sense=LpMinimize)
# 构造函数，用来构造一个LP问题实例，其中name指定问题名（输出信息用)，
# sense值是LpMinimize或LpMaximize中的一个，用来指定目标函数是求极大值还是极小值。
# 2.solve(solver=None, **kwargs)
# 在对LpProblem添加完约束条件后，调用该函数进行求解，如果不是求解特定的整数规划问题，solver一般使用默认即可。
# 3. LpVariable类
# LpVariable(name, lowBound=None, upBound=None, cat='Continuous', e=None)
# 构造函数，用来构造LP问题中的变量，name指定变量名，lowBound和upBound是下界和上界，
# 默认分别是负无穷到正无穷,cat用来指定变量是离散(Integer,Binary)还是连续(Continuous)。
# 4.lpDot
# 可以将两个列表的对应位相乘再相加
# 比如
# pulp.lpDot(z,x)
# z[0]*x[0]+z[1]*x[1]+z[2]*x[2]...




# 目标函数的系数
z = [2, 3, 1]
# 约束eq表示等式的意思a是左b是右
a = [[1, 4, 2], [3, 2, 0]]
b = [8, 6]
eqa = [1, 2, 4]
eqb = [101]
# 确定最大化最小化问题，最大化只要把Min改成Max即可
m = pulp.LpProblem(sense=pulp.LpMaximize)
# 定义三个变量x1，x2，x3放到列表中，下界为0，
x = [pulp.LpVariable(f'x{i}', lowBound=0) for i in [1, 2, 3]]
# 定义目标函数，m是z和x对应相乘再相加
m += pulp.lpDot(z, x)
# 设置约束条件len（a）是2，下面表示第i行的a乘以X（x1，x2，x3）≥第i行的b，是不等式约束
for i in range(len(a)):
    m += (pulp.lpDot(a[i], x) >= b[i])
m += pulp.lpDot(eqa, x) == eqb
# 求解
m.solve()
# 输出结果
print(f'优化结果:{pulp.value(m.objective)}')
print(f'参数取值:{[pulp.value(var) for var in x]}')

运行结果

优化结果:202.0
参数取值:[101.0, 0.0, 0.0]

下一个例题运输问题

数学规划学过

 

import pulp
import numpy as np
from pprint import pprint

#定义的函数，x_max是对行的约束，y_max是对列的约束
def transportation_problem(costs, x_max, y_max):
    #行数
    row = len(costs)
    #列数
    col = len(costs[0])
    #最大值问题
    prob = pulp.LpProblem('Transportation Problem', sense=pulp.LpMaximize)
    #二维列表xij，i是x_max,j是y_max
    var = [[pulp.LpVariable(f'x{i}{j}', lowBound=0, cat=pulp.LpInteger) for j in range(col)] for i in range(row)]
    #作用是把列表展开成一维的，相当于定义了一个函数
    flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x]
    #这里调用了上一行写的flatten把var展开成一维，然后再对应相乘，至于cost的flatten是自带的
    prob += pulp.lpDot(flatten(var), costs.flatten())
    #添加不等式约束
    for i in range(row):
        prob += (pulp.lpSum(var[i]) <= x_max[i])
    for j in range(col):
        prob += (pulp.lpSum([var[i][j] for i in range(row)]) <= y_max[j])
    prob.solve()
    return {'objective': pulp.value(prob.objective),
            'var': [[pulp.value(var[i][j]) for j in range(col)] for i in range(row)]}


if __name__ == "__main__":
    costs = np.array([[500, 550, 630, 1000, 800, 700],
                      [800, 700, 600, 950, 900, 930],
                      [1000, 960, 840, 650, 600, 700],
                      [1200, 1040, 980, 860, 880, 780]])
    max_plant = [76, 88, 96, 40]
    max_cultivation = [42, 56, 44, 39, 60, 59]
    res = transportation_problem(costs, max_plant, max_cultivation)
    #objective是最优解，var是x的值
    print(f'最大值为{res["objective"]}')
    print('各变量的取值为:')
    pprint(res['var'])

运行结果

最大值为284230.0
各变量的取值为:
[[0.0, 0.0, 6.0, 39.0, 31.0, 0.0],
 [0.0, 0.0, 0.0, 0.0, 29.0, 59.0],
 [2.0, 56.0, 38.0, 0.0, 0.0, 0.0],
 [40.0, 0.0, 0.0, 0.0, 0.0, 0.0]]