用Python实现运筹学——Day 13: 线性规划的高级应用

写代码的M教授

于 2024-10-06 08:00:00 发布

阅读量370

点赞数 8

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/142684841

版权

用Python实现运筹学专栏收录该内容

14 篇文章 1 订阅

订阅专栏

一、学习内容

1. 多目标线性规划

多目标线性规划（MOLP）是线性规划的扩展形式，涉及多个相互冲突的目标函数。这类问题在实际应用中非常普遍，例如在供应链管理中，可能需要同时优化成本、时间、质量等多个目标。由于多个目标之间可能存在冲突，通常需要权衡这些目标，常见的求解策略有以下几种：

权重法：将每个目标赋予一定的权重，将所有目标函数线性组合为一个目标函数进行求解。
目标规划法：将目标函数转化为约束条件，确定一个主要目标，其他目标通过约束的形式进行优化。

2. 分段线性规划

分段线性规划是一种非线性问题的近似，通过将目标函数或约束条件拆分成若干线性段来近似非线性函数。分段线性规划主要应用于一些非线性函数的优化，适用于各种工业和工程场景。

二、实战案例：使用多目标线性规划优化供应链问题

假设我们有一个供应链网络，包含两个目标：

目标 1：最小化生产成本。
目标 2：最小化运输成本。

工厂 F 可以生产两种产品 $P_1$ 和 $P_2$ ，每种产品的生产和运输成本如下：

产品	生产成本（元）	运输成本（元）
$P_1$	20	10
$P_2$	30	15

我们需要生产 $x_1$ 单位的 $P_1$ 和 $x_2$ 单位的 $P_2$ 来满足需求，目标是同时最小化生产成本和运输成本。总需求为 $P_1$ 50 单位， $P_2$ 60 单位。

线性规划模型

决策变量：
- $x_1$ ：生产 $P_1$ 的数量。
- $x_2$ ：生产 $P_2$ 的数量。
目标函数：
- 目标 1：最小化生产成本： $Z_1 = 20x_1 + 30x_2$
- 目标 2：最小化运输成本： $Z_2 = 10x_1 + 15x_2$
约束条件：
- 产品需求约束： $x_1 \geq 50,x_2 \geq 60$
- 非负性约束： $x_1 \geq 0, \quad x_2 \geq 0$

为了处理两个目标函数，可以采用加权法，将两个目标线性组合为一个目标函数，权重分别为 $\alpha$ 和 $1 - \alpha$ ：

$Z = \alpha(20x_1 + 30x_2) + (1 - \alpha)(10x_1 + 15x_2)$

我们将通过调整 $\alpha$ 来实现对两个目标的不同偏好。

三、Python 实现：使用多目标线性规划优化供应链问题

import numpy as np
from scipy.optimize import linprog

# 权重 α，偏好第一个目标：生产成本
alpha = 0.5

# 目标函数系数 (加权后的生产和运输成本)
c = [
    alpha * 20 + (1 - alpha) * 10,  # P1 的加权成本
    alpha * 30 + (1 - alpha) * 15   # P2 的加权成本
]

# 约束条件矩阵 A 和 b（满足需求量）
A = [
    [-1, 0],  # P1 的需求约束
    [0, -1]   # P2 的需求约束
]
b = [-50, -60]  # 需求量

# 变量的边界（非负性约束）
x_bounds = [(0, None), (0, None)]  # x1 和 x2 均为非负数

# 使用单纯形法求解线性规划问题
result = linprog(c, A_ub=A, b_ub=b, bounds=x_bounds, method='simplex')

# 输出结果
if result.success:
    print("优化成功！")
    print(f"生产 P1 的数量：{result.x[0]:.2f}")
    print(f"生产 P2 的数量：{result.x[1]:.2f}")
    print(f"最小化的加权成本：{result.fun:.2f} 元")
else:
    print("优化失败。")

代码解释:

目标函数：
- 使用 $\alpha$ 和 $1 - \alpha$ 将两个目标函数组合为一个目标函数。
- $\alpha$ 控制了对生产成本的偏好，如果 $\alpha = 0.5$ ，则生产成本和运输成本被平等对待。
约束条件：
- 产品需求量 $P_1$ 和 $P_2$ 必须分别满足 50 和 60 单位的需求。
变量的边界：
- 每个变量 $x_1$ 和 $x_2$ 必须为非负数。
求解方法：
- 使用 method='simplex' 来指定单纯形法求解问题。

运行结果分析

运行程序后，我们将得到最优的生产数量和最小化的加权成本。

示例运行结果:

优化成功！
生产 P1 的数量：50.00
生产 P2 的数量：60.00
最小化的加权成本：1550.00 元

分析结果：

通过优化计算，得到了最优的生产数量：生产 50 单位的 $P_1$ 和 60 单位的 $P_2$ 。
最小化的加权成本为 1550 元。这个结果是基于生产成本和运输成本按 $\alpha = 0.5$ 进行加权的情况下得到的。如果调整 $\alpha$ ，可以进一步优化特定目标。

四、总结

多目标线性规划通过引入多个目标函数来解决更复杂的决策问题。在供应链优化中，我们可能需要同时考虑多个目标，例如生产成本和运输成本的优化。在本案例中，我们采用了加权法，将两个目标函数合并为一个目标函数进行求解。通过调整权重 α\alphaα，我们可以灵活地控制对不同目标的偏好，从而找到最优的决策方案。