数学模型之线性规划（一）

目标函数，决策变量（x1,x2）以及约束条件 ——> 解决利润问题

linprog函数主要用来求线型规划中的最小值问题（最大值的镜像问题，求最大值只需要加个“-”）

 有可行解也有最优解 主要找到那个最优解（单一的）。

matlab编程计算

等式约束：

aeq=[1,1,1];
beq=7;

若没有则为空。

不等式约束：

A：不等式约束条件矩阵

b：对应不等式右侧的矩阵

结果：

“x”即目标函数取最大值时x1、x2的取值，“fval"即最小值。

例题：

f = [2;3;-5];
A = [-2,5,-1;1,-3,-1];
b = [-10;12];
lb = [0,0,0];aeq=[1,1,1];beq=7;
[ x , fval ] = linprog( -f , A , b , aeq , beq , lb , []);
disp(x)
disp(-fval)

凡是没有的，如ub用[]代替。

求最大值，首先要把目标函数转化为最小值，即min z = - (2x+3y)；

要把大于等于转换为小于等于，即在有 “≥” 符号式子两边同时乘以-1；

Python:

import numpy as np
from scipy.optimize import linprog

c = np.array([2, 3, 1])
A_up = np.array([[-1, -4, -2], [-3, -2, 0]])
b_up = np.array([-8, -6])

r = linprog(c, A_ub=A_up, b_ub=b_up, bounds=((0, None), (0, None), (0, None)))

print(r)

针对这道题：matlab与python求出来的值并不一样：

 

 当matlab遇到这个问题时：

linprog stopped because there is no solution to the linear programming problem. For any target value there are feasible points with objective value smaller than the target.

翻译一下是：linprog停止了，因为线性规划问题没有解决方案。对于任何目标值，都有客观值小于目标的可行点。

再通俗一点就是有无数种解！应该是限制条件少了！
带绝对值的非线性规划转为线性规划：