python求解运输问题_【数学建模】线性规划各种问题的Python调包方法

关键词：Python、调包、线性规划、指派问题、运输问题、pulp、混合整数线性规划(MILP)

注：此文章是线性规划的调包实现，具体步骤原理请搜索具体解法。

本文章的各个问题可能会采用多种调用方法，为什么？因为这些包各有特点，有些语法特别像matlab，只要稍稍改变即可达成代码交换；而有些包利用了python本身的特性，在灵活度与代码的可读性上更高。我认为这些包各有优劣，各位各持所需吧。

看了本文章能做到什么？你可以在本文章内学到线性规划的几个问题的求解方式，并学会如何用pulp包解决线性规划问题。无论是整数规划(Integer Program)、01规划(Binary Program)还是混合整数线性规划(MILP)，你都可以得到很好的解题方法。

一、线性规划

该问题引用自《数学建模算法与应用-司守奎》第一章线性规划 3.线性规划

包的具体使用可参考scipy官网

求解最普通的线性规划问题：

scipy调包代码

import numpy as np

z = np.array([2, 3, 1])

a = np.array([[1, 4, 2], [3, 2, 0]])

b = np.array([8, 6])

x1_bound = x2_bound = x3_bound =(0, None)

from scipy import optimize

res = optimize.linprog(z, A_ub=-a, b_ub=-b,bounds=(x1_bound, x2_bound, x3_bound))

print(res)

#output:

# fun: 7.0

# message: 'Optimization terminated successfully.'

# nit: 2

# slack: array([0., 0.])

# status: 0

# success: True

# x: array([0.8, 1.8, 0. ])

注意，此函数和matlab的linprog有很多相似之处。

首先默认就是求解最小值，如果想要求最大值，需要对目标函数的各参数取反(既对z取反)，并在得出的结果(func)前取反。

并且所有约束条件都为≤，因此例子中传入参数是前面都加了负号。

bound为边界的二元元组，None时为无边界。

如果存在类似

这种情况，可以：

A_eq = [[1,2,4]]

b_eq = [101]

并在linprog中传入。

得出的结果为scipy.optimize.optimize.OptimizeResult(优化结果)类型，是类似字典的结构，例如想要优化结果代入目标函数的值，可以res.fun或res['fun']这样取值。

pulp调包代码

import pulp

#目标函数的系数

z = [2, 3, 1]

#约束

a = [[1, 4, 2], [3, 2, 0]]

b = [8, 6]

#确定最大化最小化问题，最大化只要把Min改成Max即可

m = pulp.LpProblem(sense=pulp.LpMinimize)

#定义三个变量放到列表中

x = [pulp.LpVariable(f'x{i}', lowBound=0) for i in [1,2,3]]

#定义目标函数，lpDot可以将两个列表的对应位相乘再加和

#相当于z[0]*x[0]+z[1]*x[0]+z[2]*x[2]

m += p