使用python线性规划学习总结x

　使用 python 线性规划学习总结

　1.pulp 例子：https://blog.csdn.net/MartaYang/article/details/71439074

　 https://blog.csdn.net/cyuhong/article/details/50865909

　https://www.cnblogs.com/shizhenqiang/p/8274806.html

　2.python-pymprog 3. scipy.optimize.linprog

　 1.pulp 试试这个模块 from pulp import *

　# 设置对象

　f

　= LpProblem("lptest", LpMinimize)

　# 设置三个变量，并设置变量最小取值

　x = LpVariable("x", lowBound = 0)

　y = LpVariable("y", lowBound = 0)

　z = LpVariable("z", lowBound = 0)

　 # 载入约束变量

　f += 3.05 * x + 4.05 * y + 6.1 * z >= 7.9

　 # 求解

　GLPK().solve(f)

　 # 显示结果

　for i in f.variables():

　print(i.name + "=" + str(i.varValue))

　显示如下：

　GLPSOL: GLPK LP/MIP Solver, v4.55

　Parameter(s) specified in the command line:

　 --cpxlp C:\Users\tony\AppData\Local\Temp\12100-pulp.lp -o C:\Users\tony\AppData\Local\Temp\12100-pulp.sol

　Reading problem data from "C:\Users\tony\AppData\Local\Temp\12100-pulp.lp"...

　1 row, 4 columns, 3 non-zeros

　8 lines were read

　GLPK Simplex Optimizer, v4.55

　1 row, 4 columns, 3 non-zeros

　Preprocessing...

　1 row, 3 columns, 3 non-zeros

　Scaling...

　 A: min|aij| = 3.050e+000

　max|aij| = 6.100e+000

　ratio = 2.000e+000

　Problem data seem to be well scaled

　Constructing initial basis...

　Size of triangular part is 1

　0: obj =

　0.000000000e+000

　infeas = 7.900e+000 (0)

　*

　 1: obj =

　0.000000000e+000

　infeas = 0.000e+000 (0)

　OPTIMAL LP SOLUTION FOUND

　Time used:

　 0.0 secs

　Memory used: 0.0 Mb (36952 bytes)

　Writing basic solution to "C:\Users\tony\AppData\Local\Temp\12100-pulp.sol"...

　1

　 __dummy=None

　x=0.0

　y=0.0

　z=1.29508

　使用 python-pymprog 模块解决线性规划问题 原文 https://blog.csdn.net/Gardenia_Hello/article/details/70466079 今天在学习数模的过程中遇到了一些线性规划的问题，老师推荐的是 lingo 这款软件，然而并不想因此再新学一门语言。于是找到了找到了一个 python 下解决线性规划问题的模块——Pymprog。

　- 安装 本人使用的 Windows 下的 Python 环境 Anaconda，使用 conda 应该是找不到这个模块的，直接使用 pip 安装即可。

　pip install pymprog

　• 1

　- 简单的例子 如解决如下规划问题：

　maximize

　15 x + 10 y

　 # 目标函数

　S.T.

　 x

　 <=

　3

　# 约束条件 1

　y

　<=

　4

　# 约束条件 2

　 x +

　y

　<=

　5

　# 约束条件 3

　 x >=0, y >=0

　 # x,y 非零

　1 2 3 4 5 • 6 #coding: utf-8

　from pymprog import *

　begin("bike production")

　x, y = var("x, y") # 变量

　maximize(15 * x + 10 * y, "profit") # 目标函数

　x <= 3 # 约束条件 1

　y <= 4 # 约束条件 2

　x + y <= 5 # 约束条件 3

　solve()

　1 2 3 4 5 6 7 8 • 9 产生结果如下：

　>>> from pymprog import *

　>>> begin("bike production")

　model("bikes production") is the default model.

　>>> x, y = var("x, y") # create variables

　>>> x, y # take a look at them

　(0 <= x continuous, 0 <= y continuous)

　>>> maximize(15*x + 10*y, "profit")

　Max profit: 15 * x + 10 * y

　>>> x <= 3

　0 <= x <= 3 continuous

　>>> y <= 4

　0 <= y <= 4 continuous

　>>> x + y <= 5

　R1: x + y <= 5

　>>> solve()

　GLPK Simplex Optimizer, v4.60

　1 row, 2 columns, 2 non-zeros

　*

　 0: obj =

　-0.000000000e+00 inf =

　 0.000e+00 (2)

　*

　 2: obj =

　 6.500000000e+01 inf =

　 0.000e+00 (0)

　OPTIMAL LP SOLUTION FOUND