数学规划详解(附例题及部分Python实现)

数学规划详解(附例题及Python实现)

例题来自于清风老师的数学建模课，个人认为讲的非常好，欢迎大家购买

一、概述

1.1 定义

数学规划是运筹学的一个分支，在约束条件下，按照目标函数来寻求计划管理——>求目标函数在一定约束条件下的极值问题

1.2 一般形式

$$min(或max)z=f(x)s.t.(限制条件)g_i(x)\le 0,i=1,2,3,,,m(不等式约束)$$

称x为决策变量，一般情况下有多个，f(x)为目标函数，约束条件一般有：不等式约束、等式约束、整数约束等等

1.3 分类

1. 线性规划(Linear programming)：目标函数和与约束条件为决策变量的线性表达式

2. 非线性规划(nonlinear programming): 目标函数或约束条件中有一个决策变量是x的非线性表达式

3. 整数规划(integar programming ):要求变量取整数的数学规划，目前的整数规划一般也是线性整数规划

4. 0-1规划：整数规划的特例，整数变量的取值只能为0和1

二、例题讲解

2.1 投料问题（线性规划模型)

假设有两个临时料场，向其他工场运送水泥

列出方程式:
$$minZ=\sum _{i=1}^{\sigma }\sum _{i=1}^{\delta }\sqrt{(a_i-X_j{)}^2+(b_i-y_j{)}^2}$$

$$s.t\sum _{j=1}^z{X}_{i}j\le 20,j=12$$

$$X_{i}j\ge 0,i=1,2\dots \dots 6,j=1,2$$

这里展示一下如何用python求解这一问题：

这里我选择使用scipy函数，更贴近于MATLAB的操作，当然，也可以使用pulp这个包

from scipy import  optimize as op
import numpy as np
import math
a=[1.25,8.75,0.5,5.75,3,7.25]
b=[1.25,0.75,4.75,5,6.5,7.25]
x=[5,2]
y=[1,7]
c=[]
k=0
#计算距离
for j in range(0,2):
    for i in range(0,6):
        c.append(math.sqrt((a[i]-x[j])**2+(b[i]-y[j])**2))
c=np.array(c)
#不等式约束
A=np.zeros((2,12))
A=np.array([[1,1,1,1,1,1,0,0,0,0,0,0],[0,0,0,0,0,0,1,1,1,1,1,1]])
#不等式约束向量
B=[20,20]
#等式约束
Aeq=np.zeros((6,12))
for i in range(0,6):
    Aeq[i,i]=1
    Aeq[i,i+6]=1
Beq=np.array([3,5,3,7,6,11])
#每个变量的限制范围
X11=(0,None)
X12=(0,None)
X13=(0,None)
X14=(0,None)
X15=(0,None)
X16=(0,None)
X21=(0,None)
X22=(0,None)
X23=(0,None)
X24=(0,None)
X25=(0,None)
X26=(0,None)
res=op.linprog(c,A,B,Aeq,Beq,bounds=(X11,X12,X13,X14,X15,X16,X21,X22,X23,X24,X25,X26))
print(res)

打印出结果

前六个对应横坐标，后六个元素对应纵坐标

也就是说，第一个料场应该接受约（3，0）的运送量,第二个料场（5，0）以此类推

2.2背包问题（0-1规划问题）

列出方程式：
$$\begin{gathered} x=\{\begin{array}{ll}1& 运送了第i件货物\\ 0& 没有运送第i件货物\end{array} \\ 目标函数max\sum _{i=1}^{10}{p}_i{x}_i \\ 限制条件\sum _{i=1}^{10}{w}_i{x}_i\le 30 \\ x\in 0,1 \end{gathered}$$
这里可以采用动态规划的思想求解，也可以采用scipy或者遗传算法求解，这里代码不再展示

2.3 选址问题(非线性规划问题）

这里其实是在第一问的基础上加了一问，这样就变成了一个非线性规划问题:
列出方程式，求解即可，这里可以使用cxvpy包来求解