python求解整数线性规划

cvxpy求解

比如我们求解这样的一个问题:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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:
在这里插入图片描述
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。
在这里插入图片描述
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
评论 19
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

川川菜鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值