Python數(shù)學建模PuLP庫線性規(guī)劃入門示例詳解
1、什么是線性規(guī)劃
線性規(guī)劃（Linear programming），在線性等式或不等式約束條件下求解線性目標函數(shù)的極值問題，常用于解決資源分配、生產(chǎn)調(diào)度和混合問題。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
線性規(guī)劃問題的建模和求解，通常按照以下步驟進行：
（1）問題定義，確定決策變量、目標函數(shù)和約束條件；
（2）模型構建，由問題描述建立數(shù)學方程，并轉化為標準形式的數(shù)學模型；
（3）模型求解，用標準模型的優(yōu)化算法對模型求解，得到優(yōu)化結果；
2、PuLP 庫求解線性規(guī)劃
PuLP是一個開源的第三方工具包，可以求解線性規(guī)劃、整數(shù)規(guī)劃、混合整數(shù)規(guī)劃問題。
下面以該題為例講解 PuLP 求解線性規(guī)劃問題的步驟：
-（0）導入 PuLP庫函數(shù)
import pulp
-（1）定義一個規(guī)劃問題
MyProbLP = pulp.LpProblem("LPProbDemo1", sense=pulp.LpMaximize)
pulp.LpProblem 是定義問題的構造函數(shù)。
"LPProbDemo1"是用戶定義的問題名（用于輸出信息）。
參數(shù) sense 用來指定求最小值/最大值問題，可選參數(shù)值：LpMinimize、LpMaximize 。
-（2）定義決策變量
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 是定義決策變量的函數(shù)。
‘x1' 是用戶定義的變量名。
參數(shù) lowBound、upBound 用來設定決策變量的下界、上界；可以不定義下界/上界，默認的下界/上界是負無窮/正無窮。本例中 x1,x2,x3 的取值區(qū)間為 [0,7]。
參數(shù) cat 用來設定變量類型，可選參數(shù)值：‘Continuous' 表示連續(xù)變量（默認值）、' Integer ' 表示離散變量（用于整數(shù)規(guī)劃問題）、' Binary ' 表示0/1變量（用于0/1規(guī)劃問題）。
-（3）添加目標函數(shù)
MyProbLP += 2*x1 + 3*x2 - 5*x3 # 設置目標函數(shù)
添加目標函數(shù)使用 “問題名 += 目標函數(shù)式” 格式。
-（4）添加約束條件
MyProbLP += (2*x1 - 5*x2 + x3 >= 10) # 不等式約束
MyProbLP += (x1 + 3*x2 + x3 <= 12) # 不等式約束
MyProbLP += (x1 + x2 + x3 == 7) # 等式約束
添加約束條件使用 “問題名 += 約束條件表達式” 格式。
約束條件可以是等式約束或不等式約束，不等式約束可以是 小于等于 或 大于等于，分別使用關鍵字">="、"<=“和”=="。
-（5）求解
MyProbLP.solve()
print("Status:", pulp.LpStatus[MyProbLP.status]) # 輸出求解狀態(tài)
for v in MyProbLP.variables():
print(v.name, "=", v.varValue) # 輸出每個變量的最優(yōu)值
print("F(x) = ", pulp.value(MyProbLP.objective)) #輸出最優(yōu)解的目標函數(shù)值
solve() 是求解函數(shù)。PuLP默認采用 CBC 求解器來求解優(yōu)化問題，也可以調(diào)用其它的優(yōu)化器來求解，如：GLPK，COIN CLP/CBC，CPLEX，和GUROBI，但需要另外安裝。
3、Python程序和運行結果
完整的程序代碼如下：
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 # 設置目標函數(shù)
MyProbLP += (2*x1 - 5*x2 + x3 >= 10) # 不等式約束
MyProbLP += (x1 + 3*x2 + x3 <= 12) # 不等式約束
MyProbLP += (x1 + x2 + x3 == 7) # 等式約束
MyProbLP.solve()
print("Status:", pulp.LpStatus[MyProbLP.status]) # 輸出求解狀態(tài)
for v in MyProbLP.variables():
print(v.name, "=", v.varValue) # 輸出每個變量的最優(yōu)值
print("F(x) = ", pulp.value(MyProbLP.objective)) #輸出最優(yōu)解的目標函數(shù)值
#= 關注 Youcans，分享原創(chuàng)系列 https://blog.csdn.net/youcans =
程序運行結果如下：
Welcome to the CBC MILP Solver Version: 2.9.0 Build Date: Feb 12 2015 Status: Optimal x1 = 6.4285714 x2 = 0.57142857 x3 = 0.0 F(x) = 14.57142851
以上就是Python數(shù)學建模PuLP庫線性規(guī)劃入門示例詳解的詳細內(nèi)容，更多關于數(shù)學建模PuLP庫線性規(guī)劃入門的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了Python中正則表達式的詳細教程,正則表達式是Python學習進階當中的重要內(nèi)容,需要的朋友可以參考下2021-10-10
Python實現(xiàn)的銀行系統(tǒng)模擬程序完整案例
這篇文章主要介紹了Python實現(xiàn)的銀行系統(tǒng)模擬程序,結合完整實例形式分析了Python基于面向對象程序設計模擬的銀行系統(tǒng)登錄驗證、開戶、找回密碼、掛失、查詢、存取款、轉賬等功能相關操作技巧,需要的朋友可以參考下2019-04-04
這篇文章主要介紹了iPython pylab模式啟動方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04
本文主要介紹了python繪制二維直方圖的代碼實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07
這篇文章主要介紹了哈希（Hash）算法的相關資料，幫助大家更好的利用python處理密碼，感興趣的朋友可以了解下2020-09-09
最近在寫一個項目，需要用到子線程，那么python子線程如何有序執(zhí)行，需要的朋友們下面隨著小編來一起學習學習吧2021-05-05
大家好，本篇文章主要講的是Python新年炫酷煙花秀代碼，感興趣的同學趕快來看一看吧，對你有幫助的話記得收藏一下，方便下次瀏覽2022-01-01
這篇文章主要介紹了Python sep參數(shù)使用方法詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-02-02
python函數(shù)裝飾器之帶參數(shù)的函數(shù)和帶參數(shù)的裝飾器用法示例
這篇文章主要介紹了python函數(shù)裝飾器之帶參數(shù)的函數(shù)和帶參數(shù)的裝飾器用法,結合實例形式分析了Python函數(shù)裝飾器中函數(shù)帶多個參數(shù)以及裝飾器帶有多個參數(shù)的具體原理與實現(xiàn)方法,需要的朋友可以參考下2019-11-11
python獲取網(wǎng)頁中所有圖片并篩選指定分辨率的方法
下面小編就為大家分享一篇python獲取網(wǎng)頁中所有圖片并篩選指定分辨率的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-03-03