Python进行线性规划求解

已于 2022-06-11 21:33:22 修改
阅读量678 收藏 5
点赞数 1
分类专栏： 数据处理 机器学习算法 文章标签： python 线性代数
于 2022-06-11 21:31:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42029738/article/details/125239091
版权

光明市的菜篮子工程

光明市是一个人口不到20万人的小城市。根据该市的蔬菜种植情况，分别在花市（A）、城乡路（B）和下塘街（C） 设三个蔬菜收购点。清晨5点前菜农将 蔬菜送至各收购点，再由各收购点分送 到全市8个菜市场。该市道路情况、各路段距离（单位：100 m）及各收购点和菜市场①，…，⑧的具体位置见图C-6。 按常年数据，A、B、C三个收购点每天收购量分别为200、170和160（单位：100 kg）。各菜市场的每天需求量及发生供应短缺时及带来的损失（元/100 kg）参见 表C-13。设从收购点至各菜市场蔬菜 调运费为1元/（100 kg • 100 m）。

在这里插入图片描述

表C-13

菜市场需求/100kg短缺损失/(元/100kg)
①7510
②608
③355
④7010
⑤10010
⑥408
⑦905
⑧808

要求：

(1) 为该市设计一个从各收购点至各菜市场的定点供应方案，使用于蔬菜调运加上预期短缺损失总和为最小。

(2) 若规定各菜市场短缺量一律不得超过需求量的20%，请重新设计定点供应方案。

(3) 为满足城市居民的蔬菜供应，光明市规划增加蔬菜种植面积。试问：增产的蔬菜每天应分别向A、B、C三个收购点各供应多少最经济合理？

`

第一问

from pulp import *

import pulp as p
import numpy as np
 

prob = LpProblem('目标函数和约束', sense=LpMinimize)


#初始化变量， lowBound最小值   upBound 最大值  变量类型，可以为LpInteger\LpBinary\LpContinuous三者之一（整型、二进制或连续）
# a1,a2...a8 代表 A收购点对8个菜市场分配的蔬菜量， b1...b8 ， c1....c8代表 B，C 收购点对8个菜市场分配的蔬菜量
a1 = LpVariable('a1', lowBound=0, upBound=75, cat='Continuous')
a2 = LpVariable('a2', lowBound=0, upBound=60, cat='Continuous')
a3 = LpVariable('a3', lowBound=0, upBound=35, cat='Continuous')
a4 = LpVariable('a4', lowBound=0, upBound=70, cat='Continuous')
a5 = LpVariable('a5', lowBound=0, upBound=100, cat='Continuous')
a6 = LpVariable('a6', lowBound=0, upBound=40, cat='Continuous')
a7 = LpVariable('a7', lowBound=0, upBound=90, cat='Continuous')
a8 = LpVariable('a8', lowBound=0, upBound=80, cat='Continuous')

b1 = LpVariable('b1', lowBound=0, upBound=75,  cat='Continuous')
b2 = LpVariable('b2', lowBound=0, upBound=60,  cat='Continuous')
b3 = LpVariable('b3', lowBound=0, upBound=35,  cat='Continuous')
b4 = LpVariable('b4', lowBound=0, upBound=70,  cat='Continuous')
b5 = LpVariable('b5', lowBound=0, upBound=100, cat='Continuous')
b6 = LpVariable('b6', lowBound=0, upBound=40,  cat='Continuous')
b7 = LpVariable('b7', lowBound=0, upBound=90,  cat='Continuous')
b8 = LpVariable('b8', lowBound=0, upBound=80,  cat='Continuous')

c1 = LpVariable('c1', lowBound=0, upBound=75,  cat='Continuous')
c2 = LpVariable('c2', lowBound=0, upBound=60,  cat='Continuous')
c3 = LpVariable('c3', lowBound=0, upBound=35,  cat='Continuous')
c4 = LpVariable('c4', lowBound=0, upBound=70,  cat='Continuous')
c5 = LpVariable('c5', lowBound=0, upBound=100, cat='Continuous')
c6 = LpVariable('c6', lowBound=0, upBound=40,  cat='Continuous')
c7 = LpVariable('c7', lowBound=0, upBound=90,  cat='Continuous')
c8 = LpVariable('c8', lowBound=0, upBound=80,  cat='Continuous')


# A = np.array([a1,a2,a3,a4,a5,a6,a7,a8])
# A站点送到八个菜市场的最小运费
# COSTA =np.array([34,8,8,19,11,6,22,20])

# print(A*COSTA)

# B = np.array([b1,b2,b3,b4,b5,b6,b7,b8])
# B站点送到八个菜市场的最小运费
# COSTB =np.array([14,7,7,16,12,16,23,17])
# print(B*COSTB)

# C = np.array([c1,c2,c3,c4,c5,c6,c7,c8])
# C站点送到八个菜市场的最小运费
# COSTC =np.array([20,19,11,14,6,15,5,10])
# print(C*COSTC)



# 设置目标函数

#蔬菜调运加上预期短缺损失总和为最小

prob += 34*a1 + 14*b1 + 20*c1 +  8*a2 + 7*b2 + 19*c2 +  8*a3 + 7*b3 + 11*c3 + \
 19*a4 + 16*b4 + 14*c4 + 11*a5 + 12*b5 + 6*c5 + 6*a6 + 16*b6 + 15*c6 +  22*a7 + 23*b7 + 5*c7 + 20*a8 + 17*b8 + 10*c8 + \
(75-a1-b1-c1)*10 + (60-a2-b2-c2)*8 + (35-a3-b3-c3)*5 + (70-a4-b4-c4)*10 + (100-a5-a5-a5)*10 + (40- a6-b6-c6)*8 + \
(90-a7-b7-c7)*5 + (80-a8-b8-c8)*8



# 约束条件
# 八个菜市场的需求量
prob += a1+b1+c1<= 75
prob += a2+b2+c2<=60
prob += a3+b3+c3<=35
prob += a4+b4+c4<=70
prob += a5+b5+c5<=100
prob += a6+b6+c6<=40
prob += a7+b7+c7<=90
prob += a8+b8+c8<=80

#三个站点总的蔬菜量
prob += a1+ a2 +a3 +a4 +a5 + a6 +a7 + a8 <=200
prob += b1+ b2 +b3 +b4 +b5 + b6 +b7 + b8 <=170
prob += c1+ c2 +c3 +c4 +c5 + c6 +c7 + c8 <=160


print(prob)
status = prob.solve(use_mps=True)
print(f"目标函数的最小值z={value(prob.objective)}，此时目标函数的决策变量为:",
      {v.name: v.varValue for v in prob.variables()})

`

输出结果：

目标函数和约束:
MINIMIZE
24*a1 + 0*a2 + 3*a3 + 9*a4 + -19*a5 + -2*a6 + 17*a7 + 12*a8 + 4*b1 + -1*b2 + 2*b3 + 6*b4 + 12*b5 + 8*b6 + 18*b7 + 9*b8 + 10*c1 + 11*c2 + 6*c3 + 4*c4 + 6*c5 + 7*c6 + 0*c7 + 2*c8 + 4515
SUBJECT TO
_C1: a1 + b1 + c1 <= 75

_C2: a2 + b2 + c2 <= 60

_C3: a3 + b3 + c3 <= 35

_C4: a4 + b4 + c4 <= 70

_C5: a5 + b5 + c5 <= 100

_C6: a6 + b6 + c6 <= 40

_C7: a7 + b7 + c7 <= 90

_C8: a8 + b8 + c8 <= 80

_C9: a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8 <= 200

_C10: b1 + b2 + b3 + b4 + b5 + b6 + b7 + b8 <= 170

_C11: c1 + c2 + c3 + c4 + c5 + c6 + c7 + c8 <= 160

VARIABLES
a1 <= 75 Continuous
a2 <= 60 Continuous
a3 <= 35 Continuous
a4 <= 70 Continuous
a5 <= 100 Continuous
a6 <= 40 Continuous
a7 <= 90 Continuous
a8 <= 80 Continuous
b1 <= 75 Continuous
b2 <= 60 Continuous
b3 <= 35 Continuous
b4 <= 70 Continuous
b5 <= 100 Continuous
b6 <= 40 Continuous
b7 <= 90 Continuous
b8 <= 80 Continuous
c1 <= 75 Continuous
c2 <= 60 Continuous
c3 <= 35 Continuous
c4 <= 70 Continuous
c5 <= 100 Continuous
c6 <= 40 Continuous
c7 <= 90 Continuous
c8 <= 80 Continuous

目标函数的最小值z=2475.0，此时目标函数的决策变量为: {'a1': 0.0, 'a2': 0.0, 'a3': 0.0, 'a4': 0.0, 'a5': 100.0, 'a6': 40.0, 'a7': 0.0, 'a8': 0.0, 'b1': 0.0, 'b2': 60.0, 'b3': 0.0, 'b4': 0.0, 'b5': 0.0, 'b6': 0.0, 'b7': 0.0, 'b8': 0.0, 'c1': 0.0, 'c2': 0.0, 'c3': 0.0, 'c4': 0.0, 'c5': 0.0, 'c6': 0.0, 'c7': 0.0, 'c8': 0.0}

第二问

from pulp import *

import pulp as p
import numpy as np
 

prob = LpProblem('目标函数和约束', sense=LpMinimize)


#初始化变量， lowBound最小值   upBound 最大值  变量类型，可以为LpInteger\LpBinary\LpContinuous三者之一（整型、二进制或连续）
# a1,a2...a8 代表 A收购点对8个菜市场分配的蔬菜量， b1...b8 ， c1....c8代表 B，C 收购点对8个菜市场分配的蔬菜量
a1 = LpVariable('a1', lowBound=0, upBound=75, cat='Continuous')
a2 = LpVariable('a2', lowBound=0, upBound=60, cat='Continuous')
a3 = LpVariable('a3', lowBound=0, upBound=35, cat='Continuous')
a4 = LpVariable('a4', lowBound=0, upBound=70, cat='Continuous')
a5 = LpVariable('a5', lowBound=0, upBound=100, cat='Continuous')
a6 = LpVariable('a6', lowBound=0, upBound=40, cat='Continuous')
a7 = LpVariable('a7', lowBound=0, upBound=90, cat='Continuous')
a8 = LpVariable('a8', lowBound=0, upBound=80, cat='Continuous')

b1 = LpVariable('b1', lowBound=0, upBound=75,  cat='Continuous')
b2 = LpVariable('b2', lowBound=0, upBound=60,  cat='Continuous')
b3 = LpVariable('b3', lowBound=0, upBound=35,  cat='Continuous')
b4 = LpVariable('b4', lowBound=0, upBound=70,  cat='Continuous')
b5 = LpVariable('b5', lowBound=0, upBound=100, cat='Continuous')
b6 = LpVariable('b6', lowBound=0, upBound=40,  cat='Continuous')
b7 = LpVariable('b7', lowBound=0, upBound=90,  cat='Continuous')
b8 = LpVariable('b8', lowBound=0, upBound=80,  cat='Continuous')

c1 = LpVariable('c1', lowBound=0, upBound=75,  cat='Continuous')
c2 = LpVariable('c2', lowBound=0, upBound=60,  cat='Continuous')
c3 = LpVariable('c3', lowBound=0, upBound=35,  cat='Continuous')
c4 = LpVariable('c4', lowBound=0, upBound=70,  cat='Continuous')
c5 = LpVariable('c5', lowBound=0, upBound=100, cat='Continuous')
c6 = LpVariable('c6', lowBound=0, upBound=40,  cat='Continuous')
c7 = LpVariable('c7', lowBound=0, upBound=90,  cat='Continuous')
c8 = LpVariable('c8', lowBound=0, upBound=80,  cat='Continuous')

# 规定各菜市场短缺量一律不得超过需求量的20%
short = LpVariable('short', lowBound=0.2, upBound=0.2,  cat='Continuous')

# 设置目标函数

#蔬菜调运加上预期短缺损失总和为最小

prob += 34*a1 + 14*b1 + 20*c1 +  8*a2 + 7*b2 + 19*c2 +  8*a3 + 7*b3 + 11*c3 + \
 19*a4 + 16*b4 + 14*c4 + 11*a5 + 12*b5 + 6*c5 + 6*a6 + 16*b6 + 15*c6 +  22*a7 + 23*b7 + 5*c7 + 20*a8 + 17*b8 + 10*c8 + \
(75-a1-b1-c1)*10 + (60-a2-b2-c2)*8 + (35-a3-b3-c3)*5 + (70-a4-b4-c4)*10 + (100-a5-a5-a5)*10 + (40- a6-b6-c6)*8 + \
(90-a7-b7-c7)*5 + (80-a8-b8-c8)*8



# 约束条件
# 八个菜市场的需求量
prob += a1+b1+c1<= 75
prob += a2+b2+c2<=60
prob += a3+b3+c3<=35
prob += a4+b4+c4<=70
prob += a5+b5+c5<=100
prob += a6+b6+c6<=40
prob += a7+b7+c7<=90
prob += a8+b8+c8<=80

#三个站点总的蔬菜量
prob += a1+ a2 +a3 +a4 +a5 + a6 +a7 + a8 <=200
prob += b1+ b2 +b3 +b4 +b5 + b6 +b7 + b8 <=170
prob += c1+ c2 +c3 +c4 +c5 + c6 +c7 + c8 <=160

# (2)若规定各菜市场短缺量一律不得超过需求量的20%
prob += (75-a1-b1-c1<= 75*short)
prob += (60-a2-b2-c2<= 60*short)
prob += (35-a3-b3-c3<= 35*short)
prob += (70-a4-b4-c4<= 70*short)
prob += (100-a5-b5-c5<= 100*short)
prob += (40-a6-b6-c6<= 40*short)
prob += (90-a7-b7-c7<= 90*short)
prob += (80-a8-b8-c7<= 80*short)


print(prob)
status = prob.solve(use_mps=True)
print(f"目标函数的最小值z={value(prob.objective)}，此时目标函数的决策变量为:",
      {v.name: v.varValue for v in prob.variables()})

print(short)

输出结果

目标函数和约束:
MINIMIZE
24*a1 + 0*a2 + 3*a3 + 9*a4 + -19*a5 + -2*a6 + 17*a7 + 12*a8 + 4*b1 + -1*b2 + 2*b3 + 6*b4 + 12*b5 + 8*b6 + 18*b7 + 9*b8 + 10*c1 + 11*c2 + 6*c3 + 4*c4 + 6*c5 + 7*c6 + 0*c7 + 2*c8 + 4515
SUBJECT TO
_C1: a1 + b1 + c1 <= 75

_C2: a2 + b2 + c2 <= 60

_C3: a3 + b3 + c3 <= 35

_C4: a4 + b4 + c4 <= 70

_C5: a5 + b5 + c5 <= 100

_C6: a6 + b6 + c6 <= 40

_C7: a7 + b7 + c7 <= 90

_C8: a8 + b8 + c8 <= 80

_C9: a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8 <= 200

_C10: b1 + b2 + b3 + b4 + b5 + b6 + b7 + b8 <= 170

_C11: c1 + c2 + c3 + c4 + c5 + c6 + c7 + c8 <= 160

_C12: - a1 - b1 - c1 - 75 short <= -75

_C13: - a2 - b2 - c2 - 60 short <= -60

_C14: - a3 - b3 - c3 - 35 short <= -35

_C15: - a4 - b4 - c4 - 70 short <= -70

_C16: - a5 - b5 - c5 - 100 short <= -100

_C17: - a6 - b6 - c6 - 40 short <= -40

_C18: - a7 - b7 - c7 - 90 short <= -90

_C19: - a8 - b8 - c7 - 80 short <= -80

VARIABLES
a1 <= 75 Continuous
a2 <= 60 Continuous
a3 <= 35 Continuous
a4 <= 70 Continuous
a5 <= 100 Continuous
a6 <= 40 Continuous
a7 <= 90 Continuous
a8 <= 80 Continuous
b1 <= 75 Continuous
b2 <= 60 Continuous
b3 <= 35 Continuous
b4 <= 70 Continuous
b5 <= 100 Continuous
b6 <= 40 Continuous
b7 <= 90 Continuous
b8 <= 80 Continuous
c1 <= 75 Continuous
c2 <= 60 Continuous
c3 <= 35 Continuous
c4 <= 70 Continuous
c5 <= 100 Continuous
c6 <= 40 Continuous
c7 <= 90 Continuous
c8 <= 80 Continuous
short = 0.2 Continuous

目标函数的最小值z=2995.0，此时目标函数的决策变量为: {'a1': 0.0, 'a2': 0.0, 'a3': 0.0, 'a4': 0.0, 'a5': 100.0, 'a6': 40.0, 'a7': 0.0, 'a8': 0.0, 'b1': 60.0, 'b2': 60.0, 'b3': 28.0, 'b4': 0.0, 'b5': 0.0, 'b6': 0.0, 'b7': 0.0, 'b8': 0.0, 'c1': 0.0, 'c2': 0.0, 'c3': 0.0, 'c4': 56.0, 'c5': 0.0, 'c6': 0.0, 'c7': 72.0, 'c8': 0.0, 'short': 0.2}
short

第三问

from pulp import *

import pulp as p
import numpy as np
 

prob = LpProblem('目标函数和约束', sense=LpMinimize)



a1 = LpVariable('a1', lowBound=0, upBound=75, cat='Integer')
a2 = LpVariable('a2', lowBound=0, upBound=60, cat='Integer')
a3 = LpVariable('a3', lowBound=0, upBound=35, cat='Integer')
a4 = LpVariable('a4', lowBound=0, upBound=70, cat='Integer')
a5 = LpVariable('a5', lowBound=0, upBound=100, cat='Integer')
a6 = LpVariable('a6', lowBound=0, upBound=40, cat='Integer')
a7 = LpVariable('a7', lowBound=0, upBound=90, cat='Integer')
a8 = LpVariable('a8', lowBound=0, upBound=80, cat='Integer')

b1 = LpVariable('b1', lowBound=0, upBound=75,  cat='Integer')
b2 = LpVariable('b2', lowBound=0, upBound=60,  cat='Integer')
b3 = LpVariable('b3', lowBound=0, upBound=35,  cat='Integer')
b4 = LpVariable('b4', lowBound=0, upBound=70,  cat='Integer')
b5 = LpVariable('b5', lowBound=0, upBound=100, cat='Integer')
b6 = LpVariable('b6', lowBound=0, upBound=40,  cat='Integer')
b7 = LpVariable('b7', lowBound=0, upBound=90,  cat='Integer')
b8 = LpVariable('b8', lowBound=0, upBound=80,  cat='Integer')

c1 = LpVariable('c1', lowBound=0, upBound=75,  cat='Integer')
c2 = LpVariable('c2', lowBound=0, upBound=60,  cat='Integer')
c3 = LpVariable('c3', lowBound=0, upBound=35,  cat='Integer')
c4 = LpVariable('c4', lowBound=0, upBound=70,  cat='Integer')
c5 = LpVariable('c5', lowBound=0, upBound=100, cat='Integer')
c6 = LpVariable('c6', lowBound=0, upBound=40,  cat='Integer')
c7 = LpVariable('c7', lowBound=0, upBound=90,  cat='Integer')
c8 = LpVariable('c8', lowBound=0, upBound=80,  cat='Integer')


short = LpVariable('short', lowBound=0.2, upBound=0.2,  cat='Continuous')


# A = np.array([a1,a2,a3,a4,a5,a6,a7,a8])
# COSTA =np.array([34,8,8,19,11,6,22,20])

# print(A*COSTA)

# B = np.array([b1,b2,b3,b4,b5,b6,b7,b8])
# COSTB =np.array([14,7,7,16,12,16,23,17])
# print(B*COSTB)

# C = np.array([c1,c2,c3,c4,c5,c6,c7,c8])
# COSTC =np.array([20,19,11,14,6,15,5,10])
# print(C*COSTC)


# print(A*COSTA+B*COSTB+C*COSTC)

# 设置目标函数
#prob += A*COSTA+B*COSTB+C*COSTC

prob += 34*a1 + 14*b1 + 20*c1 +  8*a2 + 7*b2 + 19*c2 +  8*a3 + 7*b3 + 11*c3 + \
 19*a4 + 16*b4 + 14*c4 + 11*a5 + 12*b5 + 6*c5 + 6*a6 + 16*b6 + 15*c6 +  22*a7 + 23*b7 + 5*c7 + 20*a8 + 17*b8 + 10*c8 + \
(75-a1-b1-c1)*10 + (60-a2-b2-c2)*8 + (35-a3-b3-c3)*5 + (70-a4-b4-c4)*10 + (100-a5-a5-a5)*10 + (40- a6-b6-c6)*8 + \
(90-a7-b7-c7)*5 + (80-a8-b8-c8)*8



# 约束条件
prob += a1+b1+c1<= 75
prob += a2+b2+c2<=60
prob += a3+b3+c3<=35
prob += a4+b4+c4<=70
prob += a5+b5+c5<=100
prob += a6+b6+c6<=40
prob += a7+b7+c7<=90
prob += a8+b8+c8<=80

prob += ( (a1+ a2 +a3 +a4 +a5 + a6 +a7 + a8) >= 200)
prob += ( (b1+ b2 +b3 +b4 +b5 + b6 +b7 + b8) >= 170)
prob += ( (c1+ c2 +c3 +c4 +c5 + c6 +c7 + c8) >= 160)


print(prob)

status = prob.solve(use_mps=True)
print(f"目标函数的最小值z={value(prob.objective)}，此时目标函数的决策变量为:",
      {v.name: v.varValue for v in prob.variables()})

print(short)

输出结果


目标函数和约束:
MINIMIZE
24*a1 + 0*a2 + 3*a3 + 9*a4 + -19*a5 + -2*a6 + 17*a7 + 12*a8 + 4*b1 + -1*b2 + 2*b3 + 6*b4 + 12*b5 + 8*b6 + 18*b7 + 9*b8 + 10*c1 + 11*c2 + 6*c3 + 4*c4 + 6*c5 + 7*c6 + 0*c7 + 2*c8 + 4515
SUBJECT TO
_C1: a1 + b1 + c1 <= 75

_C2: a2 + b2 + c2 <= 60

_C3: a3 + b3 + c3 <= 35

_C4: a4 + b4 + c4 <= 70

_C5: a5 + b5 + c5 <= 100

_C6: a6 + b6 + c6 <= 40

_C7: a7 + b7 + c7 <= 90

_C8: a8 + b8 + c8 <= 80

_C9: a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8 >= 200

_C10: b1 + b2 + b3 + b4 + b5 + b6 + b7 + b8 >= 170

_C11: c1 + c2 + c3 + c4 + c5 + c6 + c7 + c8 >= 160

VARIABLES
0 <= a1 <= 75 Integer
0 <= a2 <= 60 Integer
0 <= a3 <= 35 Integer
0 <= a4 <= 70 Integer
0 <= a5 <= 100 Integer
0 <= a6 <= 40 Integer
0 <= a7 <= 90 Integer
0 <= a8 <= 80 Integer
0 <= b1 <= 75 Integer
0 <= b2 <= 60 Integer
0 <= b3 <= 35 Integer
0 <= b4 <= 70 Integer
0 <= b5 <= 100 Integer
0 <= b6 <= 40 Integer
0 <= b7 <= 90 Integer
0 <= b8 <= 80 Integer
0 <= c1 <= 75 Integer
0 <= c2 <= 60 Integer
0 <= c3 <= 35 Integer
0 <= c4 <= 70 Integer
0 <= c5 <= 100 Integer
0 <= c6 <= 40 Integer
0 <= c7 <= 90 Integer
0 <= c8 <= 80 Integer

目标函数的最小值z=3405.0，此时目标函数的决策变量为: {'a1': 0.0, 'a2': 60.0, 'a3': 0.0, 'a4': 0.0, 'a5': 100.0, 'a6': 40.0, 'a7': 0.0, 'a8': 0.0, 'b1': 75.0, 'b2': 0.0, 'b3': 35.0, 'b4': 60.0, 'b5': 0.0, 'b6': 0.0, 'b7': 0.0, 'b8': 0.0, 'c1': 0.0, 'c2': 0.0, 'c3': 0.0, 'c4': 0.0, 'c5': 0.0, 'c6': 0.0, 'c7': 90.0, 'c8': 70.0}

备注：

可以看出，菜市场短缺损失金额较小，导致A,B,C站点运输的蔬菜越多，损失越大，明显与实际情况不符。该题目的参数设置有问题，但是对于解决线性规划问题仍有借鉴意义。

参考：

https://blog.csdn.net/as604049322/article/details/120359951

https://blog.csdn.net/youcans/article/details/116371416

https://blog.csdn.net/liqian_ken/article/details/119605243

九城风雪
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
线性规划(Python各种包实现及Yalmip+Cplex），2024阿里+头条+腾讯等大厂Python笔试题分享
m0_61369817的博客
03-31 608
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
人工智能 — Python求解线性和非线性规划问题
12-21
1、线性规划中的单纯形法、大M法的excel求解、python编程求解和python包求解； 2、非线性规划的拉格朗日乘子法的手工数学推导、python编程和python包求解； 一、线性规划问题求解 1、Excel中大M法与Excel的“规划...
lingo菜篮子作业
12-19
某市是一个人口不到15万的小城市，根据该市的蔬菜种植情况，分别在A、B、C三地设三个收购点，再由收购点分别送到全市8个蔬菜市场。按照常年情况，A、B、C三个收购点每天收购量分别为200、170和160（单位：100kg），各个菜市场每天需求量及发生供应短缺时的损失见表1。从收购点到个菜市场的距离见表2，设从收购点到各菜市场蔬菜调运费用为1元/（100kg•100m）。
Python数学建模系列（一）：规划问题之线性规划
海到无边天作岸 山登绝顶我为峰
08-24 1万+
文章目录前言线性规划样例1：求解下列线性规划问题scipy库求解样例2：求解下列线性规划问题pulp库求解样例3.运输问题说明结语 前言 Hello！小伙伴！ 非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～   自我介绍 ଘ(੭ˊᵕˋ)੭ 昵称：海轰 标签：程序猿｜C++选手｜学生 简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python 学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！ &
数学建模（二）—— 蔬菜供应方案设计
大彤小忆的博客
07-20 8706
题目要求相关的基础知识求解两点间最短路径的方法三级目录相关的基础知识二级目录三级目录 题目要求        江平市是一个人口不到202020万人的小城市。根据该市的蔬菜种植情况，分别在菜市场(A)(A)(A)，城乡路口(B)(B)(B)和南街口(C)(C)(C)设三个收购点，再由各收购点分送到全市的888个菜市场，该市道路情况，各路段距离(单位：100m100m100m)及各收购点，菜市场①①①到⑧⑧⑧的具体位置见图111。按常年情况.
python3实现线性规划求解
on the way . . .
08-16 1681
解决各种优化问题，包括线性规划、混合整数线性规划和二次规划
python两种方法实现线性规划
mydreamy的博客
09-09 1万+
使用scipy.optimize.linprog()和pulp库两种方法实现线性规划
线性规划模型的Python解法
大河之犬的博客
09-08 4475
线性规划（Linear programming,简称LP），是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，是辅助人们进行科学管理的一种数学方法，是研究线性约束条件下线性目标函数的极值问题的数学理论和方法。线性规划是运筹学的一个重要分支，广泛应用于军事作战、经济分析、经营管理和工程技术等方面。线性规划问题的目标函数及约束条件均为线性函数；约束条件记为 s.t.(即 subject to)。目标函数可以是求最大值，也可以是求最小值，约束条件的不等号可以 是小于号也可以是大于号。
线性规划python
abc1234564546的博客
08-10 5900
线性规划python
python对线性规划简单求解
qq_63401240的博客
02-16 885
python解简单的线性规划
拉格朗日法线性规划求解
12-21
目录拉格朗日法线性规划求解1、拉格朗日乘子法2、拉格朗日乘子法例题求解直接计算python中scipy包实现 1、拉格朗日乘子法 拉格朗日乘数法（以数学家约瑟夫·路易斯·拉格朗日命名）是一种寻找变量受一个或多个条件所...
Python二次规划和线性规划使用实例
09-18
主要介绍了Python二次规划和线性规划使用实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Python线性方程组求解运算示例
09-20
在学习和应用Python解决线性方程组的过程中，你可以利用在线工具进行辅助，比如文中提到的在线一元函数（方程）求解计算工具和科学计算器，它们可以帮助你验证计算结果，加深对概念的理解。 总结一下，Python中的`...
Python求解线性规划问题-两阶段法实现的单纯形法
05-09
Python求解线性规划问题_两阶段法实现的单纯形法，包括.py和.ipynb两种格式，用Jupyter Notebook打开.ipynb或者用Python软件打开.py都可成功运行，压缩包中包括测试数据，代码可输出唯一解，无穷多解，无界解，无解...
Python数学建模—线性规划
君莫笑的博客
08-18 1万+
1、线性规划 1.1 线性规划的实例与定义 1.2 使用Python中的scipy库求解列 1 线性规划问题： 输入参数解析： 输出参数解析： 2、运输问题 2.1产销平衡的数学建模过程： 2.2 产销平衡的运输问题 2.3产大于销的运输问题 2.4 产小于销的运输问题 3、指派问题 3.1 指派问题的数学模型 3.2 求解指派问题的匈牙利算法 4、对偶理论与灵敏度分析 4.1 原始问题和对偶问题 4.2 对偶问题的基本性质 4.3 灵敏度分析 4.4 参数线性规划 .
用Python求解线性规划问题
热门推荐
简说Python的博客
03-12 2万+
线性规划简介及数学模型表示线性规划简介一个典型的线性规划问题线性规划模型的三要素线性规划模型的数学表示图解法和单纯形法图解法单纯形法使用python求解...
python运用Cplex和docplex求解简单的线性规划问题
最新发布
weixin_51135809的博客
03-02 543
求解的是一个简单的线性规划问题，现使用Cplex和docplex分别进行求解。不说废话直接上代码，具体的细节放在代码中进行解释。最终求解的结果与Cplex求解相同。
数学模型：Python实现线性规划
zhishichengjin的博客
06-09 2049
使用Python求解数学建模的线性规划
万字教你如何用 Python 实现线性规划
华为云官方博客
12-17 5704
摘要：线性规划是一组数学和计算工具，可让您找到该系统的特定解，该解对应于某些其他线性函数的最大值或最小值。
运输问题菜篮子工程数学建模
06-09
对于菜篮子工程的运输问题，可以采用数学建模的方法进行求解。一般来说，可以将该问题抽象为一个网络流模型，其中菜篮子的生产基地和销售点可以看作网络中的节点，运输线路可以看作网络中的边。 在该模型中，我们需要确定每个节点的产量和需求量，以及每条边的运输容量和运输成本。然后，我们可以使用最小费用最大流算法来求解最优的运输方案。具体来说，该算法可以通过不断调整流量来实现最小化总成本的目标。 除此之外，我们还可以考虑使用其他的优化算法，比如线性规划或者整数规划，来求解该问题。这些算法都可以通过对问题进行适当的转化和约束条件的设置来实现最优解的求解。 总之，针对菜篮子工程的运输问题，数学建模可以为我们提供一种有效的求解思路，同时也可以帮助我们更好地理解和分析该问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

九城风雪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值