Python数学建模PuLP库线性规划入门示例详解
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
PuLP是一个开源的第三方工具包，可以求解线性规划、整数规划、混合整数规划问题。
下面以该题为例讲解 PuLP 求解线性规划问题的步骤：
-（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
添加约束条件使用 “问题名 += 约束条件表达式” 格式。
约束条件可以是等式约束或不等式约束，不等式约束可以是 小于等于 或 大于等于，分别使用关键字">="、"<=“和”=="。
-（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 = 6.4285714 x2 = 0.57142857 x3 = 0.0 F(x) = 14.57142851
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脚本之家其它相关文章！
相关文章
这篇文章主要介绍了Python中正则表达式的详细教程,正则表达式是Python学习进阶当中的重要内容,需要的朋友可以参考下2021-10-10
这篇文章主要介绍了Python实现的银行系统模拟程序,结合完整实例形式分析了Python基于面向对象程序设计模拟的银行系统登录验证、开户、找回密码、挂失、查询、存取款、转账等功能相关操作技巧,需要的朋友可以参考下2019-04-04
这篇文章主要介绍了iPython pylab模式启动方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-04-04
本文主要介绍了python绘制二维直方图的代码实现，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，需要的朋友们下面随着小编来一起学习学习吧2023-07-07
这篇文章主要介绍了哈希（Hash）算法的相关资料，帮助大家更好的利用python处理密码，感兴趣的朋友可以了解下2020-09-09
最近在写一个项目，需要用到子线程，那么python子线程如何有序执行，需要的朋友们下面随着小编来一起学习学习吧2021-05-05
大家好，本篇文章主要讲的是Python新年炫酷烟花秀代码，感兴趣的同学赶快来看一看吧，对你有帮助的话记得收藏一下，方便下次浏览2022-01-01
这篇文章主要介绍了Python sep参数使用方法详解,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2020-02-02
python函数装饰器之带参数的函数和带参数的装饰器用法示例
这篇文章主要介绍了python函数装饰器之带参数的函数和带参数的装饰器用法,结合实例形式分析了Python函数装饰器中函数带多个参数以及装饰器带有多个参数的具体原理与实现方法,需要的朋友可以参考下2019-11-11
下面小编就为大家分享一篇python获取网页中所有图片并筛选指定分辨率的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-03-03
最新评论