目录
1.用scipy.optimize模块的minimize函数求解
6.1 整数规划
纯整数规划:所有决策变量都限定为整数
混合整数规划:仅一部分变量限定为整数
0-1整数规划:决策变量仅限于0或1
6.1.1 整数规划问题与求解
- 分支界定法:可求纯或混合整数线性规划
- 割平面法:可求纯或混合整数线性规划
- 隐枚举法:可求解0-1整数规划,有过滤隐枚举法和分支隐枚举法
- 匈牙利法:解决指派问题(0-1整数规划特殊情形)
- Monte Carlo法:求解各种类型规划
例6.1 求解下列整数线性规划问题:
# mathmodel05_v1.py
# Demo05 of mathematical modeling algorithm
# Solving integer programming with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated:2021-05-31
# Python小白的数学建模课 @ Youcans
import pulp # 导入 pulp 库
# 主程序
def main():
# 模型参数设置
"""
问题描述:
某厂生产甲乙两种饮料,每百箱甲饮料需用原料6千克、工人10名,获利10万元;每百箱乙饮料需用原料5千克、工人20名,获利9万元。
今工厂共有原料60千克、工人150名,又由于其他条件所限甲饮料产量不超过8百箱。
(1)问如何安排生产计划,即两种饮料各生产多少使获利最大?
(2)若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
(3)若不允许散箱(按整百箱生产),如何安排生产计划,即两种饮料各生产多少使获利最大?
(4)若不允许散箱(按整百箱生产),若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
"""
# 问题 1:
"""
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
目标函数:
max fx = 10*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
x1, x2 >= 0,x1 <= 8
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize) # 定义问题 1,求最大值
#注意,上一行确定了是求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
#参数 cat 用来设定变量类型,可选参数值:‘Continuous’ 表示连续变量(默认值)、’ Integer ’ 表示离散变量(用于整数规划问题)、’ Binary ’ 表示0/1变量(用于0/1规划问题)。
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP1 += (10*x1 + 9*x2) # 设置目标函数 f(x)
ProbLP1 += (6*x1 + 5*x2 <= 60) # 不等式约束
ProbLP1 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP1.solve()
print(ProbLP1.name) # 输出求解状态
print("Status youcans:", pulp.LpStatus[ProbLP1.status]) # 输出求解状态
for v in ProbLP1.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F1(x) =", pulp.value(ProbLP1.objective)) # 输出最优解的目标函数值
# 问题 2:
"""
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
x3:增加投资(单位:万元)
目标函数:
max fx = 10*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
x1, x2, x3 >= 0,x1 <= 8
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP2 = pulp.LpProblem("ProbLP2",