目录
1.用scipy.optimize模块的minimize函数求解
6.1 整数规划
纯整数规划:所有决策变量都限定为整数
混合整数规划:仅一部分变量限定为整数
0-1整数规划:决策变量仅限于0或1
6.1.1 整数规划问题与求解
例6.1 求解下列整数线性规划问题:
# mathmodel05_v1.py
# Demo05 of mathematical modeling algorithm
# Solving integer programming with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated:2021-05-31
# Python小白的数学建模课 @ Youcans
import pulp # 导入 pulp 库
# 主程序
def main():
# 模型参数设置
"""
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20名,获利9万元。
今工厂共有原料60千克、工人150名,又由于其他条件所限甲饮料产量不超过8百箱。
(1)问如何安排生产计划,即两种饮料各生产多少使获利最大?
(2)若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
(3)若不允许散箱(按整百箱生产),如何安排生产计划,即两种饮料各生产多少使获利最大?
(4)若不允许散箱(按整百箱生产),若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
"""
# 问题 1:
"""
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
目标函数:
max fx = 10*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
x1, x2 >= 0,x1 <= 8
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize) # 定义问题 1,求最大值
#注意,上一行确定了是求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
#参数 cat 用来设定变量类型,可选参数值:‘Continuous’ 表示连续变量(默认值)、’ Integer ’ 表示离散变量(用于整数规划问题)、’ Binary ’ 表示0/1变量(用于0/1规划问题)。
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP1 += (10*x1 + 9*x2) # 设置目标函数 f(x)
ProbLP1 += (6*x1 + 5*x2 <= 60) # 不等式约束
ProbLP1 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP1.solve()
print(ProbLP1.name) # 输出求解状态
print("Status youcans:", pulp.LpStatus[ProbLP1.status]) # 输出求解状态
for v in ProbLP1.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F1(x) =", pulp.value(ProbLP1.objective)) # 输出最优解的目标函数值
# 问题 2:
"""
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
x3:增加投资(单位:万元)
目标函数:
max fx = 10*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
x1, x2, x3 >= 0,x1 <= 8
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize) # 定义问题 2,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
x3 = pulp.LpVariable('x3', lowBound=0, cat='Continuous') # 定义 x3
ProbLP2 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)
ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束
ProbLP2 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP2.solve()
print(ProbLP2.name) # 输出求解状态
print("Status youcans:", pulp.LpStatus[ProbLP2.status]) # 输出求解状态
for v in ProbLP2.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F2(x) =", pulp.value(ProbLP2.objective)) # 输出最优解的目标函数值
# 问题 3:整数规划问题
"""
问题建模:
决策变量:
x1:甲饮料产量,正整数(单位:百箱)
x2:乙饮料产量,正整数(单位:百箱)
目标函数:
max fx = 10*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
x1, x2 >= 0,x1 <= 8,x1, x2 为整数
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize) # 定义问题 3,求最大值
print(ProbLP3.name) # 输出求解状态
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1,变量类型:整数
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer') # 定义 x2,变量类型:整数
ProbLP3 += (10 * x1 + 9 * x2) # 设置目标函数 f(x)
ProbLP3 += (6 * x1 + 5 * x2 <= 60) # 不等式约束
ProbLP3 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP3.solve()
print("Shan Status:", pulp.LpStatus[ProbLP3.status]) # 输出求解状态
for v in ProbLP3.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F3(x) =", pulp.value(ProbLP3.objective)) # 输出最优解的目标函数值
# 问题 4:
"""
问题建模:
决策变量:
x1:甲饮料产量,正整数(单位:百箱)
x2:乙饮料产量,正整数(单位:百箱)
x3:增加投资(单位:万元)
目标函数:
max fx = 10*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
x1, x2, x3 >= 0,x1 <= 8,x1, x2 为整数
此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5
"""
ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize) # 定义问题 4,求最大值
print(ProbLP4.name) # 输出求解状态
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1,变量类型:整数
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Integer') # 定义 x2,变量类型:整数
x3 = pulp.LpVariable('x3', lowBound=0, cat='Continuous') # 定义 x3
ProbLP4 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)
ProbLP4 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束
ProbLP4 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP4.solve()
print("Shan Status:", pulp.LpStatus[ProbLP4.status]) # 输出求解状态
for v in ProbLP4.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F4(x) =", pulp.value(ProbLP4.objective)) # 输出最优解的目标函数值
return
if __name__ == '__main__': # Copyright 2021 YouCans, XUPT
main() # Python小白的数学建模课 @ Youcans
这里借用了Python小白的数学建模课-04.整数规划_youcans的博客-CSDN博客_python整数规划中的方法,原因是不知道为什么司守奎老师的源代码我报错了。。。详见上述文章学习整数规划。用pulp库也可以解决0-1规划的问题。报错如果解决后会更新。
6.2 非线性规划
6.2.1 非线性规划概念和理论
1. 非线性规划模型
非线性规划模型的一般形式描述如下:
采用向量表示法写作:
定义6.1:严格全局最优解和严格局部最优解
2. 无约束非线性规划的求解
无约束线性规划问题可以具体表示为:
该类问题可以借鉴高等数学中二元函数求极值的方法。首先引入下面的定理:
定理6.3
定义6.2 黑塞矩阵
定理6.4 (无约束优化问题有局部最优解的充分条件)
常用方法有:最速降线法,牛顿法和拟牛顿法,这里不详细介绍了
3. 有约束非线性规划的求解
比较常见的处理思路:可能的话将非线性问题转化为线性问题,将约束问题转化为无约束问题。
(1)求解有等式约束非线性规划的lagrange乘数法
对于特殊的只有等式约束的非线性规划问题的情形
定理6.5 (Lagrange定理):
这样可以把问题求解转化为无约束问题求解。
(2)求解有约束非线性规划的罚函数法
略,书P205(P219)
注:罚函数法计算精度较差,除非要求算法达到实时,否则一般不用
6.2.2 非线性规划的python求解
1.用scipy.optimize模块的minimize函数求解
例6.4 求解非线性规划问题:
from scipy.optimize import minimize
from numpy import ones
def obj(x):
x1,x2,x3=x
return (2+x1)/(1+x2)-3*x1+4*x3
LB=[0.1]*3; UB=[0.9]*3
bound=tuple(zip(LB, UB)) #生成决策向量界限的元组
res=minimize(obj,ones(3),bounds=bound) #第2个参数为初值
print(res.fun,'\n',res.success,'\n',res.x) #输出最优值、求解状态、最优解
所以:最优解为x1=x2=0.9,x3=0.1,目标函数的最优值为-0.7737
例6.5 求解下列非线性规划问题
from scipy.optimize import minimize
import numpy as np
c1=np.array([1,1,3,4,2]); c2=np.array([-8,-2,-3,-1,-2])
A=np.array([[1,1,1,1,1],[1,2,2,1,6],
[2,1,6,0,0],[0,0,1,1,5]])
b=np.array([400,800,200,200])
obj=lambda x: np.dot(-c1,x**2)+np.dot(-c2,x)
cons={'type':'ineq','fun':lambda x:b-A@x}
bd=[(0,99) for i in range(A.shape[1])]
res=minimize(obj,np.ones(5)*90,constraints=cons,bounds=bd)
print(res) #输出解的信息
所以,最优解为:x1=50.5,x2=99,x3=0,x4=99,x5=20.2,目标函数的最优值为-51629.93
2. 用cvxopt.solvers模块求解二次规划模型
cvxopt.solvers模块中二次规划的标准型为:
例6.6 求解二次规划模型
解:首先将原规划模型化为标准型
注意:由于系数1/2的存在,P矩阵为二次方项系数两倍的对角阵,q为一次方系数的纵向量,A为不等式约束的变量系数,b为不等式约束的常数,Aeq为等式约束的系数行向量,beq为等式约束的常数项。
求得最优解为x1=0.8,x2=1.4,x3=0.8,目标函数的最优值为-7.1760。
3. 用cvxpy库求解
例6.7 求解下列非线性整数规划问题
代码略,暂时有报错