0-1型整数线性规划--隐枚举法

0-1型整数线性规划是整数线性规划中的特殊情形，它的变量𝒙𝒊仅 取值0或1。这时𝒙𝒊称为0-1变量，或称二进制变量。
 解0-1型整数线性规划最直观的方法，就是枚举法，即检查变量取 值为0或1的每一种组合，比较目标函数值以求得最优解，这需要 检查变量取值的𝟐𝒏个组合。
 对于变量个数n较大(例如n＞10)，这几乎是不可能的。
 因此常设计一些方法，只检查变量取值的组合的一部分，就能求到问题的最优解。
 这样的方法称为隐枚举法(implicit enumeration). 分枝定界法也是一种隐枚举法。
例如 目标函数 max Z = 3X1 - 2X2 + 5X3
s.t. X1 + 2X2 - X3 <= 2
X1 + 4X2 + X3 <= 4
X1 + X2 <= 3
4X1 + X3 <= 6
X1,X2,X3 = 0或1

解题时可根据目标函数加入一个约束条件，称为过滤的条件。

用全部枚举的方法，3个变量共有23=8个解，原来4个约束条件， 共需32次运算。现在增加了过滤条件※，如按下述方法进行，就 可减少运算次数。  将5个约束条件按※， ① ， ② ， ③ ，④的顺序排好，
 对每个解，依次代入约束条件左侧，求出数值，看是否适合不等 式条件，如某一条件不适合，同行以下各条件就不必再检查，因 而就减少了运算次数。

# 隐枚举法
# max Z = 3X1 - 2X2 + 5X3
# X1 + 2X2 - X3 <= 2
# X1 + 4X2 + X3 <= 4
# X1 + X2 <= 3
# 4X1 + X3 <= 6
# X1,X2,X3 = 0 或 1

import random as rd

def generateSequence(n):
    x = []
    x.append([0 for i in range(n)])
    xTran = []
    m = 0
    while len(x) != 2 ** n:
        for i in range(len(x)):
            for j in range(n):
                xTran.append(x[i][j])
            xTran[n - m - 1] = 1
            x.append(xTran)
            xTran = []
        m += 1
    return x

def judge(x):
    judge = None
    if x[0] + 2 * x[1] - x[2] <= 2 and x[0] + 4 * x[1] + x[2] <= 4 and x[0] + x[1] <= 3 and 4 * x[0] + x[2] <= 6:
        judge = True
    else:
        judge = False
    return judge

n = 3
solution = generateSequence(n)
zmax = -float("inf")
best = []
for x in solution:
    if judge(x):
        z = 3 * x[0] - 2 * x[1] + 5 * x[2]
        zmax = z
        break
for x in solution:
    z = 3 * x[0] - 2 * x[1] + 5 * x[2]
    if z > zmax:
        if judge(x):
            zmax = z
            best.append(x)
        else:
            continue
    else:
        continue
print("最优解：x = ",best[-1],"max z = ",zmax)