运筹学基础-目标规划（多目标优化）实现

【写在前面】本篇文章主要英语运筹学基础教学，主要实现目标是“能算”，一些更深层次的问题不作讨论（遇到再说）

搞目标规划之前应该了解线性规划，线性规划这里就不再赘述了

用optimize 和 numpy 模块就可以实现（这里只考虑简单的求解问题）

随便举个例子就过了，线性规划三要素 目标 约束 和变量

变量为正即可[0,np.inf]

目标函数的系数用c来表示，默认求min，加负号求max

A是约束条件系数

b是约束条件限值

ub表示不等式约束 默认小于等于，大于等于两边加负号

eq表示等式约束

from scipy import optimize as op
import numpy as np

c = np.array([-2, -3, 5])
A_ub = np.array([[-2, 5, -1], [1, 3, 1]])
b_ub = np.array([-10, 12])
A_eq = np.array([[1, 1, 1]])
b_eq = np.array([7])
x1 = [0, np.inf]
x2 = [0, np.inf]
x3 = [0, np.inf]
res = op.linprog(c, A_ub, b_ub, A_eq, b_eq, bounds=(x1, x2, x3)) # bounds为每个为每个未知量的范围
print(res)

下面讲目标规划，也有叫多目标优化的

解决问题一般也是带线性约束条件的优化问题

线性规划的约束比较硬，我们就叫他 “硬约束”

比如：

【苹果不能少于5个 鸭梨不能少于3个 总共水果必须是10个】

巴拉巴拉这样的约束，听起来就很生硬，提出这样要求的小朋友在幼儿园可能不太讨喜

换个方式，软一点，要求放松一点应该会好些

 【苹果争取多于5个 鸭梨争取多于3个 总共水果最好是10个】

看这样的语气就卑微了一些，也让人舒服了一点

当然，放松要求不是降低要求，小朋友应该有自己的大局观

放松要求的目的是保证自己的关键利益

可能小朋友爱吃苹果，那苹果就的约束就是最优先

可能小朋友对吃水果的数量有要求，那总数的约束就作为最优先

目标规划可以把这个问题根据自己制定的优先等级，得到一个具有大局观的最优解。

目标规划 的关键词 包括 【硬约束】【软约束】【偏差变量】【优先级】【权因子】【达成函数】，大家可以自行了解

最终的标准形式就是

 可以用序贯法求解目标规划

序贯法求解的主要思路就是，把问题按层级进行计算，由高到低，算第一层就只关注第一层的偏差变量

比如说这样一个表达式

第一层级的问题就是

min d1-

与它有关的约束就是

 那么第一层的子问题数学模型就是

 min d1-

下面用Python的linprog()计算第一层级

出现了问题 结果和书上的不太一样 lingo计算的不对

python更不对 出现了很多虚数

python没太搞懂先用lingo实现一下

可以一开始就把所有约束列出来，反正无关的算了也没关系

只是改变目标函数即可

min d1_
s.t.
	2x1+2x2<=12
	200x1+300x2+d1_-d1=1500
	2x1-x2+d2_-d2=0
	4x1+d3_-d3=16
	5x2+d4_-d4=15

代码中用d1_来表示d1- ;d1来表示d1

第一层优化结果为

d1_=0;

直接带进去计算下一层级

算完了发现可以直接把之前的目标函数注释掉，再把结果放进去即可

!min d1_!第一层目标函数
!min d2+d2_！第二层目标函数
min 3d3+3d3_+d4！第三层目标函数
s.t.
	2x1+2x2<=12
	200x1+300x2+d1_-d1=1500
	2x1-x2+d2_-d2=0
	4x1+d3_-d3=16
	5x2+d4_-d4=15
	d1_=0 !第一层目标优化结果
	d2_=0 !第二层
	d2=0  !第二层

最中结果为

  Global optimal solution found.
  Objective value:                              29.00000
  Infeasibilities:                              0.000000
  Total solver iterations:                             0


                       Variable           Value        Reduced Cost
                             D3        0.000000            6.000000
                            D3_        8.000000            0.000000
                             D4        5.000000            0.000000
                             X1        2.000000            0.000000
                             X2        4.000000            0.000000
                            D1_        0.000000            0.000000
                             D1        100.0000            0.000000
                            D2_        0.000000            0.000000
                             D2        0.000000            0.000000
                            D4_        0.000000            1.000000

可以解得 x1=2 ;x2=4为最优解

对于第一层目标d1_为0，为最小值满足第一层目标

对于第二层目标d2_+d2为0，也为最小值，满足第二次目标

对于第三次目标

3d3+3d3_+d4 结果为29 ，已经为最大化程度满足。

lingo还是简单，用起来很爽，这里给一个lingo操作教程，供大家一起学习（我也没看完，收藏了就算看了-_-）

https://zhuanlan.zhihu.com/p/231026008

虽然用lingo实现了，但是和我想的还不太一样，如果能用python实现的话，还可以设计一个计算UI供学生实现，还是强调一个目的：“能算”，让学生能在一节课时间内掌握最初级的运筹能力。

加油！！！