利用 python 和 matlab 求解简单的线性规划问题

Python 和 Matlab 中的 linprog 函数都可以用于求解线性规划问题，两者在语法上基本相似。

Python：
主要利用 scipy 库，scipy.optimize.linprog，求线性等式和不等式约束下求目标函数的最小值。
调用格式：scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method=‘interior-point’, callback=None,options=None,)
可以参考官方网站
其中：
c - 价值向量；
A_ub，b_ub - 不等式约束左右两边的系数（矩阵）；
A_eq，b_eq - 等式约束左右两边的系数（矩阵）；
bounds - 决策变量 x 的范围，默认（0，+ 无穷）；
method - 算法类型（‘interior-point’ (默认),‘revised simplex’,‘simplex’ ）；
callback，可选。

在MATLAB中用CVX实现线性规划问题求解
下面给出标准式和例题便于理解：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

#导入包 from scipy import optimize import numpy as np #确定 c,A,b,Aeq,beq c = np.array ([-1,-2,-1]) #由于求 max, 所以价值向量取符号 A_ub = np.array([[1,3,-1],[-1,2,-1]]) b_ub= np.array ([8,-5])  # 由于第二个约束条件为 '>=', 两边同乘符号 A_eq = np.array([[1,1,1]]) b_eq = np.array([6]) x1_bounds = (0, None) x2_bounds = (0, None) x3_bounds = (0, None) #求解 res = optimize.linprog(c,A_ub,b_ub,A_eq,b_eq,bounds=[x1_bounds,x2_bounds,x3_bounds]) print(res) #输出结果 con: array([1.67785785e-11]) fun: -6.333333333299136 message: 'Optimization terminated successfully.' nit: 5 slack: array([3.78165540e+00, 3.54765106e-11]) status: 0 success: True x: array([4.44250564, 0.33333333, 1.22416103])

结果中我们主要看 fun 和 x，将 fun 加上符号就得到最大值，x 是一维数组，分别是 x1,x2,x3 的值。message：优化成功结束；nit：当前迭代次数为 5 次；slack: 松弛变量的值；status：算法的状态（整数表示），0 : Optimization proceeding nominally；1 : Iteration limit reached；2 : Problem appears to be infeasible；3 : Problem appears to be unbounded；4 : Numerical difficulties encountered。

Matlab:
其默认也是求最小值，在 matlab 中，线性规划问题可以描述如下（实质和 python 一样）：
 

调用格式：
[x,fval,exitflag,output,lambda] = linprog(f,A,b,Aeq,beq,lb,ub)
其中：
x：决策变量；
fval：目标值；
exitflag：描述程序运行的情况，若为 1，说明程序收敛；0 则说明迭代次数达到了设定的最大次数；小于 0，说明情况比较多；
output：iteration 表示迭代次数，algorithm 表示算法；
lambda：为解 x 处的 lagrange 乘子，即影子价格，在命令行输入 lambda.ineqlin 即得到对应的影子价格。
参考博客
同样是上面的例题，matlab 中的代码如下（我这里是一个 Script 文件代码，你可以一行一行的输入到命令窗口，效果更好些）：

1 2 3 4 5 6 7 8 9 10 11

clc; clear all; f=[-1 -2 -1]; A = [1 3 -1;-1 2 -1]; b = [8 -5]; Aeq=[1 1 1]; beq=6; lb=zeros (3,1);  %3 行 1 列，表示 x 的下界 [x,fval,exitflag,output,lambda] = linprog(f,A,b,Aeq,beq,lb,[]); disp(x); disp (-fval);  % 最大值需要加上符号

输出结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

exitflag =      1       output =          iterations: 6           algorithm: 'large-scale: interior point'        cgiterations: 0             message: 'Optimization terminated.'     constrviolation: 1.7764e-14       firstorderopt: 2.9417e-10       lambda =     ineqlin: [2x1 double]       eqlin: 1.3333       upper: [3x1 double]       lower: [3x1 double]       Optimization terminated.     1.9752     0.3333     3.6914         6.3333

可见，两种方法的结果一致，但 x 的值却不相等，说明该问题解不唯一。还有，matlab 中的 linprog 函数中的 x 默认是一列向量，而 python 中的 x 是一个一维数组。