Python求解线性规划——PuLP使用教程
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:
\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:
&\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:
& 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:
\]
综合起来整个问题描述为:
&\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或等式,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。
3.4 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。
Python求解线性规划——PuLP使用教程的更多相关文章
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 『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. ...
- 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 ...
- 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 ...
- 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
- 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 ...
- 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. ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 《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 ...
- 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 ...
- 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 ...