cvxpy求解
比如我们求解这样的一个问题:
我们需要配置基本的环境,首先记得按顺序安装模块:
pip install numpy
pip install mkl
pip install cvxopt
pip install scs
pip install ecos
pip install osqp
再:
pip install cvxpy
完整代码如下:
# coding=gbk
"""
作者:川川
@时间 : 2022/1/30 0:35
群:428335755
"""
import cvxpy as cp
from numpy import array
c = array([40, 90]) # 定义目标向量
a = array([[9, 7], [-7, -20]]) # 定义约束矩阵
b = array([56, -70]) # 定义约束条件的右边向量
x = cp.Variable(2, integer=True) # 定义两个整数决策变量
obj = cp.Minimize(c * x) # 构造目标函数
cons = [a * x <= b, x >= 0] # 构造约束条件
prob = cp.Problem(obj, cons) # 构建问题模型
prob.solve(solver='GLPK_MI', verbose=True) # 求解问题
print("最优值为:", prob.value)
print("最优解为:\n", x.value)
运行结果如下:
由于注释很详细,我就没啥好说的了,如果你有不懂,可以评论区留言,或者加我联系方式问我。
scipy求解
模块安装:
pip install scipy
首先要转化为标准的式:
求解标准式代码如下:
from scipy import optimize
import numpy as np
# 求解函数
res = optimize.linprog(c, A, b, Aeq, beq, LB, UB, X0, OPTIONS)
# 目标函数最小值
print(res.fun)
# 最优解
print(res.x)
标准形式是<=,如果是>=,则在两边加上符号-。
举个例子如下:
求解代码为:
from scipy import optimize
import numpy as np
# 确定c,A,b,Aeq,beq
c = np.array([2, 3, -5])
A = np.array([[-2, 5, -1], [1, 3, 1]])
B = np.array([-10, 12])
Aeq = np.array([[1, 1, 1]])
Beq = np.array([7])
# 求解
res = optimize.linprog(-c, A, B, Aeq, Beq)
print(res)
运行如下:
解释一些结果:
- fun是目标函数最小值
- x是最优解,即上面的x1,x2,x3的最优解
推荐一本好书
《机器学习线性代数基础:Python语言描述》的优势:本书以机器学习涉及的线性代数核心知识为重点,进行新的尝试和突破:从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度,环环相扣地展开线性代数与机器学习算法紧密结合的核心内容。
感兴趣可以自行购买:
京东自营购买链接:
https://item.jd.com/12566109.html
当当自营购买链接:
http://product.dangdang.com/27921482.html