Python+PuLP实现线性规划的求解

目录
  • 1.PuLP 库的安装
  • 2.线性规划简介
    • 2.1 线性规划
    • 2.2 整数规划
  • 3.求解过程
    • 3.1 定义模型
    • 3.2 定义决策变量
    • 3.3 添加约束条件
    • 3.4 添加目标函数
    • 3.5 模型求解
    • 3.6 打印结果
  • 4.示例代码
    • 4.1 高考题代码
    • 4.2 汽车厂代码

简洁是智慧的灵魂,冗长是肤浅的藻饰。——莎士比亚《哈姆雷特》

1.PuLP 库的安装

如果您使用的是 Anaconda的话(事实上我也更推荐这样做),需要先激活你想要安装的虚拟环境,之后在 Prompt 输入

pip install pulp

不出意外的话等一会就安装完毕。

2.线性规划简介

想必大家能点开这篇文章一定都知道线性规划是什么意思吧……那么我用两个例子再简单说一下。

2.1 线性规划

2.1.1 题目描述

若变量x,y 满足约束条件:

求z=3x+y 的最大值。

2.1.2 基本概念

首先,我们要认清在这道题中,x和y是可以变的,所以把它们叫做决策变量。三个不等式叫做约束条件,即x和y必须同时满足这三个不等式。我们若画出图来:

其中不满足约束条件的区域被我标上了颜色,所以x,y 可以取得值只能在纯白区域内,这一片区域称作可行域

再看最后的我们的目标:求z=x+3y 的最大值。

于是z=x+3y 就被称作目标函数,我们的工作就是求这个目标函数的最大值。

整个问题描述为:

然后怎么算?别急我们再看一个例子。

2.2 整数规划

2.2.1 题目描述

汽车厂生产小、中、大三种类型的汽车,已知各类型每辆车对钢材、劳动时间的需求以及利润如下表所示。要求每月的钢材消耗不超过 600 t,总劳动时间不超过 60 000 h。试指定生产计划使得工厂每月的利润最大。

  小型车 中型车 大型车
钢材 / t 1.5 3 5
劳动时间 / h 280 250 400
利润 / 万元 2 3 4

2.2.2 解题思路

首先,设三个决策变量,用x1,x2,x3 分别表示生产小型车、中型车、大型车的数量,但是注意要满足:

  • 车的数量只能是整数
  • 车的数量大于等于 0。

其他约束条件看题直接列:

最后写出目标函数

z=2x1+3x2+4x3

综合起来整个问题描述为:

另外可以看出这个题由于涉及到三个决策变量,可行域是相当抽象的,这里就不画了 hhh~

3.求解过程

首先在最前面引入所需的pulp工具库:

import pulp as pl

这句话是引入 pulp 库并简写为 pl,一个 python 库只有在开始 import 了之后才能在后面使用。这样后面凡是用到 pulp 的功能都要写成 pl.xxx

接下来是以下几个步骤:

  • 定义模型
  • 定义决策变量
  • 添加约束条件
  • 添加目标函数
  • 模型求解
  • 打印结果

3.1 定义模型

# Define the model
model = pl.LpProblem(name="My-Model", sense=pl.LpMaximize)

这个操作是使用 pl.LpProblem 创建了一个模型并赋值给变量 model,接收两个参数:

  • name:模型的名字,随便起一个;
  • sense:模型的类型,pl.LpMinimize是求目标函数的最小值,pl.LpMaximize 是求最大值

3.2 定义决策变量

# Define the decision variables
x = pl.LpVariable(name='x')
y = pl.LpVariable(name='y')

如果你的变量比较少的话可以简单这么写。这个意思是定义了两个浮点数变量,取值范围是整个实数域。注意等号左边的变量才是你在之后的计算式中使用的符号,而参数 name 只有在最后打印结果的时候才会被打印出来。另外如果你对变量有其他要求的话可以添加以下参数:

  • lowBound:变量的最小取值(不写的话默认负无穷);
  • upBound:变量的最大取值(默认正无穷);
  • cat:变量的类型,有 pl.Binary 逻辑变量、pl.Integer 整数、pl.Continuous 实数(默认值);

如果你的变量比较多而不得不用 1, 2, 3…… 来编号,可以采用类似这样的写法:

# Define the decision variables
x = {i: pl.LpVariable(name=f"x{i}", lowBound=0, cat=pl.LpInteger) for i in range(1, 9)}

这是一次定义 8 个变量并保存在一个类似数组的结构中,变量都是正整数,分别用 x[1],x[2], ..., x[8] 表示,依次命名为 x1, x2,..., x8。

注意 range(left, right) 表示的区间是左闭右开。

3.3 添加约束条件

# Add constraints
model += (2 * x + 3 * y - 6 >= 0, "constrain_1")
model += (x + 3 * y - 3 == 0, "constrain_2")

没错!如你所见就是这么简单,括号里第一个变量就是你的约束不等式等式,第二个变量是你的自定义的约束名(可以起一个有意义的名字,当然也可以省略)。

由于一些比较数学的原因,约束条件里是不能使用大于号“>”或小于号“<”的。

如果你像前面一样把变量定义在了数组中,那么可以直接用方括号调用:

model += (2 * x[1] + 3 * x[2] - 6 >= 0)

3.4 添加目标函数

# Set the objective
model += x + 3 * y

与前面添加约束条件不同,添加目标函数这一步不用加最外层的括号。

3.5 模型求解

# Solve the optimization problem
status = model.solve()

就写这一句话,调用 model 的 solve() 方法,并把结果保存在 status 中。

3.6 打印结果

# Get the results
print(f"status: {model.status}, {pl.LpStatus[model.status]}")
print(f"objective: {model.objective.value()}")

for var in model.variables():
    print(f"{var.name}: {var.value()}")

for name, constraint in model.constraints.items():
    print(f"{name}: {constraint.value()}")

然后你就能看到模型求解的结果了。

4.示例代码

4.1 高考题代码

首先解决一下 3.1 的高考题:

import pulp as pl

# 定义一个模型,命名为 "Model_3.1",求最大值
model = pl.LpProblem(name="Model_3.1", sense=pl.LpMaximize)

# 定义两个决策变量,取值为整个实数域
x = pl.LpVariable(name='x')
y = pl.LpVariable(name='y')

# 添加三个约束条件
model += (2 * x + 3 * y - 6 >= 0)
model += (x + y - 3 <= 0)
model += (y - 2 <= 0)

# 目标函数
model += x + 3 * y

# 求解
status = model.solve()

# 打印结果
print(f"status: {model.status}, {pl.LpStatus[model.status]}")
print(f"objective: {model.objective.value()}")

for var in model.variables():
    print(f"{var.name}: {var.value()}")

for name, constraint in model.constraints.items():
    print(f"{name}: {constraint.value()}")

查看结果的最后几行:

status: 1, Optimal
objective: 7.0
x: 1.0
y: 2.0
_C1: 2.0
_C2: 0.0
_C3: 0.0

最大值是7.0,在x=1.0,y=2.0 时取到。

4.2 汽车厂代码

import pulp as pl

# 定义一个模型,命名为 "Model_3.2",求最大值
model = pl.LpProblem(name="Model_3.2", sense=pl.LpMaximize)

# 定义三个决策变量,取值正整数
x = {i: pl.LpVariable(name=f"x{i}", lowBound=0, cat=pl.LpInteger) for i in range(1, 4)}

# 添加约束条件
model += (1.5 * x[1] + 3 * x[2] + 5 * x[3] <= 600)
model += (280 * x[1] + 250 * x[2] + 400 * x[3] <= 60000)

# 目标函数
model += 2 * x[1] + 3 * x[2] + 4 * x[3]

# 求解
status = model.solve()

# 打印结果
print(f"status: {model.status}, {pl.LpStatus[model.status]}")
print(f"objective: {model.objective.value()}")

for var in model.variables():
    print(f"{var.name}: {var.value()}")

for name, constraint in model.constraints.items():
    print(f"{name}: {constraint.value()}")

查看结果的最后几行:

status: 1, Optimal
objective: 632.0
x1: 64.0
x2: 168.0
x3: 0.0
_C1: 0.0
_C2: -80.0

三种车的产量分别取 64、168、0,最大收益 632 万元。

到此这篇关于Python+PuLP实现线性规划的求解的文章就介绍到这了,更多相关Python PuLP线性规划内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • Python数学建模PuLP库线性规划实际案例编程详解

    目录 1.问题描述 2.用PuLP 库求解线性规划 2.1 问题 1 (1)数学建模 (2)Python 编程 (3)运行结果 2.2 问题 2 (1)数学建模 (2)Python 编程 (3)运行结果 2.3 问题 3 (1)数学建模 (2)Python 编程 (3)运行结果 2.4 问题 4 (1)数学建模 (2)Python 编程 (3)运行结果 2.5 问题 5:整数规划问题 (1)数学建模 (2)Python 编程 (3)运行结果 1.问题描述 某厂生产甲乙两种饮料,每百箱甲饮料需用原

  • Python数学建模PuLP库线性规划进阶基于字典详解

    目录 1.基于字典的创建规划问题 2.线性规划问题案例 3.建立模型 (1)决策变量 (2)目标函数 (3)约束条件 (4)变量取值范围 4.PuLP 程序1:使用 LpVariable 逐一定义变量 5.PuLP 程序2:使用 dict 定义决策变量和约束条件 6.Python程序和运行结果 1.基于字典的创建规划问题 上篇中介绍了使用 LpVariable 对逐一定义每个决策变量,设定名称.类型和上下界,类似地对约束条件也需要逐一设置模型参数.在大规模的规划问题中,这样逐个定义变量和设置模型

  • Python数学建模PuLP库线性规划入门示例详解

    目录 1.什么是线性规划 2.PuLP 库求解线性规划 -(0)导入 PuLP库函数 -(1)定义一个规划问题 -(2)定义决策变量 -(3)添加目标函数 -(4)添加约束条件 -(5)求解 3.Python程序和运行结果 1.什么是线性规划 线性规划(Linear programming),在线性等式或不等式约束条件下求解线性目标函数的极值问题,常用于解决资源分配.生产调度和混合问题.例如: max fx = 2*x1 + 3*x2 - 5*x3 s.t. x1 + 3*x2 + x3 <=

  • Python+PuLP实现线性规划的求解

    目录 1.PuLP 库的安装 2.线性规划简介 2.1 线性规划 2.2 整数规划 3.求解过程 3.1 定义模型 3.2 定义决策变量 3.3 添加约束条件 3.4 添加目标函数 3.5 模型求解 3.6 打印结果 4.示例代码 4.1 高考题代码 4.2 汽车厂代码 简洁是智慧的灵魂,冗长是肤浅的藻饰.——莎士比亚<哈姆雷特> 1.PuLP 库的安装 如果您使用的是 Anaconda的话(事实上我也更推荐这样做),需要先激活你想要安装的虚拟环境,之后在 Prompt 输入 pip inst

  • Python二次规划和线性规划使用实例

    这篇文章主要介绍了Python二次规划和线性规划使用实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 对于二次规划(quadratic programming)和线性规划(Linear Programming)问题 MATLAB里是有quadprog函数可以直接用来解决二次规划问题的,linprog函数来解决线性规划问题.Python中也有很多库用来解决,对于二次规划有CVXOPT, CVXPY, Gurobi, MOSEK, qpOASES

  • python使用分治法实现求解最大值的方法

    本文实例讲述了python使用分治法实现求解最大值的方法.分享给大家供大家参考.具体分析如下: 题目: 给定一个顺序表,编写一个求出其最大值和最小值的分治算法. 分析: 由于顺序表的结构没有给出,作为演示分治法这里从简顺序表取一整形数组数组大小由用户定义,数据随机生成.我们知道如果数组大小为 1 则可以直接给出结果,如果大小为 2则一次比较即可得出结果,于是我们找到求解该问题的子问题即: 数组大小 <= 2.到此我们就可以进行分治运算了,只要求解的问题数组长度比 2 大就继续分治,否则求解子问题

  • Python使用Dijkstra算法实现求解图中最短路径距离问题详解

    本文实例讲述了Python使用Dijkstra算法实现求解图中最短路径距离问题.分享给大家供大家参考,具体如下: 这里继续前面一篇<Python基于Floyd算法求解最短路径距离问题>的内容,这里要做的是Dijkstra算法,与Floyd算法类似,二者的用途均为求解最短路径距离,在图中有着广泛的应用,二者的原理都是老生常谈了,毕竟本科学习数据结构的同学是不可能不学习这两个算法的,所以在这里我也不再累赘,只简单概述一下这个算法的核心思想: Dijkstra算法的输入有两个参数,一个是原始的数据矩

  • Python利用全连接神经网络求解MNIST问题详解

    本文实例讲述了Python利用全连接神经网络求解MNIST问题.分享给大家供大家参考,具体如下: 1.单隐藏层神经网络 人类的神经元在树突接受刺激信息后,经过细胞体处理,判断如果达到阈值,则将信息传递给下一个神经元或输出.类似地,神经元模型在输入层输入特征值x之后,与权重w相乘求和再加上b,经过激活函数判断后传递给下一层隐藏层或输出层. 单神经元的模型只有一个求和节点(如左下图所示).全连接神经网络(Full Connected Networks)如右下图所示,中间层有多个神经元,并且每层的每个

  • python简单的三元一次方程求解实例

    我就废话不多说了,直接看代码吧! import re lt = [] d = {} for i in range(3): a = input('请输入第%d个三元式'%(i + 1)) st = a.split("=") r = re.compile('(-?\d?)[xyz]') b = re.findall(r, st[0]) print(b) for j in range(3): if b[j] == "": b[j] = 1 if b[j] == '-':

  • Python 最短路径的几种求解方式

    目录 前言 前置知识 练习题 [单源最短路&迪杰斯特拉]畅通工程(续) [单源最短路 & spfa]最短路径 [多源最短路 & 弗洛伊德]牛牛聚会 前言 给出几个点的名称,在给出几个点的路径权重(简称路权)就可以计算一个地图中最短的路权是不是感觉很神奇.当然啦博主也觉得很神奇,因为博主比较笨嘛,如果只有几个点的图集的话还可以口算出来图中的最短路,如果有上千个点的话,博主的大脑就不够用了.所以呢咱们掌握最短路算法还是必须的,至少可以减少我们的脑力劳动嘛. 前置知识 图的话可以大致分为

随机推荐