线性规划的影子价格(shadow price)|对偶价格(dual price) 与 gurobi 实现

最新推荐文章于 2024-10-01 08:00:00 发布

皿小草

最新推荐文章于 2024-10-01 08:00:00 发布

阅读量7.5k

点赞数 2

分类专栏： or 文章标签：算法

本文链接：https://blog.csdn.net/oqqYuan1234567890/article/details/121066537

版权

or 专栏收录该内容

1 篇文章

订阅专栏

本文介绍了线性规划中的对偶解，重点讨论了影子价格（也称对偶价格）的概念。通过Gurobi库展示了如何在Python中求解线性规划问题并获取对偶价格。示例中创建了一个优化模型，并打印了变量的最优值和约束的对偶价格，帮助读者理解这些数值在实际问题中的意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在列生成的问题中，大量用到 dual price, 有一些文章会翻译为影子价格，有一些则是对偶价格，叫知乎有一个写得比较好的文章
什么是影子价格？—— 线性规划的对偶解，及拉格朗日乘数

模型为：
在这里插入图片描述

下面是 gurobi 的实现， gurobi 像现在可以直接 pip 安装，有一个非商业的 license
pip install gurobipy

from gurobipy import *

# Create a new model
m = Model("test1")

# Create variables
x1 = m.addVar(name="x1")
x2 = m.addVar(name="x2")
# Set objective
m.setObjective(50 * x1 + 100*x2, GRB.MAXIMIZE)


m.addConstr(x1 + x2 <= 300, "c0")
m.addConstr(2 * x1 + x2 <= 400, "c1")
m.addConstr(x2 <= 250, "c2")
m.optimize()

dualArray = []
c = m.getConstrs()
for v in m.getVars():
    print('%s = %g' % (v.varName, v.x))

for i in range(m.getAttr(GRB.Attr.NumConstrs)):
    dualArray.append(c[i].getAttr(GRB.Attr.Pi))

print('Obj: %g' % m.objVal)
print('dual price:', dualArray)

输出