Python数学建模PuLP库线性规划实际案例编程详解
1、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)若每百箱甲饮料获利可增加1万元,是否应否改变生产计划?
(4)若每百箱甲饮料获利可增加1万元,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?
(5)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?
2、用pulp 库求解线性规划
2.1 问题 1
(1)数学建模
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
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)python 编程
import pulp # 导入 pulp库 problp1 = pulp.lpproblem("problp1", sense=pulp.lpmaximize) # 定义问题 1,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 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:", 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 # = 关注 youcans,分享原创系列 https://blog.csdn.net/youcans =
(3)运行结果
problp1 x1=6.4285714 x2=4.2857143 f1(x)=102.8571427
2.2 问题 2
(1)数学建模
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
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)python 编程
import pulp # 导入 pulp库 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', 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:", 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
(3)运行结果
problp2 x1=8.0 x2=3.5 x3=4.4 f2(x)=107.1
2.3 问题 3
(1)数学建模
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 = 11*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)python 编程
import pulp # 导入 pulp库 problp3 = pulp.lpproblem("problp3", sense=pulp.lpmaximize) # 定义问题 3,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 problp3 += (11 * 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(problp3.name) # 输出求解状态 print("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
(3)运行结果
problp3 x1=8.0 x2=2.4 f3(x) = 109.6
2.4 问题 4
(1)数学建模
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 = 11*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)python 编程
import pulp # 导入 pulp库 problp4 = pulp.lpproblem("problp4", 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', cat='continuous') # 定义 x3 problp4 += (11 * 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(problp4.name) # 输出求解状态 print("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 # = 关注 youcans,分享原创系列 https://blog.csdn.net/youcans =
(3)运行结果
problp4 x1=8.0 x2=3.5 x3=4.4 f4(x) = 115.1
2.5 问题 5:整数规划问题
(1)数学建模
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
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8,x1, x2 为整数
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7
说明:本题中要求饮料车辆为整百箱,即决策变量 x1,x2 为整数,因此是整数规划问题。pulp提供了整数规划的
(2)python 编程
import pulp # 导入 pulp库 problp5 = pulp.lpproblem("problp5", sense=pulp.lpmaximize) # 定义问题 1,求最大值 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 problp5 += (10 * x1 + 9 * x2) # 设置目标函数 f(x) problp5 += (6 * x1 + 5 * x2 <= 60) # 不等式约束 problp5 += (10 * x1 + 20 * x2 <= 150) # 不等式约束 problp5.solve() print(problp5.name) # 输出求解状态 print("status:", pulp.lpstatus[problp5.status]) # 输出求解状态 for v in problp5.variables(): print(v.name, "=", v.varvalue) # 输出每个变量的最优值 print("f5(x) =", pulp.value(problp5.objective)) # 输出最优解的目标函数值
(3)运行结果
problp5 x1=8.0 x2=2.0 f5(x) = 98.0
以上就是python数学建模pulp库线性规划实际案例编程详解的详细内容,更多关于pulp库线性规划实际编程案例的资料请关注其它相关文章!