数学建模：整数规划示例模型 (Python 求解)

Charle4Leclerc

已于 2022-04-30 18:04:33 修改

阅读量5.3k

点赞数 9

分类专栏：数学建模文章标签： python 算法数据分析动态规划

于 2022-04-30 17:04:16 首次发布

本文链接：https://blog.csdn.net/qq_55851911/article/details/124514976

版权

数学建模专栏收录该内容

17 篇文章 35 订阅

订阅专栏

例 1 : 选课策略模型

课号	课名	学分	所属类别	先修课要求
1	微积分	5	数学
2	线性代数	4	数学
3	最优化方法	4	数学；运筹学	微积分；线性代数
4	数据结构	3	数学；计算机	计算机编程
5	应用统计	4	数学；运筹学	微积分；线性代数
6	计算机模拟	3	计算机；运筹学	计算机编程
7	计算机编程	2	计算机
8	预测理论	2	运筹学	应用统计
9	数学实验	3	运筹学；计算机	微积分；线性代数

要求至少选两门数学课, 三门运筹学课和两门计算机课

1. 为了选修课程门数最少, 应学习哪些课程?

建立 0-1 规划模型

这是一个指派模型

决策变量: 引入 0-1 变量
$x_i= \begin{cases} 1, \ \text{选修课号} \ i \ \text{的课程} \\ 0, \ \text{不选课号} \ i \ \text{的课程} \end{cases}$

目标函数: 选修课程总数最少
$\min \quad Z=\sum_{i=1}^{9} x_{i}$

约束条件

最少 2 门数学课，3 门运筹学课，2 门计算机课:
$\begin{cases} x_{1}+x_{2}+x_{3}+x_{4}+x_{5} \geq 2 \\ x_{3}+x_{5}+x_{6}+x_{8}+x_{9} \geq 3 \\ x_{4}+x_{6}+x_{7}+x_{9} \geq 2 \end{cases}$
先修课程要求:
$\begin{cases} 2 x_{3}-x_{1}-x_{2} \leq 0\\ x_{4}-x_{7} \leq 0\\ 2 x_{5}-x_{1}-x_{2} \leq 0 \\ x_{6}-x_{7} \leq 0 \\ x_{8}-x_{5} \leq 0 \\ 2 x_{9}-x_{1}-x_{2} \leq 0 \end{cases}$

Python 求解

import numpy as np
import cvxpy as cp

x=cp.Variable(9, integer=True) #决策变量, 整数型
c=np.array([5,4,4,3,4,3,2,2,3]) #学分
obj=cp.Minimize(cp.sum(x)) #目标函数, 总课程最少
con=[x>=0,x<=1, 
     cp.sum(x[0:5])>=2, 
     x[2]+x[4]+x[5]+x[7]+x[8]>=3, 
     x[3]+x[5]+x[6]+x[8]>=2, 
     2*x[2]-x[0]-x[1]<=0, 
     x[3]-x[6]<=0, 
     2*x[4]-x[0]-x[1]<=0, 
     x[5]-x[6]<=0, 
     x[7]-x[4]<=0, 
     2*x[2]-x[0]-x[1]<=0] #约束条件
prob=cp.Problem(obj,con) #建立模型
prob.solve()

print("最优值:", prob.value)#最优课程总数
print("最优解:", x.value) 
print("总学分:", np.sum(x.value*c))

最优值: 6.0
最优解: [1. 1. 0. 0. 1. 1. 1. 1. 0.]
总学分: 20.0

这里最优解不是唯一的, 我们可以进一步提出下面的问题

2. 选修课程最少时, 为了学分尽量多, 应学习哪些课程?

我们已经求出最少课程门数为 6 门, 所以只需在第 1 问模型的基础上把目标函数变为
$\max \quad Z=\sum_{i=1}^{9} c_i x_{i}$

其中 $c_1$ 为课号为 $i$ 的课程的学分. 再加上约束条件
$\sum_{i=1}^{9} x_{i}=6$

即可.

import numpy as np
import cvxpy as cp

x=cp.Variable(9, integer=True) #决策变量, 整数型
c=np.array([5,4,4,3,4,3,2,2,3]) #学分
obj=cp.Maximize(c@x) #目标函数, 学分最多
con=[x>=0,x<=1, 
     cp.sum(x)==6, #选修课程数为最少的6门
     cp.sum(x[0:5])>=2, 
     x[2]+x[4]+x[5]+x[7]+x[8]>=3, 
     x[3]+x[5]+x[6]+x[8]>=2, 
     2*x[2]-x[0]-x[1]<=0, 
     x[3]-x[6]<=0, 
     2*x[4]-x[0]-x[1]<=0, 
     x[5]-x[6]<=0, 
     x[7]-x[4]<=0, 
     2*x[2]-x[0]-x[1]<=0] #约束条件
prob=cp.Problem(obj,con) #建立模型
prob.solve()

print("最优值:", prob.value)#最优课程总数
print("最优解:", x.value) 
print("总学分:", np.sum(x.value*c))

最优值: 22.0
最优解: [1. 1. 1. 0. 1. 1. 1. 0. 0.]
总学分: 22.0

例 2 : 装箱问题

有 7 种规格的包装箱要装到两辆铁路平板车上去。包装箱的宽和高是一样的，但厚度 $l$ (cm) 及重量 $w$ (kg) 是不同的，表中给出了每种包装箱的厚度、重量以及数量，每辆平板车有 10.2 m 长的地方来装包装箱，载重量为 40 t，由于当地货运的限制，对 ${C_5},{C_6},{C_7}$ 类的包装箱的总数有一个特别的限制：这类箱子所占的空间（厚度）不能超过 302.7 cm。要求给出最好的装运方式。

	$C_1$	$C_2$	$C_3$	$C_4$	$C_5$	$C_6$	$C_7$
$l$ /cm	48.7	52.0	61.3	72.0	48.7	52.0	64.0
$w$ /kg	2000	3000	1000	500	4000	2000	1000
件数	8	7	9	6	6	4	8

题中所有包装箱共重 89 t，而两辆平板车一共只能载重 80 t，因此不可能全装下。究竟在两辆车上各装哪些种类箱子且各为多少才合适，必须有评价的标准。这标准就是遵守题中说明的重量、厚度、件数等方面的约束条件，尽可能地多装，而尽可能多装有两种理解：一是尽可能在体积上多装，由于规定是按面包片重叠那样的装法，故等价于尽可能使两辆车上的装箱总厚度尽可能大；二是尽可能在重量上多装，即使得两辆车上的装箱总重量尽可能大。

设决策变量 ${x_{ij}}(i = 1,2;j = 1,2, \cdots ,7)$ 表示第 $i$ 辆车上装第 $j$ 种包装箱的件数， ${l_j},{w_j},{a_j}(j = 1,2, \cdots ,7)$ 分别表示第 $j$ 种包装箱的厚度、重量和件数

模型 1 : 体积上多装

建立整数规划模型

$\max \quad z_{1}=\sum_{j=1}^{7} l_{j}\left(x_{1 j}+x_{2 j}\right)$

$}\left\{\begin{array}{l} \sum_{i=1}^{2} x_{i j} \leq a_{j}, \quad j=1,2, \cdots, 7, \\ \sum_{j=1}^{7} l_{j} x_{i j} \leq 1020, \quad i=1,2, \\ \sum_{j=1}^{7} w_{j} x_{i j} \leq 40000, \quad i=1,2, \\ \sum_{j=5}^{7} l_{j}\left(x_{1 j}+x_{2 j}\right) \leq 302.7, \\ x_{i j} \geq 0 \text { 且为整数, } \quad i=1,2 ; j=1,2, \cdots, 7 . \end{array}\right.$

Python 求解

import cvxpy as cp
import numpy as np

L=np.array([48.7,52.0,61.3,72.0,48.7,52.0,64.0])
w=np.array([2000,3000,1000,500,4000,2000,1000])
a=np.array([8,7,9,6,6,4,8])

x=cp.Variable((2,7), integer=True)
obj=cp.Maximize(cp.sum(x@L))
con=[cp.sum(x,axis=0,keepdims=True)<=a.reshape(1,7),
     x@L<=1020, x@w<=40000, cp.sum(x[:,4:]@L[4:])<=302.7, x>=0]
prob = cp.Problem(obj, con)
prob.solve(solver='GLPK_MI')
print("最优值为:",prob.value)
print("最优解为：\n",x.value)

最优值为: 2039.4
最优解为：
 [[4. 1. 5. 3. 3. 2. 0.]
 [4. 6. 4. 3. 0. 1. 0.]]

模型 2 : 重量上多装

目标函数变为
$\max \quad \;{z_2} = \sum\limits_{j = 1}^7 {{w_j}({x_{1j}} + {x_{2j}})}$

import cvxpy as cp
import numpy as np

L=np.array([48.7,52.0,61.3,72.0,48.7,52.0,64.0])
w=np.array([2000,3000,1000,500,4000,2000,1000])
a=np.array([8,7,9,6,6,4,8])

x=cp.Variable((2,7), integer=True)
obj=cp.Maximize(cp.sum(x@w))
con=[cp.sum(x,axis=0,keepdims=True)<=a.reshape(1,7),
     x@L<=1020, x@w<=40000, cp.sum(x[:,4:]@L[4:])<=302.7, x>=0]
prob = cp.Problem(obj, con)
prob.solve(solver='GLPK_MI')
print("最优值为:",prob.value)
print("最优解为：\n",x.value)

最优值为: 73000.0
最优解为：
 [[6. 0. 0. 6. 6. 0. 0.]
 [2. 7. 9. 0. 0. 0. 0.]]

Charle4Leclerc

关注

9
点赞
踩
97

收藏

觉得还不错? 一键收藏
3
评论
数学建模：整数规划示例模型 (Python 求解)

例 1 : 选课策略模型1. 为了选修课程门数最少, 应学习哪些课程?建立 0-1 规划模型Python 求解2. 选修课程最少时, 为了学分尽量多, 应学习哪些课程?例 2 : 装箱问题模型 1 : 体积上多装建立整数规划模型Python 求解模型 2 : 重量上多装对于限制全部或部分决策变量取离散非负整数值的线性规划, 称之整数线性规划, 简称整数规划. 整数规划的一种特殊情形是 0−10-10−1 整数规划, 它的决策变量仅限于 0 或 1, 简称 0−10-10−1 规划.用 Python
复制链接

扫一扫