【数学建模笔记 01】数学建模的线性规划

01. 线性规划

定义

线性规划，就是在一组线性约束条件的限制下，求一线性目标函数最大或最小的问题。

线性规划由三部分组成：

• 决策变量
• 目标函数
• 约束条件

形式

编程中，线性规划的标准形式为：
$$\underset{x}{\min }{c}^{T}x$$

$$s.t.\{\begin{array}{rl}& Ax\le b\\ & Aeq\cdot x=beq\\ & lb\le x\le ub\end{array}$$

其中 $c,x$ 为 $n$​ 维列向量，$A,Aeq$ 为适当维数的矩阵，$b,beq$ 为适当维数的列向量。

例子

如对于下列线性规划问题：
$$\max z=2x_1+3x_2-5x_3$$

$$s.t.\{\begin{array}{rl}& x_1+x_2+x_3=7\\ & 2x_1-5x_2+x_3\ge 10\\ & x_1+3x_2+x_3\le 12\\ & x_1,x_2,x_3\ge 0\end{array}$$

对于目标函数

化为矩阵形式有：

$$c={\left(\begin{array}{ccc}2& 3& -5\end{array}\right)}^T,x={\left(\begin{array}{ccc}{x}_1& x_2& x_3\end{array}\right)}^T$$

注意到原目标函数求最大值，因此转换为求最小值后取反。

对于约束条件中的不等式

化为矩阵形式有：

$$A=\left(\begin{array}{ccc}-2& 5& -1\\ 1& 3& 1\end{array}\right),b={\left(\begin{array}{cc}-10& 12\end{array}\right)}^T$$

注意到最终要求左边小于等于右边，因此对于原为大于或大于等于的不等式要先取反。

对于约束条件中的等式

化为矩阵形式有：
$$Aeq=\left(\begin{array}{ccc}1& 1& 1\end{array}\right),beq={\left(\begin{array}{c}7\end{array}\right)}^T=7$$

对于约束条件中的取值范围

化为矩阵形式有：
$$lb=\left(\begin{array}{ccc}0& 0& 0\end{array}\right)$$

Python 代码

使用 python 的求解代码如下：

# %%

import numpy as np
from scipy.optimize import linprog

# %%

# 目标函数形如 min c^T·x
c = np.array([2, 3, -5])

# 不等式约束形如 A·x <= b
A = np.array([[-2, 5, -1],
              [1, 3, 1]])
b = np.array([-10, 12])

# 等式约束形如 Aeq·x = beq
Aeq = np.array([[1, 1, 1]])
beq = np.array([7])

# 取值范围约束形如 lb <= x <= ub
lb = np.array([0, 0, 0])
ub = np.array([None, None, None])
bound = tuple(zip(lb, ub))

res = linprog(c, A, b, Aeq, beq, bound)
print('min y =', res.fun)
print('x =', res.x)

输入如下：

min y = -14.000000657683218
x = [2.99999979e+00 1.04988686e-08 4.00000005e+00]

于是解得：

$x_1=3,x_2=0,x_3=4$​ 时，目标函数取得最大值 14.