Python数学建模PuLP库线性规划进阶基于字典详解

 更新时间:2021年10月18日 15:22:05   作者:youcans  
在大规模的规划问题中,这样逐个定义变量和设置模型参数非常繁琐,效率很低。Pulp 库提供了一种快捷方式,可以结合 Python语言的循环和容器,使用字典来创建问题

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参数非常繁琐,效率很低。Pulp 库提供了一种快捷方式,可以结合 Python语言的循环和容器,使用字典来创建问题。

-(1)使用快捷方法建立一个规划问题,可以用字典类型(dict) 建立多个变量,例如:

name = [‘废料1', ‘废料2', ‘废料3', ‘废料4', ‘镍', ‘铬', ‘钼']
  # A dictionary of the costs of each of the Ingredients is created
  mass = pulp.LpVariable.dicts(“原料”, material, lowBound=0, cat=‘Continuous')

-(2)使用字典类型(dict) 设置目标函数和约束条件的参数,例如:

cost = {
      ‘废料1': 16,
      ‘废料2': 10,
      ‘废料3': 8,
      ‘废料4': 9,
      ‘镍': 48,
      ‘铬': 60,
      ‘钼': 53}

-(3)使用 遍历循环结构 设置目标函数和约束条件,例如:

AlloyModel += pulp.lpSum([cost[item] * mass[item] for item in material]), “总生产成本”
  AlloyModel += pulp.lpSum([mass[item] for item in material]) == 1000, “质量约束”

2、线性规划问题案例

本篇以合金钢材生产投料问题为例,分析基于列表和字典创建问题的快捷方法。

问题描述:
  某钢铁厂通过熔炼回收的金属废料并添加一定新料的方法生产满足化学成分要求的合金,计划生产1000千克的合金。
  所有金属废料的主要成分是铁,不同金属废料还含有各种微量元素。
  金属废料、新料的各组分含量占比、可用数量和单位成本如下表所示。生成合金中各组分的含量要求,也如表中所示。
  问如何安排投料比例,在满足合金组分含量要求的条件下的材料成本最小?

材料 可用量 成本
废料1 0.80 18.0 12.0 0.0 75 16
废料2 0.70 3.2 1.1 0.1 250 10
废料3 0.85 0 0 0 不限 8
废料4 0.40 0 0 0 不限 9
0 100 0 0 不限 48
0 0 100 0 不限 60
0 0 0 100 不限 53
合金下限 0.65 3.0 1.0 1.1 / /
合金上限 0.75 3.5 1.2 1.3 / /

3、建立模型

(1)决策变量

x1:废料 1 用量(千克)
x2:废料 2 用量(千克)
x3:废料 3 用量(千克)
x4:废料 4 用量(千克)
x5:原料镍 用量(千克)
x6:原料铬 用量(千克)
x7:原料钼 用量(千克)

(2)目标函数

min cost = 16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7

(3)约束条件

0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 >= 0.65*1000
0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 <= 0.75*1000
18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000
18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000
12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000
12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.2*1000
0.1*x2 + 100.0*x7 >= 1.1*1000
0.1*x2 + 100.0*x7 >= 1.3*1000

(4)变量取值范围

xi >= 0, i=1,2,…7
x1 <= 75, x2 <= 250

4、PuLP 程序1:使用 LpVariable 逐一定义变量

本程序与上篇的方法相同,使用 LpVariable 逐一定义变量。完整的程序代码如下:

    import pulp      # 导入 pulp库
    # 1.建立优化问题 AlloyLP: 求最小值(LpMinimize)
    AlloyLP = pulp.LpProblem("合金生产材料优化", sense=pulp.LpMinimize)    # 定义问题,求最小值
    # 2.定义决策变量 x1~x7
    x1 = pulp.LpVariable('废料1#', lowBound=0, upBound=75.0, cat='Continuous')  # 定义 x1
    x2 = pulp.LpVariable('废料2#', lowBound=0, upBound=250., cat='Continuous')  # 定义 x2
    x3 = pulp.LpVariable('废料3#', lowBound=0, cat='Continuous')  # 定义 x3
    x4 = pulp.LpVariable('废料4#', lowBound=0, cat='Continuous')  # 定义 x4
    x5 = pulp.LpVariable('原料镍', lowBound=0, cat='Continuous')  # 定义 x5
    x6 = pulp.LpVariable('原料铬', lowBound=0, cat='Continuous')  # 定义 x6
    x7 = pulp.LpVariable('原料钼', lowBound=0, cat='Continuous')  # 定义 x7
    # 3.定义目标函数 cost
    AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7)  # 投料成本
    # 4.设置约束条件
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000)  # 不等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000)  # 不等式约束
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    # 5.求解线性规划问题
    AlloyLP.solve()
    # 6.输出优化结果
    print(AlloyLP)  # 输出问题设定参数和条件
    # print("求解状态:", pulp.LpStatus[AlloyLP.status])  # 输出求解状态
    for v in AlloyLP.variables():
        print(v.name, " = ", v.varValue)  # 输出每个变量的最优值
    print("最小材料成本 = ", pulp.value(AlloyLP.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 =

5、PuLP 程序2:使用 dict 定义决策变量和约束条件

本程序使用 dict 定义变量、目标函数和约束条件参数,便于复杂问题的参数设定。

    import pulp      # 导入 pulp库
    # 1.建立优化问题 AlloyLP: 求最小值(LpMinimize)
    AlloyLP = pulp.LpProblem("合金生产材料优化", sense=pulp.LpMinimize)    # 定义问题,求最小值
    # 2.定义决策变量 x1~x7
    x1 = pulp.LpVariable('废料1#', lowBound=0, upBound=75.0, cat='Continuous')  # 定义 x1
    x2 = pulp.LpVariable('废料2#', lowBound=0, upBound=250., cat='Continuous')  # 定义 x2
    x3 = pulp.LpVariable('废料3#', lowBound=0, cat='Continuous')  # 定义 x3
    x4 = pulp.LpVariable('废料4#', lowBound=0, cat='Continuous')  # 定义 x4
    x5 = pulp.LpVariable('原料镍', lowBound=0, cat='Continuous')  # 定义 x5
    x6 = pulp.LpVariable('原料铬', lowBound=0, cat='Continuous')  # 定义 x6
    x7 = pulp.LpVariable('原料钼', lowBound=0, cat='Continuous')  # 定义 x7
    # 3.定义目标函数 cost
    AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7)  # 投料成本
    # 4.设置约束条件
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000)  # 不等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000)  # 不等式约束
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    # 5.求解线性规划问题
    AlloyLP.solve()
    # 6.输出优化结果
    print(AlloyLP)  # 输出问题设定参数和条件
    # print("求解状态:", pulp.LpStatus[AlloyLP.status])  # 输出求解状态
    for v in AlloyLP.variables():
        print(v.name, " = ", v.varValue)  # 输出每个变量的最优值
    print("最小材料成本 = ", pulp.value(AlloyLP.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 =

6、Python程序和运行结果

程序 1 和程序 2 的运行结果完全相同,结果如下:

Welcome to the CBC MILP Solver 
Version: 2.9.0 
Build Date: Feb 12 2015 
钢材生产问题:
MINIMIZE
16*原料_废料1 + 10*原料_废料2 + 8*原料_废料3 + 9*原料_废料4 + 53*原料_钼 + 60*原料_铬 + 48*原料_镍 + 0
SUBJECT TO
质量约束: 原料_废料1 + 原料_废料2 + 原料_废料3 + 原料_废料4 + 原料_钼 + 原料_铬 + 原料_镍 = 1000
碳最小占比: 0.8 原料_废料1 + 0.7 原料_废料2 + 0.85 原料_废料3 + 0.4 原料_废料4 >= 650
碳最大占比: 0.8 原料_废料1 + 0.7 原料_废料2 + 0.85 原料_废料3 + 0.4 原料_废料4 <= 750
镍最小占比: 18 原料_废料1 + 3.2 原料_废料2 + 100 原料_镍 >= 3000
镍最大占比: 18 原料_废料1 + 3.2 原料_废料2 + 100 原料_镍 <= 3500
铬最小占比: 12 原料_废料1 + 1.1 原料_废料2 + 100 原料_铬 >= 1000
铬最大占比: 12 原料_废料1 + 1.1 原料_废料2 + 100 原料_铬 <= 1200
钼最小占比: 0.1 原料_废料2 + 100 原料_钼 >= 1100
钼最大占比: 0.1 原料_废料2 + 100 原料_钼 <= 1300
废料1可用量: 原料_废料1 <= 75
废料2可用量: 原料_废料2 <= 250
VARIABLES
原料_废料1 Continuous
原料_废料2 Continuous
原料_废料3 Continuous
原料_废料4 Continuous
原料_钼 Continuous
原料_铬 Continuous
原料_镍 Continuous
优化状态: Optimal
原料_废料1 = 75.0
原料_废料2 = 90.909091
原料_废料3 = 672.28283
原料_废料4 = 137.30808
原料_钼 = 10.909091
原料_铬 = 0.0
原料_镍 = 13.590909
最优总成本 =  9953.671725000002

以上就是Python数学建模PuLP库线性规划进阶基于字典详解的详细内容,更多关于数学建模PuLP库线性规划的资料请关注脚本之家其它相关文章!

相关文章

  • 构建Python包的五个简单准则简介

    构建Python包的五个简单准则简介

    这篇文章主要介绍了构建Python包的五个简单准则简介,在Github开源合作日趋主流的今天,健壮的Python包的构建成为开发者必须要考虑到的问题,本文提出了五项建议,需要的朋友可以参考下
    2015-06-06
  • python 批量修改/替换数据的实例

    python 批量修改/替换数据的实例

    今天小编就为大家分享一篇python 批量修改/替换数据的实例,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
    2018-07-07
  • Python print函数使用由浅入深全面详解

    Python print函数使用由浅入深全面详解

    这篇文章主要为大家介绍了Python print函数使用由浅入深全面详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2023-12-12
  • python Xarray处理设置二维数组作为coordinates方式

    python Xarray处理设置二维数组作为coordinates方式

    这篇文章主要介绍了python Xarray处理设置二维数组作为coordinates方式,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2023-07-07
  • python 列表元素左右循环移动 的多种解决方案

    python 列表元素左右循环移动 的多种解决方案

    这篇文章主要介绍了python 列表元素左右循环移动 的多种解决方案,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
    2021-03-03
  • OpenCV半小时掌握基本操作之边界填充

    OpenCV半小时掌握基本操作之边界填充

    这篇文章主要介绍了OpenCV基本操作之边界填充,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2021-09-09
  • 对Python3 序列解包详解

    对Python3 序列解包详解

    今天小编就为大家分享一篇对Python3 序列解包详解,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
    2019-02-02
  • Python log模块logging记录打印用法解析

    Python log模块logging记录打印用法解析

    这篇文章主要介绍了Python log模块logging记录打印用法解析,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
    2020-01-01
  • Django中STATIC_ROOT和STATIC_URL及STATICFILES_DIRS浅析

    Django中STATIC_ROOT和STATIC_URL及STATICFILES_DIRS浅析

    这篇文章主要给大家介绍了关于Django中STATIC_ROOT和STATIC_URL及STATICFILES_DIRS的相关资料,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,需要的朋友们下面来一起看看吧
    2018-05-05
  • 使用Python点云生成3D网格

    使用Python点云生成3D网格

    本文主要介绍了使用Python点云生成3D网格,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
    2023-03-03

最新评论