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 <= 12 2*x1 - 5*x2 + x3 >= 10 x1 + x2 + x3 = 7 x1, x2, x3 >=0

    线性规划问题的建模和求解，通常按照以下步骤进行：

    （1）问题定义，确定决策变量、目标函数和约束条件；
    （2）模型构建，由问题描述建立数学方程，并转化为标准形式的数学模型；
    （3）模型求解，用标准模型的优化算法对模型求解，得到优化结果；

    2、PuLP 库求解线性规划

    -（0）导入 PuLP库函数

     import pulp

    -（1）定义一个规划问题

     MyProbLP = pulp.LpProblem("LPProbDemo1", sense=pulp.LpMaximize)

    pulp.LpProblem 是定义问题的构造函数。
    　　"LPProbDemo1"是用户定义的问题名（用于输出信息）。
    　　参数 sense 用来指定求最小值/最大值问题，可选参数值：LpMinimize、LpMaximize 。

    -（2）定义决策变量

     x1 = pulp.LpVariable('x1', lowBound=0, upBound=7, cat='Continuous') x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Continuous') x3 = pulp.LpVariable('x3', lowBound=0, upBound=7, cat='Continuous')

    pulp.LpVariable 是定义决策变量的函数。
    　　‘x1' 是用户定义的变量名。
    　　参数 lowBound、upBound 用来设定决策变量的下界、上界；可以不定义下界/上界，默认的下界/上界是负无穷/正无穷。本例中 x1,x2,x3 的取值区间为 [0,7]。
    　　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）。

    -（3）添加目标函数

     MyProbLP += 2*x1 + 3*x2 - 5*x3 # 设置目标函数

    添加目标函数使用 “问题名 += 目标函数式” 格式。

    -（4）添加约束条件

     MyProbLP += (2*x1 - 5*x2 + x3 >= 10) # 不等式约束 MyProbLP += (x1 + 3*x2 + x3 <= 12) # 不等式约束 MyProbLP += (x1 + x2 + x3 == 7) # 等式约束

    -（5）求解

     MyProbLP.solve() print("Status:", pulp.LpStatus[MyProbLP.status]) # 输出求解状态 for v in MyProbLP.variables(): print(v.name, "=", v.varValue) # 输出每个变量的最优值 print("F(x) = ", pulp.value(MyProbLP.objective)) #输出最优解的目标函数值

    solve() 是求解函数。PuLP默认采用 CBC 求解器来求解优化问题，也可以调用其它的优化器来求解，如：GLPK，COIN CLP/CBC，CPLEX，和GUROBI，但需要另外安装。

    3、Python程序和运行结果

    完整的程序代码如下：

     import pulp MyProbLP = pulp.LpProblem("LPProbDemo1", sense=pulp.LpMaximize) x1 = pulp.LpVariable('x1', lowBound=0, upBound=7, cat='Continuous') x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Continuous') x3 = pulp.LpVariable('x3', lowBound=0, upBound=7, cat='Continuous') MyProbLP += 2*x1 + 3*x2 - 5*x3 # 设置目标函数 MyProbLP += (2*x1 - 5*x2 + x3 >= 10) # 不等式约束 MyProbLP += (x1 + 3*x2 + x3 <= 12) # 不等式约束 MyProbLP += (x1 + x2 + x3 == 7) # 等式约束 MyProbLP.solve() print("Status:", pulp.LpStatus[MyProbLP.status]) # 输出求解状态 for v in MyProbLP.variables(): print(v.name, "=", v.varValue) # 输出每个变量的最优值 print("F(x) = ", pulp.value(MyProbLP.objective)) #输出最优解的目标函数值 #= 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =

    程序运行结果如下：

     Welcome to the CBC MILP Solver Version: 2.9.0 Build Date: Feb 12 2015 Status: Optimal x1 = 6. x2 = 0. x3 = 0.0 F(x) = 14.

    以上就是Python数学建模PuLP库线性规划入门示例详解的详细内容，更多关于数学建模PuLP库线性规划入门的资料请关注本网站其它相关文章！

    您可能感兴趣的文章:

    • python statsmodel的使用
    • Python数学建模PuLP库线性规划实际案例编程详解
    • Python数学建模PuLP库线性规划进阶基于字典详解
    • Python数学建模StatsModels统计回归模型数据的准备