温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Python+PuLP怎么实现线性规划

发布时间:2022-04-27 10:33:33 来源:亿速云 阅读:267 作者:iii 栏目:开发技术

今天小编给大家分享一下Python+PuLP怎么实现线性规划的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。

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:

Python+PuLP怎么实现线性规划

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:

Python+PuLP怎么实现线性规划

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:

Python+PuLP怎么实现线性规划

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 / t1.535
劳动时间 / h280250400
利润 / 万元234

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:

Python+PuLP怎么实现线性规划

最后写出目标函数

z=2x1+3x2+4x3

综合起来整个问题描述为:

Python+PuLP怎么实现线性规划

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。

以上就是“Python+PuLP怎么实现线性规划”这篇文章的所有内容,感谢各位的阅读!相信大家阅读完这篇文章都有很大的收获,小编每天都会为大家更新不同的知识,如果还想学习更多的知识,请关注亿速云行业资讯频道。

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI