简洁是智慧的灵魂,冗长是肤浅的藻饰。——莎士比亚《哈姆雷特》

1 PuLP 库的安装

如果您使用的是 Anaconda[1] 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[2]

若变量 \(x, y\) 满足约束条件:

\[\left\{
\begin{aligned}
& 2x + 3y - 6\geq 0\\
& x + y - 3 \leq 0\\
& y - 2 \leq 0
\end{aligned}
\right.
\]

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:

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:

\[\begin{eqnarray*}
&\max &z = x+3y \tag{1}\\
&\mathrm{s.t.} & \quad 2x + 3y - 6 \geq0 \tag{2}\\
& & \quad x + 3y - 3 \leq 0 \tag{3}\\
& & \quad y - 2 \leq 0 \tag{4}
\end{eqnarray*}
\]

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[3]

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 / t 1.5 3 5
劳动时间 / h 280 250 400
利润 / 万元 2 3 4

2.2.2 解题思路

首先,设三个决策变量,用 \(x_1, x_2, x_3\) 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:

\[\left\{\begin{aligned}
& 1.5 x_1 + 3 x_2 + 5 x_3 \leq 600\\
& 280 x_1 + 250 x_2 + 400 x_2 \leq 60000
\end{aligned}\right.
\]

最后写出目标函数

\[z = 2x_1 + 3x_2 + 4x_3
\]

综合起来整个问题描述为:

\[\begin{eqnarray*}
&\max & z = 2x_1 + 3x_2 + 4x_3 \tag{1}\\
&\mathrm{s.t.} & 1.5 x_1 + 3 x_2 + 5 x_3 \leq 600\tag{2}\\
& & 280 x_1 + 250 x_2 + 400 x_2 \leq 60000\tag{3}\\
& & x_1, x_2, x_3 \geq 0\tag{4}\\
& & x_1, x_2, x_3 均为整数\tag{5}
\end{eqnarray*}
\]

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 modelsolve() 方法,并把结果保存在 status 中。

3.4 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。


  1. 众所周知 Python 在各个领域如此受欢迎很大程度上是因为其有众多强大的第三方库,但是用的多了就会发现如果安装太多库就有点乱。而 Anaconda 就是一种很方便的管理 Python 环境的工具,不仅可以将不同的库分门别类管理好,更有用的是可以在电脑上安装不同版本的 Python 而不用担心会互相冲突。

  2. 2019 年高考全数学国二卷。

  3. 改编自姜启元等《数学模型(第五版)》108 页例 1。

Python求解线性规划——PuLP使用教程的更多相关文章

  1. Python学习笔记-PuLP库(3)线性规划实例

    本节以一个实际数学建模案例,讲解 PuLP 求解线性规划问题的建模与编程. 1.问题描述 某厂生产甲乙两种饮料,每百箱甲饮料需用原料6千克.工人10名,获利10万元:每百箱乙饮料需用原料5千克.工人2 ...

  2. 万字教你如何用 Python 实现线性规划

    摘要:线性规划是一组数学和计算工具,可让您找到该系统的特定解,该解对应于某些其他线性函数的最大值或最小值. 本文分享自华为云社区<实践线性规划:使用 Python 进行优化>,作者: Yu ...

  3. Python实用工具包Scrapy安装教程

       对于想用每个想用Python开发网络爬虫的开发者来说,Scrapy无疑是一个极好的开源工具.今天安装之后觉得Scrapy的安装确实不易啊.所以在此博文一篇,往后来着少走弯路. 废话不多说了,如果 ...

  4. Python 数据处理库 pandas 入门教程

    Python 数据处理库 pandas 入门教程2018/04/17 · 工具与框架 · Pandas, Python 原文出处: 强波的技术博客 pandas是一个Python语言的软件包,在我们使 ...

  5. Python idle安装与使用教程 调试、下载

    Python idle安装与使用教程 调试.下载 今天我们就来讲一下如何安装Python idle编辑器,也它的调试和使用. 第一步,我们先去下载一个Python idle程序安装包. 本节讲的是wi ...

  6. 『开发技巧』Python音频操作工具PyAudio上手教程

    『开发技巧』Python音频操作工具PyAudio上手教程 ​ 0.引子 当需要使用Python处理音频数据时,使用python读取与播放声音必不可少,下面介绍一个好用的处理音频PyAudio工具包. ...

  7. PySide——Python图形化界面入门教程(四)

    PySide——Python图形化界面入门教程(四) ——创建自己的信号槽 ——Creating Your Own Signals and Slots 翻译自:http://pythoncentral ...

  8. PySide——Python图形化界面入门教程(六)

    PySide——Python图形化界面入门教程(六) ——QListView和QStandardItemModel 翻译自:http://pythoncentral.io/pyside-pyqt-tu ...

  9. PySide——Python图形化界面入门教程(五)

    PySide——Python图形化界面入门教程(五) ——QListWidget 翻译自:http://pythoncentral.io/pyside-pyqt-tutorial-the-qlistw ...

随机推荐

  1. 你是怎么看Spring框架的?

    Spring是一个轻量级的容器,非侵入性的框架.最重要的核心概念是IOC,并提供AOP概念的实现方式,提供对持久层,事务的支持,对当前流行的一些框架(Struts,Hibernate,MVC),Spi ...

  2. 推荐几个免费的在线学习IT技能视频网站:

    1.慕课网:http://www.imooc.com/course/list 2.极客学院:http://www.jikexueyuan.com/ 3.百度传课:http://www.chuanke. ...

  3. 解释 Spring 支持的几种 bean 的作用域?

    Spring 框架支持以下五种 bean 的作用域:singleton : bean 在每个 Spring ioc 容器中只有一个实例.prototype:一个 bean 的定义可以有多个实例.req ...

  4. 信号量,semaphore源代码之我见

    信号量,Semaphore,一个限定访问线程数量的工具类,属于并发包java.util.concurrent 里面的类. Semaphore,内部提供了构造方法(包含默认的非公平信号量构造方法,已经可 ...

  5. synchronize、Lock、ReenTrantLock 的区别

    synchronize 和Lock: 1.synchronize 系java 内置关键字:而Lock 是一个类 2.synchronize 可以作用于变量.方法.代码块:而Lock 是显式地指定开始和 ...

  6. 学习ELK日志平台(五)

    ELK Stack 通常情况下: 1,开发人员是不能登录线上服务器查看日志信息 2,各个系统的日志繁多,日志数据分散难以查找 3,日志数据量较大,查询速度慢,数据不够实时性 4,一个调用会涉及到多个系 ...

  7. ros系统21讲—前六讲

    课程介绍(第一讲) linux介绍安装(第二讲) linux的基础操作(第三讲) ROS中语言c++与python介绍(第四讲) 安装ROS系统(第五讲) 第一个: sudo sh -c echo d ...

  8. 《剑指offer》面试题2:实现Singleton 模式

    面试题2:实现Singleton 模式 题目:设计一个类,我们只能生成该类的一个实例.   只能生成一个实例的类是实现了Singleton (单例)模式的类型.由于设计模式在面向对象程序设计中起着举足 ...

  9. 在 MarkDown 中添加表格(例如:在 CSDN 中添加表格)

    内容 一.使用 Markdown 创建表格(例如:在 CSDN 中创建表格) 1. 表格格式 对齐方式 -: 设置内容和标题栏居右对齐: :- 设置内容和标题栏居左对齐: :-: 设置内容和标题栏居中 ...

  10. 微信支付之微信H5支付(坑,ajax不支持重定向跳转)

    这里讲的是  微信h5支付,    是微信以外的手机浏览器调用微信h5支付  h5支付: H5支付是指商户在微信客户端外的移动端网页展示商品或服务,用户在前述页面确认使用微信支付时,商户发起本服务呼起 ...