Python数学建模PuLP库线性规划入门示例详解

• 2、pulp 库求解线性规划
• -（0）导入 pulp库函数
• 3、python程序和运行结果

1、什么是线性规划

线性规划（linear programming），在线性等式或不等式约束条件下求解线性目标函数的极值问题，常用于解决资源分配、生产调度和混合问题。例如：

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

线性规划问题的建模和求解，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；

2、pulp 库求解线性规划

pulp是一个开源的第三方工具包，可以求解线性规划、整数规划、混合整数规划问题。
下面以该题为例讲解 pulp 求解线性规划问题的步骤：

-（0）导入 pulp库函数

    import pulp

-（1）定义一个规划问题

    myproblp = pulp.lpproblem("lpprobdemo1", sense=pulp.lpmaximize)

pulp.lpproblem 是定义问题的构造函数。
　　"lpprobdemo1"是用户定义的问题名（用于输出信息）。
　　参数 sense 用来指定求最小值/最大值问题，可选参数值：lpminimize、lpmaximize 。

-（2）定义决策变量

    x1 = pulp.lpvariable('x1', lowbound=0, upbound=7, cat='continuous') 
    x2 = pulp.lpvariable('x2', lowbound=0, upbound=7, cat='continuous')
    x3 = pulp.lpvariable('x3', lowbound=0, upbound=7, cat='continuous') 

pulp.lpvariable 是定义决策变量的函数。
　　‘x1' 是用户定义的变量名。
　　参数 lowbound、upbound 用来设定决策变量的下界、上界；可以不定义下界/上界，默认的下界/上界是负无穷/正无穷。本例中 x1,x2,x3 的取值区间为 [0,7]。
　　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）。

-（3）添加目标函数

    myproblp += 2*x1 + 3*x2 - 5*x3  	# 设置目标函数

添加目标函数使用 “问题名 += 目标函数式” 格式。

-（4）添加约束条件

    myproblp += (2*x1 - 5*x2 + x3 >= 10)  # 不等式约束
    myproblp += (x1 + 3*x2 + x3 <= 12)  # 不等式约束
    myproblp += (x1 + x2 + x3 == 7)  # 等式约束

添加约束条件使用 “问题名 += 约束条件表达式” 格式。
　　约束条件可以是等式约束或不等式约束，不等式约束可以是 小于等于 或 大于等于，分别使用关键字">="、"<=“和”=="。

-（5）求解

    myproblp.solve()
    print("status:", pulp.lpstatus[myproblp.status]) # 输出求解状态
    for v in myproblp.variables():
        print(v.name, "=", v.varvalue)  # 输出每个变量的最优值
    print("f(x) = ", pulp.value(myproblp.objective))  #输出最优解的目标函数值    

solve() 是求解函数。pulp默认采用 cbc 求解器来求解优化问题，也可以调用其它的优化器来求解，如：glpk，coin clp/cbc，cplex，和gurobi，但需要另外安装。

3、python程序和运行结果

完整的程序代码如下：

import pulp
myproblp = pulp.lpproblem("lpprobdemo1", sense=pulp.lpmaximize)
x1 = pulp.lpvariable('x1', lowbound=0, upbound=7, cat='continuous') 
x2 = pulp.lpvariable('x2', lowbound=0, upbound=7, cat='continuous') 
x3 = pulp.lpvariable('x3', lowbound=0, upbound=7, cat='continuous') 
myproblp += 2*x1 + 3*x2 - 5*x3  	# 设置目标函数
myproblp += (2*x1 - 5*x2 + x3 >= 10)  # 不等式约束
myproblp += (x1 + 3*x2 + x3 <= 12)  # 不等式约束
myproblp += (x1 + x2 + x3 == 7)  # 等式约束
myproblp.solve()
print("status:", pulp.lpstatus[myproblp.status]) # 输出求解状态
for v in myproblp.variables():
    print(v.name, "=", v.varvalue)  # 输出每个变量的最优值
print("f(x) = ", pulp.value(myproblp.objective))  #输出最优解的目标函数值
#= 关注 youcans，分享原创系列 https://blog.csdn.net/youcans =

程序运行结果如下：

welcome to the cbc milp solver 
version: 2.9.0 
build date: feb 12 2015 
status: optimal
x1 = 6.4285714
x2 = 0.57142857
x3 = 0.0
f(x) =  14.57142851

以上就是python数学建模pulp库线性规划入门示例详解的详细内容，更多关于数学建模pulp库线性规划入门的资料请关注其它相关文章！