scipy.optimize.linprog函数参数最全详解

1、线性规划概念

定义：在线性等式和不等式约束下，最小化线性目标函数。

$$\begin{gathered} \underset{x}{\min }{c}^{T}x \\ s.t.A_{ub}x\le b_{ub}, \\ {A}_{eq}x=b_{eq}, \\ l\le x\le u \end{gathered}$$
其中 x 是决策变量的向量；c、bub、beq、l、u是向量；和$A_{ub}$、$A_{eq}$是矩阵。

2、输入格式

scipy.optimize.linprog(c,A_ub=None,b_ub=None,A_eq=None,b_eq=None,bounds=None,method='interior-point',callback=None,options=None,x0=None)​

3、参数设置：

• c：线性目标函数的系数

  • 数据类型：一维数组

• A_ub（可选参数）：不等式约束矩阵，$A_{ub}$的每一行指定$x$上的线性不等式约束的系数

  • 数据类型：二维数组

• b_ub（可选参数）：不等式约束向量，每个元素代表$A_{ub}x$的上限

  • 数据类型：一维数组

• A_eq（可选参数）：等式约束矩阵，$A_{e}q$的每一行指定$x$上的线性等式约束的系数

  • 数据类型：二维数组

• b_eq（可选参数）：等式约束向量，$A_{eq}x$的每个元素必须等于$b_{eq}$的对应元素

  • 数据类型：一维数组

• bounds（可选参数）：定义决策变量$x$的最小值和最大值

  • 数据类型： (min, max)序列对
  • None：使用None表示没有界限，默认情况下，界限为（0，None）（所有决策变量均为非负数）
  • 如果提供一个元组(min, max)，则最小值和最大值将用作所有决策变量的界限。

• method（可选参数）：算法，{‘interior-point’, ‘revised simplex’, ‘simplex’}以上三种算法可选

  • 数据类型：输入如上三种字符串

• callback（可选参数）：调用回调函数，我的理解是等待被调用的参数 ，如果提供了回调函数，则算法的每次迭代将至少调用一次。回调函数必须接受单个 scipy.optimize.OptimizeResult由以下字段组成：

  • x：当前解向量
    • 数据类型：一维数组
  • fun：目标函数的当前值（$c^{T}x$）
    • 数据类型：浮点数
  • success：当算法成功完成时为 True
    • 数据类型：布尔值
  • slack：不等式约束的松弛值（名义上为正值）$b_{ub}-A_{ub}x$
  • 数据类型：一维数组
  • con：等式约束的残差（名义上为零）$b_{eq}-A_{eq}x$
  • 数据类型：一维数组
  • phase：正在执行算法的阶段
  • 数据类型：整数

  • status：表示算法退出状态的整数

    • 数据类型：整数

    • 0 : 优化按名义进行

      1 : 达到了迭代限制

      2 : 问题似乎不可行

      3 : 问题似乎是不收敛

      4 : 遇到数值困难

  • nit：当前的迭代次数

  • 数据类型：整数

  • message：算法状态的字符串描述符

    • 数据类型：字符串

• options（可选参数）：求解器选项字典，所有方法都接受以下选项：

  • 数据类型：字典

  • maxiter：整数，要执行的最大迭代次数

    disp：布尔值，设置为True以打印收敛消息，默认值：False

    autoscale：布尔值，设置为True以自动执行平衡，如果约束中的数值分开几个数量级，请考虑使用此选项，默认值：False

    presolve：布尔值，设置为False可禁用自动预解析，默认值：True

    rr：布尔值，设置为False可禁用自动移除冗余，默认值：True

• x0（可选参数）：猜测决策变量的值，将通过优化算法进行优化。当前仅由’ revised simplex’ 方法使用此参数，并且仅当 x0 表示基本可行的解决方案时才可以使用此参数。

  • 数据类型：一维数组

4、输出格式：

• x：在满足约束的情况下将目标函数最小化的决策变量的值

  • 数据类型：一维数组

• fun：目标函数的最佳值（$c^{T}x$）

  • 数据类型：浮点数

• slack：不等式约束的松弛值（名义上为正值）$b_{ub}-A_{ub}x$

  • 数据类型：一维数组

• con：等式约束的残差（名义上为零）$b_{eq}-A_{eq}x$

  • 数据类型：一维数组

• success：当算法成功找到最佳解决方案时为 True

  • 数据类型：布尔值

• status：表示算法退出状态的整数

  • 数据类型：整数

  • 0 : 优化成功终止

    1 : 达到了迭代限制

    2 : 问题似乎不可行

    3 : 问题似乎是不收敛

    4 : 遇到数值困难

• nit：在所有阶段中执行的迭代总数

  • 数据类型：整数

• message：算法退出状态的字符串描述符

  • 数据类型：字符串

5、例子

import scipy
from scipy import optimize
import numpy
c = numpy.array([2,3]) #最值等式未知数系数矩阵
A_ub = numpy.array([[-1,1],[2,-2]]) #<=不等式左侧未知数系数矩阵
B_ub = numpy.array([1,1]) #<=不等式右侧常数矩阵
#A_eq = numpy.array() 等式左侧未知数系数矩阵
#B_eq = numpy.array() 等式右侧常数矩阵
x = (None,1) #未知数取值范围
y = (None,None) #未知数取值范围
res = scipy.optimize.linprog(c,A_ub,B_ub,bounds = (x,y)) #默认求解最小值，求解最大值使用-c并取结果相反数
print(res)

#结果：无解情况
      con: array([], dtype=float64)
     fun: -8782091626.64441
 message: 'The algorithm terminated successfully and determined that the problem is unbounded.'#算法成功终止，确定问题是无界的
     nit: 3
   slack: array([0.89897776, 1.20204449])
  status: 3
 success: False
       x: array([-1.75641833e+09, -1.75641833e+09])

可以修改问题参数，从而达到有解，欢迎大家尝试！

6、若有更多Python的问题，请挪步“佐佑思维”公众号→回复免费

7、 ★佐佑思维二维码★