13518219792
这篇文章给大家介绍Python中怎么实现线性规划，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
小店网站制作公司哪家好，找创新互联！从网页设计、网站建设、微信开发、APP开发、响应式网站开发等网站项目制作，到程序开发，运营维护。创新互联成立于2013年到现在10年的时间，我们拥有了丰富的建站经验和运维经验，来保证我们的工作的顺利进行。专注于网站建设就选创新互联。
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：
鸿蒙官方战略合作共建——HarmonyOS技术社区
目标函数:要优化的函数(最大化或最小化)。
决策变量:影响系统性能的可控变量。
约束:决策变量的一组约束(即线性不等式或等式)。非负性约束限制了决策变量取正值。
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：
鸿蒙官方战略合作共建——HarmonyOS技术社区
问题定义:定义项目的范围，并确定三个要素:决策变量、目标和限制(即约束)。
模型构建:将问题定义转化为数学关系。
模型求解:使用标准优化算法。在获得解后，需要进行灵敏度分析，以找出由于某些参数的变化而导致的解的行为。
模型有效性:检查模型是否按预期工作。
实现:将模型和结果转换为解决方案。
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：
鸿蒙官方战略合作共建——HarmonyOS技术社区
这个问题必须表述为一个最小化问题。
不等式必须表示为≤。
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.
关于Python中怎么实现线性规划就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
