线性规划（Python）

最新推荐文章于 2024-06-04 01:00:00 发布

Sanchez·J

最新推荐文章于 2024-06-04 01:00:00 发布

阅读量1k

点赞数 16

分类专栏：美赛文章标签：算法 python 数学建模

本文链接：https://blog.csdn.net/qq_43010742/article/details/135908419

版权

美赛专栏收录该内容

23 篇文章 2 订阅

订阅专栏

引入

有这样一些常见的运筹优化问题：_____共有多少，如何去安排分配，使得_____最优

比如，要生产两种机床，利润分别为 $w_1,w_2$ ，机器有不同的维护费用、工作时间，如何安排生产能让总利润最大化？

线性规划（LP）

是研究线性约束条件下线性目标函数的极值问题的数学理论和方法。

线性规划模型特点

要解决的问题是优化类的
目标函数和约束函数都是决策变量的线性函数

线性规划模型的三要素

决策变量：要确定的未知量，由决策者控制
目标函数：决策变量的函数
约束条件：决策变量的取值所受到的约束和限制条件

线性规划模型建立步骤

找到决策变量
确定目标函数
确定约束条件

线性规划模型的表现形式

一般形式： $max(min)=c_1x_1+c_2x_2+...+c_nx_n$

$s.t \left\{\begin{matrix} a_{11}x_1+a_{12}x_2+...+a_{1n}x_n\le(=,\ge)b_1\\ a_{21}x_1+a_{22}x_2+...+a_{2n}x_n\le(=,\ge)b_2\\ ...\\ a_{m1}x_1+a_{m2}x_2+...+a_{mn}x_n\le(=,\ge)b_m\\ x_1,x_2,...,x_n\ge0 \end{matrix}\right.$

矩阵形式： $max(min)z=c^Tx$

$s.t\left\{\begin{matrix} Ax\le(=,\ge)b,\\ x\ge0 \end{matrix}\right.$

其中 $c=[c_1,c_2,...,c_n]^T\\ x=[x_1,x_2,..x_n]^T\\ A=(a_{ij})_{m\times n}\\ b=[b_1,b_2,...,b_m]^T$

线性规划模型求解

单纯形法——手算
matlab、Python函数

Python 代码

import numpy as np
from scipy.optimize import linprog
# linprog 则是一个线性规划优化函数。
c = np.array([2, 3, 1])
# 表示线性规划问题中目标函数的系数。在这个例子中，目标函数是 (2x_1 + 3x_2 + x_3)。
A_up = np.array([[-1, -4, -2], [-3, -2, 0]])
# 矩阵 A_up 表示不等式约束的系数。
# 每一行对应一个约束条件。
# 第一行表示 (-x_1 - 4x_2 - 2x_3 \leq -8)，
# 第二行表示 (-3x_1 - 2x_2 \leq -6)。
b_up = np.array([-8, -6])
# b_up 表示不等式约束的右侧。
# 第一个元素（-8）对应第一个不等式的右侧，
# 第二个元素（-6）对应第二个不等式的右侧。
r = linprog(c, A_ub=A_up, b_ub=b_up, bounds=((0, None), (0, None), (0, None)))
# 使用 linprog 函数，传入目标函数系数 (c)、不等式约束矩阵 (A_up)、不等式约束右侧 (b_up)，
# 以及每个变量的取值范围（在这个例子中，(x_1)、(x_2)、(x_3) 都是非负数）。
print(r)

运行结果分析：

        message: Optimization terminated successfully. (HiGHS Status 7: Optimal)

说明优化成功终止，并且 HiGHS 状态码为 7，表示达到最优解。

        success: True

表示求解器成功找到了最优解。

        status: 0

与 HiGHS 状态码相关的信息，这里为0表示成功。

        fun: 7.0

最优解的目标函数值是7.0。

        x: [ 8.000e-01 1.800e+00 0.000e+00]

最优解对应的变量值为 [0.8, 1.8, 0.0]。

        nit: 3

迭代次数，表示找到最优解所经历的迭代次数。

lower: residual: [ 8.000e-01 1.800e+00 0.000e+00]

对应约束下界的残差。

        marginals: [ 0.000e+00 0.000e+00 0.000e+00]

对应约束下界的拉格朗日乘子（或者说边际值）。

upper: residual: [ inf inf inf]

对应约束上界的残差。由于上界是无穷大，残差为无穷大。

        marginals: [ 0.000e+00 0.000e+00 0.000e+00]

对应约束上界的拉格朗日乘子。

        eqlin: residual: []

等式约束的残差。

        marginals: []

等式约束的拉格朗日乘子。

        ineqlin: residual: [ 0.000e+00 0.000e+00]

不等式约束的残差。

        marginals: [-5.000e-01 -5.000e-01]

不等式约束的拉格朗日乘子。

        mip_node_count: 0

MIP（Mixed Integer Programming，混合整数规划）中的节点数。

        mip_dual_bound: 0.0

MIP 中的对偶边界值。

        mip_gap: 0.0

MIP 中的优化间隙。