关于数学建模中线性规划总结

最新推荐文章于 2024-07-22 14:53:15 发布

靳小锅er

最新推荐文章于 2024-07-22 14:53:15 发布

阅读量2.5k

点赞数 3

分类专栏：数学建模文章标签： matlab python

本文链接：https://blog.csdn.net/qq_52528413/article/details/120690735

版权

数学建模专栏收录该内容

3 篇文章 0 订阅

订阅专栏

前言

二、运输问题的解决（农夫种地的问题解决）：以下是一个线性规划的例子。我们可以分析得：

三、整数线性规划

四、非线性规划

一、一般线性规划问题的解决

(1)相关程序编写：

线性规划问题的目标函数及约束条件均为线性函数；约束条件记为 s.t.(即 subject to)。目标函数可以是求最大值，也可以是求最小值，约束条件的不等号可以是小于号也可以是大于号。

一般线性规划问题的（数学）标准型为

其实线性规划问题主要分为三个方面：目标函数，约束条件已经决策变量，其中如上图所示，max函数就是我们的目标函数，而约束条件也就是我们的s,t函数，而决策变量我们可以得知是Xj,aij,和cj.

而我们又可以得知：

1、每个模型都有若干个决策变量（x1，x2，x3……，xn），其中n为决策变量个数。决策变量的一组值表示一种方案，同时决策变量一般是非负的。

2、目标函数是决策变量的线性函数，根据具体问题可以是最大化（max）或最小化（min），二者统称为最优化（opt）。

3、约束条件也是决策变量的线性函数。

当我们得到的数学模型的目标函数为线性函数，约束条件为线性等式或不等式时称此数学模型的线性规划模型。

所以我们在解决问题的时候只需要分清问题的目标函数，决策变量和约束条件即可。

（2）相关代码编写：

一、python方法解决

from scipy import optimize as op
import numpy as np
c = np.array([2,3,-5])
A = np.array([[-2,5,-1],[1,3,1]])
b= np.array([-10,12])
Aeq = np.array([[1,1,1]])
beq = np.array([7])
#求解
res = op.linprog(-c,A,b,Aeq,beq)#-c代表求最大值
print(res)

python运行结果

     con: array([1.80714643e-09])
     fun: -14.571428565645032
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([-2.24616770e-10,  3.85714286e+00])
  status: 0
 success: True
       x: array([6.42857143e+00, 5.71428571e-01, 2.35900788e-10])
#仅关注首行和末行，fun为目标函数最小值，x为最优解

二、matlab中此函数的.m文件

c=[2;3;-5]; 
a=[-2,5,-1;1,3,1]; 
b=[-10;12]; 
aeq=[1,1,1]; 
beq=7; 
x=linprog(-c,a,b,aeq,beq,zeros(3,1)) 
value=c'*x

编写的相应代码

c=[2;3;1]; 
a=[1,4,2;3,2,0]; 
b=[8;6]; 
[x,y]=linprog(c,-a,-b,[],[],zeros(3,1))

(3)代码分析

[x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS)

op.linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTI
ONS

这是matlab和python在解决线性规划问题时所用到的函数，我们下面来简单解析一下相关变量。

其中c和 x为n 维列向量， A、 Aeq 为适当维数的矩阵，b 、beq为适当维数的列向量。（Aeq 对应约束条件中等式约束的系数矩阵，A为约不等式约束的系数矩阵）。基本函数形式为 linprog(c,A,b)，它的返回值是向量 x的值。LB 和 UB 分别是变量 x的下界和上界， 0 x 是x的初始值， OPTIONS 是控制参数。

比如此题：根据python代码我们可以得知：c为是目标函数的系数矩阵，a为两个不等式（约束条件）的系数矩阵；b是不等式右侧的数值矩阵；aeq为等式的系数矩阵；beq为等式的右侧的数值矩阵。

二、运输问题的解决（农夫种地的问题解决）：以下是一个线性规划的例子。我们可以分析得：

(1) 最大化利润就是我们要求的目标函数，

(2)而限制条件有：1.不可以栽种负数的面积 2.种植面积的限制

import pulp
import numpy as np
from pprint import pprint
def transportation_problem(costs, x_max, y_max):#函数编写，
    row = len(costs)#
    col = len(costs[0])#
    prob = pulp.LpProblem('Transportation Problem',sense = pulp.LpMaximize)
    var = [[pulp.LpVariable(f'x{i}{j}', lowBound=0,cat=pulp.LpInteger) for j in range(col)] for i in range(row)]
    flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x]
    prob += pulp.lpDot(flatten(var), costs.flatten())
    for i in range(row):
        prob += (pulp.lpSum(var[i]) <= x_max[i])
    for j in range(col):
        prob += (pulp.lpSum([var[i][j] for i in
    range(row)]) <= y_max[j])
    prob.solve()
    return {'objective':pulp.value(prob.objective),'var':[[pulp.value(var[i][j])for j in range(col)]for i in range(row)]}
if __name__ == '__main__':
    costs = np.array([[500, 550, 630, 1000, 800, 700],
    [800, 700, 600, 950, 900, 930],
    [1000, 960, 840, 650, 600, 700],
    [1200, 1040, 980, 860, 880, 780]])
    max_plant = [76, 88, 96, 40]
    max_cultivation = [42, 56, 44, 39, 60, 59]
    res = transportation_problem(costs, max_plant,
    max_cultivation)
    print(f'最大值为{res["objective"]}')
    print('各变量的取值为：')
    pprint(res['var'])

运行结果

三、整数线性规划

（这里使用的是分支定界方法）

import numpy
from scipy.optimize import linprog
import sys
import math
#判断是否为整数（当一个值与他的下取整或上取整相差小于1e-6时，为整数）
def judge(L, t=1e-6):
    for i in L:
        if (i-math.floor(i)) < t or (math.ceil(i)-i) < t:
            return False
    return True
def intergerpro(c, A, B, Aeq, Beq, t=1.0e-6):
    res = linprog(c, A, B, Aeq, Beq)
    if not res.success:#整数规划问题不可解时终止分支（定界）
        return [sys.maxsize]
    if judge(res.x):
        bestX = [10000]*len(c)#抄的视频上的代码，意义不明
    else:
        bestX = res.x
    bestVal = sum(x*y for x, y in zip(c, bestX))
    if all(((x-math.floor(x)) < t or (math.ceil(x)-x) < t) for x in bestX):
        return (bestVal, bestX)#整数解
    else:#加约束条件
        ind = [i for i, x in enumerate(bestX) if (x-math.floor(x) > t) and (math.ceil(x)-x) > t][0]
        newcol1 = [0] * len(A[0])
        newcol2 = [0] * len(A[0])
        newcol1[ind] = -1#新不等式约束的系数
        newcol2[ind] = 1#新不等式约束的系数
        newA1 = A.copy()
        newA2 = A.copy()
        newA1.append(newcol1)#追加新不等式约束系数
        newA2.append(newcol2)#追加新不等式约束系数
        newB1 = B.copy()
        newB2 = B.copy()
        newB1.append(-math.ceil(bestX[ind]))#新不等式约束的值
        newB2.append(math.floor(bestX[ind]))#新不等式约束的值
        r1 = intergerpro(c, newA1, newB1, Aeq, Beq)#分支
        r2 = intergerpro(c, newA2, newB2, Aeq, Beq)#分支
        if r1[0] < r2[0]:
            return r1
        else:
            return r2
c = [3, 4, 1]#问题方程
A = [[-1, -6, -2],[-2, 0, 0]]#不等式约束的系数
B = [-5, -3]#不等式约束右边的值
Aeq = [[0, 0, 0]]#等式约束（aeq与beq都为0，代表0*x1+0*x2+0*x3=0，因此这里不写这个参数也行）
Beq = [0]#等式约束值
print(intergerpro(c, A, B, Aeq, Beq))

运行结果

Ø 结果：
(8.0, array([2., 0., 2.]))
其中8是目标函数值，2，0，2是三个整数变量的值

四、非线性规划

from scipy.optimize import minimize
import numpy as np
#计算 1/x+x 的最小值
def fun(args):
    a=args
    v=lambda x:a/x[0] +x[0]
    return v
if __name__ == "__main__":
    args = (1) #a
    x0 = np.asarray((2)) # 初始猜测值
    res = minimize(fun(args), x0, method='SLSQP')
    print(res.fun)
    print(res.success)
    print(res.x)

靳小锅er

关注

3
点赞
踩
14

收藏

觉得还不错? 一键收藏
打赏
0
评论
关于数学建模中线性规划总结

一、python方法解决from scipy import optimize as opimport numpy as npc=np.array([2,3,-5])c = np.array([2,3,-5])A = np.array([[-2,5,-1],[1,3,1]])b= np.array([-10,12])Aeq = np.array([[1,1,1]])beq = np.array([7])#求解res = op.linprog(-c,A,b,Aeq,beq)print(
复制链接

扫一扫