Python线性规划实例，用PuLP 库求解线性规划的建模与编程

什么是线性规划

线性规划（Linear programming），在线性等式或不等式约束条件下求解线性目标函数的极值问题，常用于解决资源分配、生产调度和混合问题。

线性规划问题的建模和求解，通常按照以下步骤进行：

1. 问题定义，确定决策变量、目标函数和约束条件；
2. 模型构建，由问题描述建立数学方程，并转化为标准形式的数学模型；
3. 模型求解，用标准模型的优化算法对模型求解，得到优化结果；

PuLP 库求解线性规划 

PuLP是一个开源的第三方工具包，可以求解线性规划、整数规划、混合整数规划问题。下面以该题为例讲解 PuLP 求解线性规划问题的步骤：

1. 导入 PuLP库函数 
2. 定义一个规划问题
3. 定义决策变量
4. 添加约束条件
5. 求解

实例

某厂生产甲乙两种饮料，每百箱甲饮料需用原料6千克、工人10名，获利10万元；每百箱乙饮料需用原料5千克、工人20名，获利9万元。

今工厂共有原料60千克、工人150名，又由于其他条件所限甲饮料产量不超过8百箱。

1. 问如何安排生产计划，即两种饮料各生产多少使获利最大？
2. 若投资0.8万元可增加原料1千克，是否应作这项投资？投资多少合理？
3. 若每百箱甲饮料获利可增加1万元，是否应否改变生产计划？
4. 若每百箱甲饮料获利可增加1万元，若投资0.8万元可增加原料1千克，是否应作这项投资？投资多少合理？
5. 若不允许散箱（按整百箱生产），如何安排生产计划，即两种饮料各生产多少使获利最大？ 

 问题1建模：
　　决策变量：
　　　　x1：甲饮料产量（单位：百箱）
　　　　x2：乙饮料产量（单位：百箱）
　　目标函数：
　　　　max fx = 10*x1 + 9*x2
　　约束条件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范围：
　　　　给定条件：x1, x2 >= 0，x1 <= 8
　　　　推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5
　　　　因此，0 <= x1<=8，0 <= x2<=7.5

ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize)    # 定义问题 1，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定义 x2
ProbLP1 += (10*x1 + 9*x2)  # 设置目标函数 f(x)
ProbLP1 += (6*x1 + 5*x2 <= 60)  # 不等式约束
ProbLP1 += (10*x1 + 20*x2 <= 150)  # 不等式约束
ProbLP1.solve()
print(ProbLP1.name)  # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP1.status])  # 输出求解状态
for v in ProbLP1.variables():
    print(v.name, "=", v.varValue)  # 输出每个变量的最优值
print("F1(x)=", pulp.value(ProbLP1.objective))  # 输出最优解的目标函数值

 问题2建模：
　　决策变量：
　　　　x1：甲饮料产量（单位：百箱）
　　　　x2：乙饮料产量（单位：百箱）
　　　　x3：增加投资（单位：万元）
　　目标函数：
　　　　max fx = 10*x1 + 9*x2 - x3
　　约束条件：
　　　　6*x1 + 5*x2 <= 60 + x3/0.8
　　　　10*x1 + 20*x2 <= 150
　　取值范围：
　　　　给定条件：x1, x2 >= 0，x1 <= 8
　　　　推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5
　　　　因此，0 <= x1<=8，0 <= x2<=7.5

ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize)    # 定义问题 2，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous')  # 定义 x3
ProbLP2 += (10*x1 + 9*x2 - x3)  # 设置目标函数 f(x)
ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60)  # 不等式约束
ProbLP2 += (10*x1 + 20*x2 <= 150)  # 不等式约束
ProbLP2.solve()
print(ProbLP2.name)  # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP2.status])  # 输出求解状态
for v in ProbLP2.variables():
    print(v.name, "=", v.varValue)  # 输出每个变量的最优值
print("F2(x)=", pulp.value(ProbLP2.objective))  # 输出最优解的目标函数值

 问题3建模：
　　决策变量：
　　　　x1：甲饮料产量（单位：百箱）
　　　　x2：乙饮料产量（单位：百箱）
　　目标函数：
　　　　max fx = 11*x1 + 9*x2
　　约束条件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范围：
　　　　给定条件：x1, x2 >= 0，x1 <= 8
　　　　推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5
　　　　因此，0 <= x1<=8，0 <= x2<=7.5

ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize)  # 定义问题 3，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定义 x2
ProbLP3 += (11 * x1 + 9 * x2)  # 设置目标函数 f(x)
ProbLP3 += (6 * x1 + 5 * x2 <= 60)  # 不等式约束
ProbLP3 += (10 * x1 + 20 * x2 <= 150)  # 不等式约束
ProbLP3.solve()
print(ProbLP3.name)  # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP3.status])  # 输出求解状态
for v in ProbLP3.variables():
    print(v.name, "=", v.varValue)  # 输出每个变量的最优值
print("F3(x) =", pulp.value(ProbLP3.objective))  # 输出最优解的目标函数值

 问题4建模：
　　决策变量：
　　　　x1：甲饮料产量（单位：百箱）
　　　　x2：乙饮料产量（单位：百箱）
　　　　x3：增加投资（单位：万元）
　　目标函数：
　　　　max fx = 11*x1 + 9*x2 - x3
　　约束条件：
　　　　6*x1 + 5*x2 <= 60 + x3/0.8
　　　　10*x1 + 20*x2 <= 150
　　取值范围：
　　　　给定条件：x1, x2 >= 0，x1 <= 8
　　　　推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5
　　　　因此，0 <= x1<=8，0 <= x2<=7.5

ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize)  # 定义问题 2，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous')  # 定义 x3
ProbLP4 += (11 * x1 + 9 * x2 - x3)  # 设置目标函数 f(x)
ProbLP4 += (6 * x1 + 5 * x2 - 1.25 * x3 <= 60)  # 不等式约束
ProbLP4 += (10 * x1 + 20 * x2 <= 150)  # 不等式约束
ProbLP4.solve()
print(ProbLP4.name)  # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP4.status])  # 输出求解状态
for v in ProbLP4.variables():
    print(v.name, "=", v.varValue)  # 输出每个变量的最优值
print("F4(x) = ", pulp.value(ProbLP4.objective))  # 输出最优解的目标函数值

 问题5建模：
　　决策变量：
　　　　x1：甲饮料产量，正整数（单位：百箱）
　　　　x2：乙饮料产量，正整数（单位：百箱）
　　目标函数：
　　　　max fx = 10*x1 + 9*x2
　　约束条件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范围：
　　　　给定条件：x1, x2 >= 0，x1 <= 8，x1, x2 为整数
　　　　推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5
　　　　因此，0 <= x1<=8，0 <= x2<=7

说明：本题中要求饮料车辆为整百箱，即决策变量 x1,x2 为整数，因此是整数规划问题。

ProbLP5 = pulp.LpProblem("ProbLP5", sense=pulp.LpMaximize)  # 定义问题 1，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer')  # 定义 x1，变量类型：整数
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer')  # 定义 x2，变量类型：整数
ProbLP5 += (10 * x1 + 9 * x2)  # 设置目标函数 f(x)
ProbLP5 += (6 * x1 + 5 * x2 <= 60)  # 不等式约束
ProbLP5 += (10 * x1 + 20 * x2 <= 150)  # 不等式约束
ProbLP5.solve()
print(ProbLP5.name)  # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP5.status])  # 输出求解状态
for v in ProbLP5.variables():
    print(v.name, "=", v.varValue)  # 输出每个变量的最优值
print("F5(x) =", pulp.value(ProbLP5.objective))  # 输出最优解的目标函数值