docplex 解决列表决策变量的单目标优化问题

最新推荐文章于 2024-03-04 22:08:50 发布

小王做笔记

最新推荐文章于 2024-03-04 22:08:50 发布

阅读量388

点赞数

分类专栏： docplex解决最优化问题--实战文章标签： python 开发语言

本文链接：https://blog.csdn.net/qsx123432/article/details/129078626

版权

docplex解决最优化问题--实战专栏收录该内容

7 篇文章 0 订阅

订阅专栏

本文介绍了如何使用Python的docplex库建立和解决线性规划问题。从定义优化模型、创建连续决策变量、设定约束条件到定义目标函数，然后最大化或最小化该函数并求解，最后获取解的数据。示例代码详细展示了整个过程。

摘要由CSDN通过智能技术生成

这里写目录标题

使用背景

使用背景

通过列表创建决策变量

mdl.continuous_var_list()

1. 定义优化模型

# 导入 docplex 
from docplex.mp.model import Model
# 定义优化模型 
mdl = Model(name='example_constraints')

2. 创建决策变量

直接通过列表创建决策变量 x0, x1, x2.

x = mdl.continuous_var_list(3, lb=-1.0, ub=1.0, name='x')

在这里插入图片描述

当然也可以一个一个创建，使用 mdl.continuous_var()

x = [mdl.continuous_var(lb=-1.0, ub=1.0, name='x_{0}'.format(i)) for i in range(3)]

3. 定义约束条件

约束条件可以通过列表的方式添加进来。

# 定义约束条件 （通过列表定义约束条件)
constraints = [xi >= -0.5 for xi in x] + [xi <= 0.5 for xi in x]

for constraint in constraints:
    mdl.add_constraint(constraint)

4. 定义优化函数

# 定义优化函数 
obj = mdl.sum(x)

5. 最大化/最小化目标函数，并求解

# 最大化/最小化 目标函数，并求解  
mdl.maximize(obj) 
solution = mdl.solve()

6. 获取求解数据

# 获取求解数据
print("x = {0}".format([xi.solution_value for xi in x]))
print("obj result: ", obj.solution_value)

7. 代码整合

# 导入 docplex 
from docplex.mp.model import Model
# 定义优化模型 
mdl = Model(name='example_constraints')

# 创建决策变量
x = mdl.continuous_var_list(3, lb=-1.0, ub=1.0, name='x')

# 定义约束条件 （通过列表定义约束条件)
constraints = [xi >= -0.5 for xi in x] + [xi <= 0.5 for xi in x]

for constraint in constraints:
    mdl.add_constraint(constraint)

# 定义优化函数 
obj = mdl.sum(x)  

# 最大化/最小化 目标函数，并求解  
mdl.maximize(obj) 
solution = mdl.solve()

# 获取求解数据
print("x = {0}".format([xi.solution_value for xi in x]))
print("obj result: ", obj.solution_value)