使用python scipy.optimize linprog和lingo线性规划求解最大值,最小值(运筹学学习笔记)

时间:2021-07-04 01:58:02

1.线性规划模型:使用python scipy.optimize linprog和lingo线性规划求解最大值,最小值(运筹学学习笔记)

2.使用python scipy.optimize linprog求解模型最优解:

在这里我们用到scipy中的linprog进行求解,linprog的用法见https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html

scipy.optimize.linprog(cA_ub=Noneb_ub=NoneA_eq=Noneb_eq=Nonebounds=Nonemethod='simplex'callback=Noneoptions=None)

method = 'simplex'(单纯形法),bounds确定边界,x≥0为(0,None)。

要使用linprog,目标函数要变成求最小值,如果原题目要求求max(最大值),只需对目标函数取负,但要注意求解的最终值是取负后的目标函数的最小值,取负即为最大值。

下面为具体python代码:

import numpy as np
from scipy.optimize import linprog c = np.array([1,2,3])
A_ub = np.array([[-2,1,1],[3,-1,-2]])
b_ub = np.array([9,-4])
A_eq = np.array([[3,-2,-3]])
b_eq = np.array([-6])
r = linprog(c,A_ub,b_ub,A_eq,b_eq,bounds=((None,0),(0,None),(None,None)))
print(r)

程序的输出结果为:

fun: -22.0
message: 'Optimization terminated successfully.'
nit: 3
slack: array([ 0., 7., 0.])
status: 0
success: True
x: array([-7., 0., -5.])

fun为目标函数的最优值,slack为松弛变量,status表示优化结果状态,在这里不用过于追究,x为最优解。

最优解为-22

3.使用lingo进行线性规划:

当模型不是很大是可以用lingo求解,下面为lingo求解过程:

-----------------------------------------------------------------------------------------------------------------------

min=x1+2*x2+3*x3;
-2*x1+x2+x3<=9;
-3*x1+x2+2*x3>=4;
3*x1-2*x2-3*x3=-6;
x1<=0;
@free(x1);@free(x3);

-----------------------------------------------------------------------------------------------------------------------


目标函数使用max=或者min=表示,注意不是max z=。在lingo中变量默认为非负,使用@free可以解除限制。注意每一行结束要是用“;”,这点跟c类似。

求解结果为:

Objective value:                             -22.00000

Variable Value 
X1          -7.000000 
X2          0.000000 
X3          -5.000000

结果跟python相同。