运筹学
运筹学是一种科学的决策方法,它通常是在需要分配稀缺资源的条件下,寻求系统的优秀设计。科学的决策方法需要使用一个或多个数学模型(优化模型)来做出最优决策。
优化模型试图在满足给定约束的决策变量的所有值的集合中,找到优化(最大化或最小化)目标函数的决策变量的值。 它的三个主要组成部分是:
优化模型的解称为最优可行解。
建模步骤
对运筹学问题进行准确建模是很重要的任务,也是很困难的任务。错误的模型会导致错误的解决方案,从而不能解决原来的问题。团队成员应按照以下步骤进行建模:
线性规划
线性规划(Linear Programming,也称为LP)是一种运筹学技术,当当所有的目标和约束都是线性的(在变量中)并且当所有的决策变量都是连续的时使用。线性规划是最简单的运筹学方法。
Python的SciPy库包含用于解决线性编程问题的linprog函数。在使用linprog时,编写代码要考虑的两个注意事项:
最小化问题
让我们考虑以下要解决的最小化问题:
让我们看一下Python代码:
- # Import required libraries
- import numpy as np
- from scipy.optimize import linprog
- # Set the inequality constraints matrix
- # Note: the inequality constraints must be in the form of <=
- A = np.array([[-1, -1, -1], [-1, 2, 0], [0, 0, -1], [-1, 0, 0], [0, -1, 0], [0, 0, -1]])
- # Set the inequality constraints vector
- b = np.array([-1000, 0, -340, 0, 0, 0])
- # Set the coefficients of the linear objective function vector
- c = np.array([10, 15, 25])
- # Solve linear programming problem
- res = linprog(c, A_ub=A, b_ub=b)
- # Print results
- print('Optimal value:', round(res.fun, ndigits=2),
- '\nx values:', res.x,
- '\nNumber of iterations performed:', res.nit,
- '\nStatus:', res.message)
输出结果:
- # Optimal value: 15100.0
- # x values: [6.59999996e+02 1.00009440e-07 3.40000000e+02]
- # Number of iterations performed: 7
- # Status: Optimization terminated successfully.
最大化问题
由于Python的SciPy库中的linprog函数是用来解决最小化问题的,因此有必要对原始目标函数进行转换。通过将目标函数的系数乘以-1(即通过改变其符号),可以将最小化问题转化为一个最大化问题。
让我们考虑下面需要解决的最大化问题:
让我们看一下Python的实现:
- # Import required libraries
- import numpy as np
- from scipy.optimize import linprog
- # Set the inequality constraints matrix
- # Note: the inequality constraints must be in the form of <=
- A = np.array([[1, 0], [2, 3], [1, 1], [-1, 0], [0, -1]])
- # Set the inequality constraints vector
- b = np.array([16, 19, 8, 0, 0])
- # Set the coefficients of the linear objective function vector
- # Note: when maximizing, change the signs of the c vector coefficient
- c = np.array([-5, -7])
- # Solve linear programming problem
- res = linprog(c, A_ub=A, b_ub=b)
- # Print results
- print('Optimal value:', round(res.fun*-1, ndigits=2),
- '\nx values:', res.x,
- '\nNumber of iterations performed:', res.nit,
- '\nStatus:', res.message)
上述代码的输出结果为:
- # Optimal value: 46.0
- # x values: [5. 3.]
- # Number of iterations performed: 5
- # Status: Optimization terminated successfully.
最后
线性规划为更好的决策提供了一种很好的优化技术。Python的SciPy库中的linprog函数允许只用几行代码就可以解决线性编程问题。虽然还有其他免费的优化软件(如GAMS、AMPL、TORA、LINDO),但使用linprog函数可以节省大量时间。
当前标题:使用Python进行线性规划示例
本文链接:http://www.shufengxianlan.com/qtweb/news38/331888.html
网站建设、网络推广公司-创新互联,是专注品牌与效果的网站制作,网络营销seo公司;服务项目有等
声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联