关键词：Python、调包、线性规划、指派问题、运输问题、pulp、混合整数线性规划（MILP）
注：此文章是线性规划的调包实现，具体步骤原理请搜索具体解法。
一、线性规划
该问题引用自《数学建模算法与应用-司守奎》第一章线性规划 3.线性规划
包的具体使用可参考scipy官网
scipy调包代码
import numpy as np z = np.array([2, 3, 1]) a = np.array([[1, 4, 2], [3, 2, 0]]) b = np.array([8, 6]) x1_bound = x2_bound = x3_bound =(0, None) from scipy import optimize res = optimize.linprog(z, A_ub=-a, b_ub=-b,bounds=(x1_bound, x2_bound, x3_bound)) print(res) #output: # fun: 7.0 # message: 'Optimization terminated successfully.' # nit: 2 # slack: array([0., 0.]) # status: 0 # success: True # x: array([0.8, 1.8, 0. ])
这种情况，可以： A_eq = [[1,2,4]] b_eq = [101]
并在linprog中传入。
pulp调包代码
import pulp #目标函数的系数 z = [2, 3, 1] #约束 a = [[1, 4, 2], [3, 2, 0]] b = [8, 6] #确定最大化最小化问题，最大化只要把Min改成Max即可 m = pulp.LpProblem(sense=pulp.LpMinimize) #定义三个变量放到列表中 x = [pulp.LpVariable(f'x{i}', lowBound=0) for i in [1,2,3]] #定义目标函数，lpDot可以将两个列表的对应位相乘再加和 #相当于z[0]*x[0]+z[1]*x[0]+z[2]*x[2] m += pulp.lpDot(z, x) #设置约束条件 for i in range(len(a)): m += (pulp.lpDot(a[i], x) >= b[i]) #求解 m.solve() #输出结果 print(f'优化结果：{pulp.value(m.objective)}') print(f'参数取值：{[pulp.value(var) for var in x]}') #output: #优化结果：7.0 #参数取值：[2.0, 0.0, 3.0] 这种情况，可以： A_eq = [1,2,4] b_eq = 101 m += (pulp.lpDot(A_eq, x) == b_eq)
二、运输问题
个产地、
个销地，各产地的产量分别为
，各销地的 需求量分别为
。若该商品由
产地运到
销地的单位运价为
，问应该如何调 运才能使总运费最省？
，其取值为由产地运往销地的该商品数量，数学模型为 :
例题：
pulp调包代码
import pulp import numpy as np from pprint import pprint def transportation_problem(costs, x_max, y_max): row = len(costs) col = len(costs[0]) prob = pulp.LpProblem('Transportation Problem', sense=pulp.LpMaximize) var = [[pulp.LpVariable(f'x{i}{j}', lowBound=0, cat=pulp.LpInteger) for j in range(col)] for i in range(row)] flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x] prob += pulp.lpDot(flatten(var), costs.flatten()) for i in range(row): prob += (pulp.lpSum(var[i]) <= x_max[i]) for j in range(col): prob += (pulp.lpSum([var[i][j] for i in range(row)]) <= y_max[j]) prob.solve() return {'objective':pulp.value(prob.objective), 'var': [[pulp.value(var[i][j]) for j in range(col)] for i in range(row)]} 然后构造参数传递进去：
if __name__ == '__main__': costs = np.array([[500, 550, 630, 1000, 800, 700], [800, 700, 600, 950, 900, 930], [1000, 960, 840, 650, 600, 700], [1200, 1040, 980, 860, 880, 780]]) max_plant = [76, 88, 96, 40] max_cultivation = [42, 56, 44, 39, 60, 59] res = transportation_problem(costs, max_plant, max_cultivation) print(f'最大值为{res["objective"]}') print('各变量的取值为：') pprint(res['var']) #output: #最大值为284230.0 #各变量的取值为： #[[0.0, 0.0, 6.0, 39.0, 31.0, 0.0], # [0.0, 0.0, 0.0, 0.0, 29.0, 59.0], # [2.0, 56.0, 38.0, 0.0, 0.0, 0.0], # [40.0, 0.0, 0.0, 0.0, 0.0, 0.0]] 三、指派问题
该问题引用自《数学建模算法与应用-司守奎》第一章线性规划 3.指派问题
调包解决方法参考https://blog.csdn.net/your_answer/article/details/79160045
可参考官网https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.linear_sum_assignment.html
项工作，没人干且仅干一项工作，若分配第人去干第项工作，需花费单位时间，问应如何分配工作才能使公认花费的总时间最少？假设指派问题的系数矩阵为：
，若分配干工作，则取
，否则取
，上述指派问题的数学模型为
调用scipy解决
import numpy as np from scipy.optimize import linear_sum_assignment
efficiency_matrix = np.array([ [12,7,9,7,9], [8,9,6,6,6], [7,17,12,14,12], [15,14,6,6,10], [4,10,7,10,6] ]) row_index, col_index=linear_sum_assignment(efficiency_matrix) print(row_index+1) print(col_index+1) print(efficiency_matrix[row_index,col_index]) #output： #[1 2 3 4 5] #[2 3 1 4 5] #[7 6 7 6 6]
print(efficiency_matrix[row_index, col_index].sum()) #output： # 32
调用pulp解决
def assignment_problem(efficiency_matrix): row = len(efficiency_matrix) col = len(efficiency_matrix[0]) flatten = lambda x: [y for l in x for y in flatten(l)] if type(x) is list else [x] m = pulp.LpProblem('assignment', sense=pulp.LpMinimize) var_x = [[pulp.LpVariable(f'x{i}{j}', cat=pulp.LpBinary) for j in range(col)] for i in range(row)] m += pulp.lpDot(efficiency_matrix.flatten(), flatten(var_x)) for i in range(row): m += (pulp.lpDot(var_x[i], [1]*col) == 1) for j in range(col): m += (pulp.lpDot([var_x[i][j] for i in range(row)], [1]*row) == 1) m.solve() print(m) return {'objective':pulp.value(m.objective), 'var': [[pulp.value(var_x[i][j]) for j in range(col)] for i in range(row)]} efficiency_matrix = np.array([ [12, 7, 9, 7, 9], [8, 9, 6, 6, 6], [7, 17, 12, 14, 9], [15, 14, 6, 6, 10], [4, 10, 7, 10, 9] ]) res = assignment_problem(efficiency_matrix) print(f'最小值{res["objective"]}') print(res['var']) #output #最小值32.0 #[[0.0, 1.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 1.0, 0.0], [0.0, 0.0, 0.0, 0.0, 1.0], [0.0, 0.0, 1.0, 0.0, 0.0], [1.0, 0.0, 0.0, 0.0, 0.0]] 四、pulp的使用方式
基本使用
prob = pulp.LpProblem('problem name', sense=pulp.LpMinimize) x0 = pulp.LpVariable('x0', lowBound=0, upBound=None, cat=pulp.LpInteger) x1 = pulp.LpVariable('x1', lowBound=0, upBound=None, cat=pulp.LpInteger) x2 = pulp.LpVariable('x2', lowBound=0, upBound=None, cat=pulp.LpInteger)
如上述代码所示，pulp.LpInteger为离散变量，pulp.LpBinary为二值变量，同时也可以传入'Integer'字符串的方式指明变量类型。从上面几个问题的代码可以看出，我几乎没有单个定义变量，而是批量定义的。
prob += 2*x0-5*x1+4*x2
prob += (x0+x1-6*x2 <= 120)
prob.solve()
print(pulp.value(prob.objective)) print(pulp.value(x0))
打印优化结果，并显示当优化达到结果时x0的取值。
思考程序本质
https://qiita.com/SaitoTsutomu/items/bfbf4c185ed7004b5721
https://www.bilibili.com/video/av18818604?from=search&seid=17463693264345909709
作者：crossous
链接：https://www.jianshu.com/p/9be417cbfebb
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。