docplex和numpy混合使用解决优化问题

使用背景

通过 numpy 定义存储自变量系数，或者参与自变量的四则运算；
通过 docplex 定义决策变量(自变量) ，添加约束，求解函数

使用方式：

# 导入库 
import numpy as np
from docplex.mp.model import Model

# 定义优化模型 
mdl = Model(name='example_dot')

# 定义系数数组、定义决策变量 
x = np.array([1, 2, 3])
y = mdl.continuous_var_list(3, lb=-1.0, ub=1.0, name='y')

# 定义约束条件 
cst = [y[i] >= 0 for i in range(3)] + [mdl.sum(y) <=4] + [mdl.sum([y[i] for i in range(1,3)]) == 2]
for c in cst: 
    mdl.add_constraint(c) 

# 定义优化函数 
dot_product = np.dot(x, y)

# 最大化优化函数，并求解  
mdl.maximize(dot_product)
solution = mdl.solve()

# 输出决策变量的结果 
if solution: # 使用 if 判断是否有结果
    print("y = {0}".format([y[i].solution_value for i in range(3)]))
    print("点积 = {0}".format(dot_product.solution_value))
else: 
    print("无解")

注意：

# 定义约束条件 
cst = [y[i] >= 0 for i in range(3)] + [mdl.sum(y) <=4] + + [mdl.sum([y[i] for i in range(1,3)]) == 2]

[y[i] >= 0 for i in range(3)]

1. 在定义约束条件的时候，这里是用列表的形式存储约束条件的。
2. 决策变量是通过 mdl.continuous_var_list() 定义的，因此要遍历每一个变量，然后对其施加约束。

[mdl.sum(y) <=4]

1. 这是针对所有的决策变量定义的约束条件，让它们的和小于某个数值。

[mdl.sum([y[i] for i in range(1,3)]) == 2]

1. 针对 y1 和 y2 单独添加约束

cst 的输出形式如下图；其中 GE是 大于等于的约束；LE 是 小于等于的约束；EQ是 等于约束条件。

整个程序的运行结果：