【BI学习作业20-常见的规划问题1】

---

1.思考题

1.1常见的规划问题都包括哪些？

要求：

简要说明常见的规划问题

规划问题：

1.LP：Linear Programming 线性规划

研究线性约束条件下线性目标函数的极值问题

2.ILP：Integer Linear Programming 整数线性规划

全部决策变量必须为整数

3.MIP：Mixed Integer Programming 混合整数规划

混合整数规划是LP的一种，其中部分的决策变量是整数（不要求全部都是整数）

4.VRP：Vehicle Routing Problem 车辆路径问题

1.2常用的规划工具包都有哪些？

要求：

简要说明常用的规划工具包有哪些

规划工具：

• pulp

只用于线性模型，包括如整数规划、01规划，还是混合整数线性规划 MILP

• ortools

1.Google开发，用于优化的开源软件
2.可以解决车辆路径、流程、整数和线性规划等问题
3.提供了C++,Python,Java,.NET接口

1.3TSP与VRP问题的关系是怎样的？

简要说明TSP, VRP的关系

TSP问题即旅行商问题，经典的TSP可以描述为：一个商品推销员要去若干个城市推销商品，该推销员从一个城市出发，需要经过所有城市后，回到出发地。应如何选择行进路线，以使总的行程最短。从图论的角度来看，该问题实质是在一个带权完全无向图中，找一个权值最小的哈密尔顿回路。

车辆路径规划问题(Vehicle Routing Problem，VRP)一般指的是：对一系列发货点和收货点，组织调用一定的车辆，安排适当的行车路线，使车辆有序地通过它们，在满足指定的约束条件下（例如：货物的需求量与发货量，交发货时间，车辆容量限制，行驶里程限制，行驶时间限制等），力争实现一定的目标（如车辆空驶总里程最短，运输总费用最低，车辆按一定时间到达，使用的车辆数最小等）。

由此定义不难看出，旅行商问题（Traveling Saleman Problem,TSP）是VRP的特例。

2.编程题

2.1农田承包收益最大化问题

一个农民承包了6块耕地共300亩，准备播种小麦，玉米，水果和蔬菜四种农产品，各种农产品的计划播种面积、每块土地种植不同农产品的单产收益如下：

目标：

求解最高的收益值，以及不同农产品在不同地块上的种植安排可以采用任何优化工具，比如scipy, pulp, ortools

任务：

1.使用任何优化工具完成代码
2.结果正确

import pulp
from pulp import *


items = ['wheat', 'corn', 'fruit', 'vegetables']

income = {'wheat': 76, 
         'corn': 88, 
         'fruit': 96, 
         'vegetables': 40}


land1 = {'wheat': 500, 
         'corn': 800, 
         'fruit': 1000, 
         'vegetables': 1200}

land2 = {'wheat': 550, 
         'corn': 700, 
         'fruit': 960, 
         'vegetables': 1040}

land3 = {'wheat': 630, 
         'corn': 600, 
         'fruit': 840, 
         'vegetables': 980}

land4 = {'wheat': 1000, 
         'corn': 950, 
         'fruit': 650, 
         'vegetables': 860}

land5 = {'wheat': 800, 
         'corn': 900, 
         'fruit': 600, 
         'vegetables': 880}

land6 = {'wheat': 700, 
         'corn': 930, 
         'fruit': 700, 
         'vegetables': 780}


#创建问题实例，求最大极值
prob = LpProblem("The CatFood Problem", LpMaximize)

#构建Lp变量字典，变量名以item开头，如item_chicken，下界是0
item_vars = LpVariable.dicts("item", items, lowBound=0, upBound=300)
print(item_vars)

#添加目标方程
prob += lpSum([income[i]*item_vars[i] for i in items])

#添加约束条件
prob += lpSum([item_vars[i] for i in items]) == 300
prob += lpSum([land1[i] * item_vars[i] for i in items]) <= 42
prob += lpSum([land2[i] * item_vars[i] for i in items]) <= 56
prob += lpSum([land3[i] * item_vars[i] for i in items]) <= 44
prob += lpSum([land4[i] * item_vars[i] for i in items]) <= 39
prob += lpSum([land5[i] * item_vars[i] for i in items]) <= 60
prob += lpSum([land6[i] * item_vars[i] for i in items]) <= 59

#求解
prob.solve()
print("Status:", LpStatus[prob.status])
# 查看解
for i in items:
  print('{} = {}'.format(item_vars[i],item_vars[i].value()))

结果：

{'wheat': item_wheat, 'corn': item_corn, 'fruit': item_fruit, 'vegetables': item_vegetables}
Status: Infeasible
item_wheat = 0.0
item_corn = 0.0
item_fruit = 0.1
item_vegetables = 0.0