【学习笔记】Matlab和python双语言的学习(线性规划模型）

最新推荐文章于 2024-08-09 21:58:29 发布

望月12138

最新推荐文章于 2024-08-09 21:58:29 发布

阅读量779

点赞数 11

文章标签：学习笔记 matlab python

本文链接：https://blog.csdn.net/m0_65032457/article/details/140847386

版权

文章目录

前言
一、线性规划模型
二、例题（1998年国赛A题）
三、代码实现----Matlab
- 1.Matlab 的 linprog 函数
- 2.Matlab 代码
四、代码实现----python
- 1.python 的 linprog 函数
- 2.python代码
总结

前言

通过模型算法，熟练对Matlab和python的应用。
学习视频链接：
https://www.bilibili.com/video/BV1EK41187QF?p=19&vd_source=67471d3a1b4f517b7a7964093e62f7e6

一、线性规划模型

线性规划（Linear Programming, LP）是一种数学优化方法，旨在找到一个线性目标函数的最大值或最小值，同时满足一组线性约束条件。

1.应用场景

XXX共有多少多少，怎么样去安排或者分配，使……最大／最小／最优
若要生产两种机床，利润分别为XXX，机器有不同的损耗费用，不同的工作时间，怎么安排生产能够让总利润最大呢？
若总资产是A，有 n 种资产可以进行配置，每种资产配置平均收益率XXX，风险损失率XXX，手续费XXX，怎么组合投资使得收益最大，风险最小？
若商品有 n 个产地和 p 个销售地，需要从产地运输到销售地，各产地的产量是XXX，各销售地的需求量是XXX，不同产地运输到不同销售地的运价是XXX，怎么调运才能使总运费最省？
不同类型的车辆承载量不同，工地各点之间需安排车辆运输，工地里有多条线路，满足用工需求的情况下，怎么安排车辆能使车次安排最合理？

2.线性规划模型的三要素

决策变量：问题中要确定的未知量，用于表明规划问题中的用数量表示的方案、措施等，可由决策者决定和控制；
目标函数：决策变量的函数，优化目标通常是求该函数的最大值或最小值；
约束条件：决策变量的取值所受到的约束和限制条件，通常用含有决策变量的等式或不等式表示。

3.线性规划模型建立步骤

从实际问题中建立数学模型一般有以下三个步骤：

1．根据影响所要达到目的的因素找到决策变量
2．由决策变量和所在达到目的之间的函数关系确定目标函数
3．由决策变量所受的限制条件确定决策变量所要满足的约束条件

4.线性规划的表现形式

一般形式/代数形式
${max(\text{或}(min))}z=c_1x_1+c_2x_2+\cdots+c_nx_n,\\[1em]\\{\mathrm{s.t.}\begin{cases}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n\leq(\text{或=,}\geq)b_1,\\a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n\leq(\text{或=,}\geq)b_2,\\\vdots\\a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n\leq(\text{或=,}\geq)b_m,\\x_1,x_2,\cdots,x_n\geq0.\end{cases}}$
简写形式： $\begin{aligned}&max(\text{或}min) z=\sum_{j=1}^{n}c_{j}x_{j},\\&\text{s.t.}\begin{cases}\sum_{j=1}^{n}a_{ij}x_{j}\leq(\text{或}=,\geq)b_{i}, i=1,2,\cdots,m,\\x_{j}\geq0, j=1,2,\cdots,n.\end{cases}\end{aligned}$
矩阵表现形式：
$max(\text{或}min) z=c^Tx,\\{s.t.\begin{cases}Ax\leq(\text{或}=,\geq)b,\\x\geq0.\end{cases}}$
$c=[c_{1} ,c_{2} ,\dots,c_{n}]^{T}$ —— 目标函数的系数向量，即价值向量；
$x=[x_{1} ,x_{2} ,\dots,x_{n}]^{T}$ —— 决策向量；
$A=\left(a_{ij}\right)_{m\times n}$ —— 约束方程组的系数矩阵；
$b=[b_1 ,b_2 ,... ,b_m]^T$ —— 约束方程组的常数向量。

5.线性规划的模型特点

要解决的问题是优化类的（即在有限的资源条件下，获取最大的收益）
目标函数和约束条件都是决策变量的线性函数，即不存在 $x^{2} ,e^{x} ,\frac{1}{x} ,\sin x ,\log_{2}x$ 等
线性规划模型：在一组线性约束条件下，求线性目标函数的最大值或最小值

二、例题（1998年国赛A题）

市场上有 n 种资产（如股票、债券、……） $s_i (\mathrm{i=1,2,\ldots,n})$ 供投资者选择，某公司有数额为 M 的一笔相当大的资金可用作一个时期的投资。公司财务分析人员对这 n 种资产进行了评估，估算出在这一时期内购买资产 $s_i$ 的平均收益率为 $r_i$ ，并预测出购买 $s_i$ 的风险损失率为 $q_i$ 。考虑到投资越分散，总的风险越小，公司确定，当用这笔资金购买若干种资产时，总体风险可用所投资的 $s_i$ 中最大的一个风险来度量。
购买 $s_i$ 要付交易费，费率为 $p_i$ ，并且当购买额不超过给定值 $u_i$ 时，交易费按购买 $u_i$ 计算（不买当然无须付费）。另外，假定同期银行存款利率是 $r_0(r_0=5\%)$ ，且既无交易费又无风险。
已知 n = 4 时的相关数据如表所示。

各变量含义：

资产（如股票、债券、……银行）：共 n + 1 种
总投资资金： M
不同资产： $s_i (\mathrm{i=1,2,\ldots,n})$
平均收益率： $r_i$
风险损失率为： $q_i$
付交易费的费率为： $p_i$
购买额的分界线： $u_i$ （不超过给定值 $u_i$ 时，交易费按购买 $u_i$ ，超过时交 $p_i$ 的费率。

问题分析：

决策变量：投资不同项目 $s_i$ 的购买额为 $x_i (\mathrm{i=1,2,\ldots,n})$
目标函数：净收益 Q 尽可能大、总风险尽可能小
约束条件：总资金 M 有限，每一笔投资都是非负数
且已知，目标函数和约束条件都是决策变量的线性函数

模型假设：

可供投资的资金数额 M 相当大
投资越分散，总的风险越小，总体风险可用所投资的 $s_i$ 中最大的一个风险来度量
可供选择的 n+1 种资产（含银行存款）之间是相互独立的
每种资产可购买的数量为任意值
在当前投资周期内， $r_i,q_i, p_i, u_i(\mathrm{i=1,2,\ldots,n})$ 固定不变
不考虑在资产交易过程中产生的其他费用，如股票交易印花税等
由于投资数额 M 相当大，而题目设定的定额 $u_i$ 相对 M 很小， $p_i, u_i$ 更小，因此假设每一笔交易 $x_i$ 都大于对应定额 $u_i$

模型建立：

总体风险可用所投资的 $s_i$ 中最大的一个风险来度量，即 $max\{q_{i}x_{i}|i=1,2,\cdots,n\}$ 。
购买 $s_i (\mathrm{i=1,2,\ldots,n})$ 所付交易费本来是一个分段函数，但假设中已经假设每一笔交易 $x_i$ 都大于对应定额 $u_i$ ，所以交易费 = $p_ix_i$ ，这样购买 $s_i$ 的净收益可以简化为 $r_i - p_i) x_i$ 。

目标函数为： ${\begin{cases}max\sum_{i=0}^n(r_i-p_i)x_i,\\[0.em]\\min\{max_{1\leq i\leq n}\{q_ix_i\}\}&\end{cases}}$ 约束条件为： $\left.\left\{\begin{matrix}{\sum_{i=0}^{n}(1+p_{i})x_{i}=M,}\\[0.em]\\{x_{i}\geq0,\quad i=0,1,\cdots,n.}\\\end{matrix}\right.\right.$

这是一个多目标规划模型！

模型简化：

在实际投资中，投资者承受风险的程度不一样，若给定风险一个界限 a ，使最大的一个风险 $\frac{q_{i}x_{i}}{M}\leq a$ 可找到相应的投资方案。这样把多目标规划变成一个目标的线性规划。
这里将目标函数 $min\{max_{1\leq i\leq n}\{q_ix_i\}\}$ 转化为了约束条件： $\frac{q_{i}x_{i}}{M}\leq a$ （总体风险小于某个常数）

简化后的模型：
$max\sum_{i=0}^n(r_i-p_i)x_i\quad\mathrm{s.t.}\begin{cases}\frac{q_ix_i}{M}\leq a,i=1,2,\cdots,n,\\\sum_{i=0}^n(1+p_i)x_i=M,\\x_i\geq0,\quad i=0,1,\cdots,n.\end{cases}$

三、代码实现----Matlab

1.Matlab 的 linprog 函数

标准形式：
$,ub)\\\\[1em]\min\limits_xf^Tx ,\\[1em]\\s.t.\begin{cases}A\cdot x\leq b,\\Aeq\cdot x=beq,\\lb\leq x\leq ub.\end{cases}$

f — — 目标函数的系数向量（必须是求最小值形式下的）
A，b — — 不等式约束条件的变量系数矩阵和常数项矩阵（必须是 ≤ 形式）
Aeq，beq — — 等式约束条件的系数矩阵和常数项矩阵
lb，ub — — 决策变量的最小取值和最大取值
x 是返回的最优解的变量取值， fval 返回目标函数的最优值
注意：
要调用 linprog 函数，变量必须是标准形式，即目标函数是求最小值，约束条件都是小于等于号或等号如果不满足标准形式，我们可以用同乘 “-” 变号来继续求解

由简化后的模型可得：
$\begin{aligned}&min\quad f=[0.05,0.27, 0.19, 0.055, 0.185]\cdot[x_0,x_1,x_2,x_3,x_4]^T\\[0.0em]\\&\quad\text{s.t.}\begin{cases}x_0+1.01x_1+1.02x_2+1.045x_3+1.065x_4=M,\\0.025x_1\leq aM,\\0.015x_2\leq aM,\\0.055x_3\leq aM,\\0.026x_4\leq aM,\\x_i\geq0~(i=0,1,\cdots,4).\end{cases}\end{aligned}$

2.Matlab 代码

clear;clc;

f = [-0.05 -0.27 -0.19 -0.185 -0.185];
A = [zeros(4,1),diag([0.025 0.015 0.055 0.026])];  % 将 4*1 的 0 向量，与对角矩阵拼在一起作为系数矩阵A

% 假设可供投资的资金数额M是一万元
M = 1;
Aeq = [1 1.01 1.02 1.045 1.065];
beq = M;
lb = zeros(5,1);

a = (0:0.001:0.05);    % a的范围时0-0.05，步长为0.001

Q = zeros(1,length(a));

for i = 1 : length(a)
    b = a(i) * ones(4,1);
    [x,y] = linprog(f,A,b,Aeq,beq,lb);
    Q(i) = -y;
end
plot(a,Q,'-r')
xlabel('风险率')
ylabel('最大收益')

运行结果：
在这里插入图片描述

风险 a 与收益 Q 之间的关系见图。从图中可以看出：
1）风险不超过2.5％时，风险大，收益也大
2）在 a=0.006 附近有一个转折点，在这一点左边，风险增加很少时，利润增长很快。在这一点右边，风险增加很大时，利润增长很缓慢，所以对于风险和收益没有特殊偏好的投资者来说，应该选择曲线的转折点作为最优投资组合，大约是a=0.6%,Q=2000，所对应投资方案为：
风险度 a=0.006 ，收益 Q=2019 元； $x_0=0$ 元， $x_1=2400$ 元， $x_2=4000$ 元， $x_3=1091$ 元， $x_4=2212$ 元

四、代码实现----python

1.python 的 linprog 函数

$result=linprog(c,A\_ub,b\_ub,A\_eq,b\_eq,bounds,method)\\\\[1em]\\min cx , \\\\[1em]\\s.t. \begin{cases}A\_ub\cdot x\le b\_ub,\\A\_eq\cdot x=b\_eq,\\x\in bounds.\end{cases}$
linprog 是 SciPy 库中用于解决线性规划问题的函数。线性规划是指在满足一组线性不等式约束条件的前提下，优化（最大化或最小化）一个线性目标函数的问题。

以下是 linprog 函数的主要用法及其参数介绍：

参数说明

c: 目标函数的决策变量对应的系数向量（行列向量都可以，下同）。
A_ub: 不等式约束条件的变量系数矩阵（必须是 ≤ 形式）。
b_ub: 不等式约束条件的常数项矩阵。
A_eq: 等式约束矩阵的变量系数矩阵。
b_eq: 等式约束条件的常数项矩阵。
bounds:每个变量的上下界，默认情况下每个变量的范围是 [0, None]。可以用 (min, max) 或 [(min1, max1), (min2, max2), ...] 的形式指定。
method:求解方法。可选值包括 'simplex', 'interior-point', 'revised simplex' 和 'highs'。默认值为 'highs'。
options: 求解器选项，用于设置求解器的参数。

返回值

返回一个 OptimizeResult 对象，其中包含以下关键属性：

x: 最优解。
success: 布尔值，指示是否找到最优解。
status: 整数，指示求解器的退出状态。
message: 退出状态的信息。
fun: 目标函数的最优值。
调用时用 result.x

2.python代码

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import linprog

c = np.array([-0.05, -0.27, -0.19, -0.185, -0.185])

# NumPy 提供了 numpy.c_ 接口,它可以方便地将多个数组沿着第二个轴（列）进行拼接,形成一个新的数组
A_ub = np.c_[np.zeros(4), np.diag([0.025, 0.015, 0.055, 0.026])]   

M = 1
A_eq = np.array([[1, 1.01, 1.02, 1.045, 1.065]])
b_eq = M

bounds = [(0,None), (0,None), (0,None), (0,None), (0,None)]

a = 0
aa = []
ss = []

while a < 0.05:
    b_ub = a * np.ones(4)
    # 执行线性规划，得到最优解
    res = linprog(c, A_ub, b_ub, A_eq, b_eq, bounds)
    # 提取线性规划的解向量和最优值
    x = res.x
    Q = -res.fun
    aa.append(a)
    ss.append(Q)
    a = a + 0.001

# 绘制结果
plt.plot(aa,ss,'-r')
plt.xlabel("a")
plt.ylabel("Q")

plt.savefig('figure_6.png',dpi = 500)
plt.show()

在运行过程中出现了保存的运行结果图打开是空白的问题
解决方法：
在jupyter notebook 中，savefig()不能单独一行运行，必须和plt.plot()在一行一起运行。

运行结果：

在这里插入图片描述

总结

本文介绍了线性规划模型，通过1998年国赛A题作为例题，分别使用Matlab和python进行代码编写。

望月12138

关注

11
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
【学习笔记】Matlab和python双语言的学习(线性规划模型）

通过模型算法，熟练对Matlab和python的应用。本文介绍了线性规划模型，通过1998年国赛A题作为例题，分别使用Matlab和python进行代码编写。
复制链接

扫一扫