Python数模笔记-Scipy库(1)线性规划问题


1、最优化问题建模

最优化问题的三要素是决策变量、目标函数和约束条件。

(1)分析影响结果的因素是什么,确定决策变量
(2)决策变量与优化目标的关系是什么,确定目标函数
(3)决策变量所受的限制条件是什么,确定约束条件

最优化问题的建模,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;
(4)模型检验,统计检验和灵敏度分析。


欢迎关注 Youcans 原创系列,每周更新数模笔记

Python数模笔记-PuLP库
Python数模笔记-StatsModels统计回归
Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法



2、线性规划

线性规划(Linear programming),是研究线性约束条件下线性目标函数的极值问题的优化方法,常用于解决利用现有的资源得到最优决策的问题。

线性规划模型的一般形式如下:

min  fx = c1*x1 + ...+ cn*xn
  s.t. a11*x1+...+a1n*Xn ≤ b1
    ...
    am1*x1+...+amn*Xn ≤ bm
    x1≥0,...,xn≥0

其中:fx 是目标函数,求最小值;x1,...xn 是决策变量;aij, bi 是不等式约束的参数。



3、Scipy 求解线性规划

Python 的 SciPy 库带有用于解决线性编程问题的 linprog 函数。
  linporg 函数对于线性规划模型的描述为:

min fx = C'*X fx 是目标函数
  s.t. A_ub*X <= B_ub 不等式约束
    A_eq*X = B_eq 等式约束
    lb <= X <= ub 取值范围

其中:

fx 是目标函数,求最小值;
X 是决策变量,向量;
C 是目标函数的参数向量;
A_ub 是不等式约束的参数矩阵,B_ub 是不等式约束的参数向量;
A_eq 是等式约束的参数矩阵,B_eq 是等式约束的参数向量;
lb,ub 是参数向量,(lb,ub) 是 X 的取值范围。

注意:
  (1)问题表示为:求 fx 的最小值,如果问题要求 fx 的最大值则要通过 fx‘= -fx 将问题转化为求 fx' 的最小值;
  (2)不等式约束条件表示为:小于等于,如果约束条件为大于等于则要通过不等式两侧乘以 -1 将约束条件转化为小于等于的形式。
linporg 函数求解线性规划问题的输出参数为:

con: 等式约束的残差(名义上为 0),B_eq - A_eqX
fun: 目标函数的当前值(最小值),C'X
message: 算法状态描述
nit: 当前迭代次数
slack: 不等式约束的松弛值,B_ub - A_ub
X
status: 算法退出时的状态,0:优化完成,1:达到最大迭代次数,2:不可行,3:不收敛,4:数值困难
success: 当算法成功完成时为 True
x: 当前解,向量



4 实例

4.1 问题模型:

    max     fx = 2*x1 + 3*x2 - 5*x3
    s.t.    x1 + x2 + x3 = 7
            2*x1 - 5*x2 + x3 >= 10
            x1 + 3*x2 + x3 <= 12
            x1, x2, x3 >=0

4.2 模型转换:

首先要将求解问题的模型转化为 Linprog 的标准形式:

(1)求最大值问题要转换为求最小值问题:C = [-2, 3, 5]
(2)当约束条件为 大于等于 时要加负号:A_ub = [[-2, 5, -1], [1, 3, 1]]
(3)由 x1,x2,x3>=0 和 x1+x2+x3=7 可知:0 <= x1,x2,x3 <= 7

4.3 python 程序:

import numpy as np  # 导入 numpy
from scipy.optimize import linprog  # 导入 scipy

c = np.array([-2, -3, 5])
A_ub = np.array([[-2, 5, -1], [1, 3, 1]])  # 不等式约束参数矩阵
B_ub = np.array([-10, 12])  # 不等式约束参数向量
A_eq = np.array([[1, 1, 1]])  # 等式约束参数矩阵
B_eq = np.array([7])  # 等式约束参数向量
x1 = (0, 7)  # x1 的取值范围,lb1 < x1 < ub1
x2 = (0, 7)  # x2 的取值范围,lb2 < x2 < ub2
x3 = (0, 7)  # x3 的取值范围,lb3 < x3 < ub3
res = linprog(c, A_ub, B_ub, A_eq, B_eq, bounds=(x1, x2, x3))
print(res)
# === 关注 Youcans,分享更多原创系列 https://www.cnblogs.com/youcans/ ===

4.4 运行结果:

     con: array([1.19830306e-08])
     fun: -14.57142854231215
 message: 'Optimization terminated successfully.'
     nit: 5
   slack: array([-3.70231543e-08,  3.85714287e+00])
  status: 0
 success: True
       x: array([6.42857141e+00, 5.71428573e-01, 9.82192085e-10])


版权说明:
YouCans 原创作品,转载必须注明原文链接
Copyright 2021 YouCans, XUPT
Crated:2021-04-28


欢迎关注 Youcans 原创系列,每周更新数模笔记

Python数模笔记-PuLP库
Python数模笔记-StatsModels统计回归
Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法


posted @ 2021-04-28 11:22  youcans  阅读(4906)  评论(0编辑  收藏  举报