python数学建模--求解线性规划问题的若干种方法

最新推荐文章于 2024-04-27 17:30:34 发布

夺笋123

最新推荐文章于 2024-04-27 17:30:34 发布

阅读量2.5k

点赞数 3

分类专栏： # 数学建模python版文章标签： python 数学建模线性规划

本文链接：https://blog.csdn.net/m0_54510474/article/details/127849897

版权

数学建模python版专栏收录该内容

12 篇文章 15 订阅

订阅专栏

线性规划案例1

$\ z=-2x_1-x_2\\ \begin{cases} -x_1+x_2\leq 1,\\ x_1+x_2\geq2,\\ x_1-2x_2\leq 4,\\ x_2\geq0\\ x_1+2x_2=3.5& \end{cases}$
本线性规划案例求解得到的最优解应为 $x_1=0.5,x_2=1.5$ ,目标函数最优值为2.5，下面我们通过下面方法分别实现求解最优值的过程

解法一：linprog()函数

标准化
$\ z=2x_1+x_2\\ \begin{cases} -x_1+x_2\leq 1,\\ -x_1-x_2\leq-2,\\ x_1-2x_2\leq 4,\\ -x_2\leq0\\ x_1+2x_2=3.5& \end{cases}$
代码

from scipy.optimize import linprog

# 目标函数系数
c = [2, 1]
# 不等式约束，系数
A = [[-1, 1],
     [-1, -1],
     [1, -2]]
b = [[1], [-2], [4]]
# 等式约束，系数
Aeq = [[1, 2]]
beq = [3.5]

res = linprog(c, A, b, Aeq, beq)
print(res.fun, res.x)
>>> 2.5 array([0.5,2.5])
# print(res)

运行结果
在这里插入图片描述

解法二：minimize()函数

标准化
$\ z=2x_1+x_2\\ \begin{cases} -x_1+x_2\leq 1,\\ -x_1-x_2\leq-2,\\ x_1-2x_2\leq 4,\\ -x_2\leq0\\ x_1+2x_2=3.5& \end{cases}$

注意，minimize()函数需要将线性规划问题标准化为指定的形式，这样在定义不等式系数的时候才不会出现错误

代码

from scipy.optimize import minimize
import numpy as np

# 目标函数系数
c = np.array([2, 1])
# 不等式约束系数
A = np.array([[-1, 1],
              [-1, -1],
              [1, -2],
              [0, -1]])
b = np.array([1, -2, 4, 0])
# 目标函数
obj = lambda x: np.dot(c, x)
# 约束条件汇总，ineq代表不等式，eq代表等式
cons = ({'type': 'ineq', 'fun': lambda x: b - A @ x},
        {'type': 'ineq', 'fun': lambda x: np.array([0, 1]) @ x},
        {'type': 'eq', 'fun': lambda x: 3.5 - np.array([1, 2]) @ x})
# 约束空间     
bd = [(0, None), (0, None)]
# 注意：此处传入约束条件时要将形参和实参一一对应，否则可能报错
res = minimize(obj, np.ones(2) * 20, constraints=cons, bounds=bd)
print(res)

运行结果
在这里插入图片描述

注意：

向minimize()函数中传入约束条件时要将形参和实参一一对应，否则可能报错
该函数使用过程中定义了很多函数，注意区别

解法三：cvxpy库

import cvxpy as cp
import numpy as np

# 定义变量
x = cp.Variable(2)
c = np.array([2, 1])
# obj=cp.Minimize(cp.sum(cp.multiply(c,x)))
# 目标函数
obj = cp.Minimize(cp.sum(x @ c))
b = np.array([1, -2, 4])
# 不等式约束系数
A = np.array([[-1, 1],
              [-1, -1],
              [1, -2]])
cons = [
    A @ x <= b,# 注意乘法运算过程中*,@,multiply()函数三者的区别
    #   cp.sum(A@x)<=b,
    x[0] + x[1] * 2 == 3.5,
    # cp.multiply(np.array([0,2]),x)==3.5,
    x[1] >= 0
]
prob = cp.Problem(obj, cons)
prob.solve(solver='GLPK_MI', verbose=True)
print(prob.value, x.value)
print(prob)

运行结果
在这里插入图片描述

注意：

乘法运算过程中*,@,multiply()函数三者的区别，涉及矩阵、向量、标量之间的相乘关系，处理不好很让人抓狂！建议读者查阅一下三者的区别

解法四：cvxopt库

from cvxopt import matrix, solvers

# 目标函数系数
c = matrix([2., 1])
# 不等式系数
A = matrix([[-1., 1], [-1., -1.], [1, -2], [0, -1]]).T
b = matrix([1., -2, 4, 0])
# 等式系数
Aeq = matrix([1., 2], (1, 2))# 这个地方笔者没弄明白
beq = matrix(3.5)

sol = solvers.lp(c, A, b, Aeq, beq)
print(sol['x'], sol['primal objective'])
print(sol)

运行结果
在这里插入图片描述

一个小报错：
raise TypeError("‘A’ must be a dense or sparse ‘d’ matrix "
TypeError: ‘A’ must be a dense or sparse ‘d’ matrix with 2 columns
原因：使用该库求解，matix矩阵中的数据都需要时浮点数，之前Aeq=matrix([1, 2], (1, 2))，报了这个错误，修改后恢复正常
注意：
（1）matix矩阵中的数据:浮点型
（2）不等式系数矩阵的转置