数学建模学习（1） 线性规划

使用numpy+scipy编写

经典线性规划

经典线性规划可被描述为下列问题:
$$\begin{gathered} min{c}^{T}x \\ suchthat{A}_{ub}x\le b_{ub} \\ {A}_{eq}x=b_{eq} \\ l\le x\le u \end{gathered}$$

其中x，c，l，u都是n维向量，A是（m，n）矩阵，b是m维向量，这些式子限定了一个经典线性规划的条件

在scipy.optimize.linprog中，其分别对应于以下参数表达：

import numpy as np
from scipy.optimize import linprog
c = np.array([-29.0, -45.0, 0.0, 0.0])
A_ub = np.array([[1.0, -1.0, -3.0, 0.0],
                 [-2.0, 3.0, 7.0, -3.0]])
b_ub = np.array([5.0, -10.0])
A_eq = np.array([[2.0, 8.0, 1.0, 0.0],
               [4.0, 4.0, 0.0, 1.0]])
b_eq = np.array([60.0, 60.0])
x0_bounds = (0, None)
x1_bounds = (0, 5.0)
x2_bounds = (-np.inf, 0.5)  # +/- np.inf can be used instead of None
 x3_bounds = (-3.0, None)
bounds = [x0_bounds, x1_bounds, x2_bounds, x3_bounds]
result = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds)

在Optimize包函数中计算的结果一般返回OptimizeResult，其结果整体如下图，可以使用类似字典的操作方法取值：

典型可转化为线性规划问题的问题

绝对值求职

对于问题：
$$\begin{gathered} min|x_1|+...+|x_n| \\ s.t.Ax\le b \end{gathered}$$
可以令$u_i=\frac{x_i+|x_i|}{2},v_i=\frac{|x_i|-x_i}{2}$，并由此有：
$x_i=u_i-v_i,|x_i|=u_i+v_i$
上述的线性规划可以表示为：
$$\begin{gathered} min\sum _{i=1}^n(u_i+v_i) \\ s.t.\{\begin{array}{l}A(u-v)\le b\\ u,v\ge 0\end{array} \end{gathered}$$
矩阵化表示，其中关于规划的约束条件使用矩阵表示：
$$\left[\begin{array}{c}A,-A\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]\le b$$
最终的期望：
$$\left[\begin{array}{c}c,c\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]$$
可以看出，实际上将问题转化为了求$\left[\begin{array}{c}u\\ v\end{array}\right]$的值，因此对于如下问题：

可以转换为以下函数：

def solve_abs_linear_prog():
    c = np.array([1, 2, 3, 4])

    A_ub = np.array([[1, -1, -1, 1],
                     [1, -1, 1, -3],
                     [1, -1, -2, 3]])
    b_ub = np.array([-2, -1, -0.5])
    res = optimize.linprog(c=np.array(c.tolist() + c.tolist()),
                           A_ub=np.column_stack((A_ub, -A_ub)),
                           b_ub=b_ub,
                           bounds=[(0, None)] * 8)
    print(res.x)
    print(round(np.array(c.tolist() + c.tolist()) @ res.x, 2))

结果（不得不吐槽python的数值精准度…）：