用Python实现运筹学——Day 2: 线性规划的基本概念

写代码的M教授

于 2024-09-25 08:00:00 发布

阅读量1.3k

点赞数 35

分类专栏：用Python实现运筹学文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_41698317/article/details/142466839

版权

用Python实现运筹学专栏收录该内容

18 篇文章 12 订阅

订阅专栏

一、学习内容

线性规划的定义：线性规划（Linear Programming, LP）是一种用于求解约束条件下线性目标函数最优解的方法。线性规划问题通常涉及最大化或最小化一个线性目标函数，目标函数的变量受一组线性不等式或等式的约束。
目标函数：目标函数是需要最大化或最小化的函数，通常表示为：
$Maximize or Minimize Z = c_1 * x_1 + c_2 * x_2 + ... + c_n * x_n$
其中， $Z$ 为目标函数， $x_1, x_2, \dots, x_n$ 是决策变量， $c_1, c_2, \dots, c_n$ 是目标函数中决策变量的系数。
约束条件：线性规划问题中的约束条件是一些线性不等式或等式，用于限制变量的取值范围。约束条件通常表示为：
$a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n \leq b_1$

$a_{21}x_1 + a_{22}x_2 + \dots + a_{2n}x_n \geq b_2$

其中， $a_{ij}$ 是约束条件中的系数， $b_i$ 是约束的右侧常数项。

4.可行解与最优解：线性规划问题的可行解是在满足所有约束条件下的解，而最优解是在可行解范围内使目标函数值达到最大或最小的解。

二、线性规划的应用场景

线性规划应用广泛，包括但不限于以下领域：

资源分配：最大化利润或最小化成本的生产与运营问题。
物流与交通：最短路径问题、运输问题、分配问题。
供应链管理：库存优化、供应与需求匹配。
金融：投资组合优化，风险管理。

三、实战案例：公司利润最大化问题

公司生产两种产品 $P_1$ 和 $P_2$ ，每种产品的利润分别为 $40 和 $30。公司每天的生产资源有限，生产产品需要消耗两种资源：劳动时间和原材料。已知生产每个单位的 $P_1$ 需要消耗 1 小时劳动时间和 2 单位原材料，生产每个单位的 $P_2$ 需要消耗 2 小时劳动时间和 1 单位原材料。公司每天最多有 40 小时劳动时间和 30 单位原材料可用。公司希望通过合理安排生产计划，最大化每日利润。

3.1 问题的数学模型

决策变量：
- $x_1$ ：每天生产产品 $P_1$ 的数量。
- $x_2$ ：每天生产产品 $P_2$ 的数量。
目标函数：最大化每日利润：
$Maximize Z = 40 * x_1 + 30 * x_2$
约束条件：

每天的劳动时间不能超过 40 小时：

$x_1 + 2x_2 \leq 40$

每天的原材料不能超过 30 单位：

$2x_1 + x_2 \leq 30$

$x_1 \geq 0, x_2 \geq 0$ ：生产数量不能为负数。

3.2 Python 实现（使用 `scipy.optimize.linprog`）

import numpy as np
from scipy.optimize import linprog

# 目标函数系数 (最大化问题转为最小化，通过乘 -1)
c = [-40, -30]  # 注意，最大化问题在 linprog 中转为最小化

# 约束条件系数矩阵
A = [[1, 2],   # 劳动时间约束
     [2, 1]]   # 原材料约束

# 约束条件右侧常数项
b = [40, 30]   # 分别为劳动时间和原材料的可用数量

# 决策变量的边界条件
x_bounds = [(0, None), (0, None)]  # x1 和 x2 的取值范围均为非负

# 求解线性规划问题
result = linprog(c, A_ub=A, b_ub=b, bounds=x_bounds, method='highs')

# 输出结果
if result.success:
    print("优化成功！")
    print(f"每天生产产品 P1 的数量：{result.x[0]:.2f}")
    print(f"每天生产产品 P2 的数量：{result.x[1]:.2f}")
    print(f"最大每日利润：{-result.fun:.2f}")
else:
    print("优化失败。")

3.3 代码解释

目标函数：

由于 linprog 是用于求解最小化问题，我们需要将最大化问题转化为最小化问题。通过将目标函数的系数乘以 -1，模型从最大化变为最小化。因此目标函数中的系数 c = [-40, -30] 表示最大化 $40x_1 + 30x_2$ 。

约束条件：

矩阵 A 中的每一行代表一个约束条件，A_ub 表示这些约束条件是 "小于等于" 的形式。右侧常数项 b = [40, 30] 表示每种资源的最大可用数量。

求解：

使用 scipy.optimize.linprog 函数求解线性规划问题，方法选择 highs，这是较新且稳定的求解算法。

变量边界：

变量的取值范围限制为非负，因此 x_bounds = [(0, None), (0, None)]。

3.4 运行结果分析

如果模型求解成功，将输出每天生产 $P_1$ 和 $P_2$ 的最优数量，以及最大化的每日利润。

运行结果（示例）

优化成功！
每天生产产品 P1 的数量：10.00
每天生产产品 P2 的数量：15.00
最大每日利润：850.00

分析结果：

生产 10 个单位的 $P_1$ 和 15 个单位的 $P_2$ 时，公司每天的利润最大化，达到了 $850。
通过模型的约束，资源得到了有效利用：总共消耗了 40 小时劳动时间和 30 单位原材料，完全符合公司的资源限制。

四、总结

通过这个简单的线性规划案例，我们展示了如何用运筹学方法帮助公司最大化利润。在实际应用中，线性规划广泛用于生产调度、资源分配、物流优化等领域。学习线性规划可以帮助我们解决实际问题中的最优决策问题。