1、最优化问题建模

最优化问题的三要素是决策变量、目标函数和约束条件。

(1)分析影响结果的因素是什么,确定决策变量

(2)决策变量与优化目标的关系是什么,确定目标函数

(3)决策变量所受的限制条件是什么,确定约束条件

最优化问题的建模,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;

(4)模型检验,统计检验和灵敏度分析。

欢迎关注 Youcans 原创系列,每周更新数模笔记

Python数模笔记-PuLP库

Python数模笔记-StatsModels统计回归

Python数模笔记-Sklearn

Python数模笔记-NetworkX

Python数模笔记-模拟退火算法


2、线性规划

线性规划(Linear programming),是研究线性约束条件下线性目标函数的极值问题的优化方法,常用于解决利用现有的资源得到最优决策的问题。

线性规划模型的一般形式如下:

min  fx = c1*x1 + ...+ cn*xn

  s.t. a11*x1+...+a1n*Xn ≤ b1

    ...

    am1*x1+...+amn*Xn ≤ bm

    x1≥0,...,xn≥0

其中:fx 是目标函数,求最小值;x1,...xn 是决策变量;aij, bi 是不等式约束的参数。


3、Scipy 求解线性规划

Python 的 SciPy 库带有用于解决线性编程问题的 linprog 函数。

  linporg 函数对于线性规划模型的描述为:

min fx = C'*X fx 是目标函数

  s.t. A_ub*X <= B_ub 不等式约束

    A_eq*X = B_eq 等式约束

    lb <= X <= ub 取值范围

其中:

fx 是目标函数,求最小值;

X 是决策变量,向量;

C 是目标函数的参数向量;

A_ub 是不等式约束的参数矩阵,B_ub 是不等式约束的参数向量;

A_eq 是等式约束的参数矩阵,B_eq 是等式约束的参数向量;

lb,ub 是参数向量,(lb,ub) 是 X 的取值范围。

注意:

  (1)问题表示为:求 fx 的最小值,如果问题要求 fx 的最大值则要通过 fx‘= -fx 将问题转化为求 fx' 的最小值;

  (2)不等式约束条件表示为:小于等于,如果约束条件为大于等于则要通过不等式两侧乘以 -1 将约束条件转化为小于等于的形式。

linporg 函数求解线性规划问题的输出参数为:

con: 等式约束的残差(名义上为 0),B_eq - A_eqX

fun: 目标函数的当前值(最小值),C'X

message: 算法状态描述

nit: 当前迭代次数

slack: 不等式约束的松弛值,B_ub - A_ub
X

status: 算法退出时的状态,0:优化完成,1:达到最大迭代次数,2:不可行,3:不收敛,4:数值困难

success: 当算法成功完成时为 True

x: 当前解,向量


4 实例

4.1 问题模型:

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

4.2 模型转换:

首先要将求解问题的模型转化为 Linprog 的标准形式:

(1)求最大值问题要转换为求最小值问题:C = [-2, 3, 5]

(2)当约束条件为 大于等于 时要加负号:A_ub = [[-2, 5, -1], [1, 3, 1]]

(3)由 x1,x2,x3>=0 和 x1+x2+x3=7 可知:0 <= x1,x2,x3 <= 7

4.3 python 程序:

import numpy as np  # 导入 numpy
from scipy.optimize import linprog # 导入 scipy c = np.array([-2, -3, 5])
A_ub = np.array([[-2, 5, -1], [1, 3, 1]]) # 不等式约束参数矩阵
B_ub = np.array([-10, 12]) # 不等式约束参数向量
A_eq = np.array([[1, 1, 1]]) # 等式约束参数矩阵
B_eq = np.array([7]) # 等式约束参数向量
x1 = (0, 7) # x1 的取值范围,lb1 < x1 < ub1
x2 = (0, 7) # x2 的取值范围,lb2 < x2 < ub2
x3 = (0, 7) # x3 的取值范围,lb3 < x3 < ub3
res = linprog(c, A_ub, B_ub, A_eq, B_eq, bounds=(x1, x2, x3))
print(res)
# === 关注 Youcans,分享更多原创系列 https://www.cnblogs.com/youcans/ ===

4.4 运行结果:

     con: array([1.19830306e-08])
fun: -14.57142854231215
message: 'Optimization terminated successfully.'
nit: 5
slack: array([-3.70231543e-08, 3.85714287e+00])
status: 0
success: True
x: array([6.42857141e+00, 5.71428573e-01, 9.82192085e-10])

版权说明:

YouCans 原创作品,转载必须注明原文链接

Copyright 2021 YouCans, XUPT

Crated:2021-04-28

欢迎关注 Youcans 原创系列,每周更新数模笔记

Python数模笔记-PuLP库

Python数模笔记-StatsModels统计回归

Python数模笔记-Sklearn

Python数模笔记-NetworkX

Python数模笔记-模拟退火算法

Python数模笔记-Scipy库(1)线性规划问题的更多相关文章

  1. Python数模笔记-PuLP库(1)线性规划入门

    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 ...

  2. Python数模笔记-PuLP库(2)线性规划进阶

    1.基于字典的创建规划问题 上篇中介绍了使用 LpVariable 对逐一定义每个决策变量,设定名称.类型和上下界,类似地对约束条件也需要逐一设置模型参数.在大规模的规划问题中,这样逐个定义变量和设置 ...

  3. Python数模笔记-StatsModels 统计回归(4)可视化

    1.如何认识可视化? 图形总是比数据更加醒目.直观.解决统计回归问题,无论在分析问题的过程中,还是在结果的呈现和发表时,都需要可视化工具的帮助和支持. 需要指出的是,虽然不同绘图工具包的功能.效果会有 ...

  4. Python数模笔记-StatsModels 统计回归(1)简介

    1.关于 StatsModels statsmodels(http://www.statsmodels.org)是一个Python库,用于拟合多种统计模型,执行统计测试以及数据探索和可视化. 2.文档 ...

  5. Python数模笔记-NetworkX(3)条件最短路径

    1.带有条件约束的最短路径问题 最短路径问题是图论中求两个顶点之间的最短路径问题,通常是求最短加权路径. 条件最短路径,指带有约束条件.限制条件的最短路径.例如,顶点约束,包括必经点或禁止点的限制:边 ...

  6. Python数模笔记-Sklearn(1) 介绍

    1.SKlearn 是什么 Sklearn(全称 SciKit-Learn),是基于 Python 语言的机器学习工具包. Sklearn 主要用Python编写,建立在 Numpy.Scipy.Pa ...

  7. Python数模笔记-(1)NetworkX 图的操作

    1.NetworkX 图论与网络工具包 NetworkX 是基于 Python 语言的图论与复杂网络工具包,用于创建.操作和研究复杂网络的结构.动力学和功能. NetworkX 可以以标准和非标准的数 ...

  8. Python数模笔记-Sklearn(3)主成分分析

    主成分分析(Principal Components Analysis,PCA)是一种数据降维技术,通过正交变换将一组相关性高的变量转换为较少的彼此独立.互不相关的变量,从而减少数据的维数. 1.数据 ...

  9. Python数模笔记-Sklearn(4)线性回归

    1.什么是线性回归? 回归分析(Regression analysis)是一种统计分析方法,研究自变量和因变量之间的定量关系.回归分析不仅包括建立数学模型并估计模型参数,检验数学模型的可信度,也包括利 ...

随机推荐

  1. Day14_79_IO+Properties联合应用

    IO+Properties联合应用 - dbinfo文件中可以存放<key=value> - 像dbinfo这样的文件我们叫做配置文件,配置文件的作用是使程序更加灵活 - 一般在程序中可变 ...

  2. SpringMVC笔记(五)

    1. 拦截器 1.1 拦截器和过滤器 SpringMVC的处理器拦截器类似于Servlet开发过程中的过滤器Filter,用于对处理器进行预处理和后处理.我们可以自定义一些拦截器来实现特定的功能 过滤 ...

  3. 05- web网站链接测试与XENU工具使用

    什么是链接 链接也叫超链接,是指从某一个网页元素指向另一个目标的连接关系,这个目标可以是另一个网站的网页,可以是本网站的一个网页,可以使同一个网页的不同位置,还可以是一个图片,一个视频,一个文件甚至是 ...

  4. 使用 mvn install 命令将本地jar包注册到本地maven仓库

    前提: 要安装maven并配置环境变量. windows 系统环境变量配置 新建环境变量:MAVEN_HOME    值为:maven的解压包路径或安装路径. 在path 环境变量中添加:%MAVEN ...

  5. MetaWeblog访问地址

    MetaWeblog访问地址 https://rpc.cnblogs.com/metaweblog/csnd

  6. C#-获取页面源代码

    /// <summary> /// 获取源代码 /// </summary> /// <param name="url"></param& ...

  7. Portswigger web security academy:HTTP request smuggling

    HTTP request smuggling 目录 HTTP request smuggling HTTP request smuggling, basic CL.TE vulnerability H ...

  8. 【JavaScript】Leetcode每日一题-最大整除子集

    [JavaScript]Leetcode每日一题-最大整除子集 [题目描述] 给你一个由 无重复 正整数组成的集合 nums ,请你找出并返回其中最大的整除子集 answer ,子集中每一元素对(an ...

  9. Python数模笔记-Sklearn(2)样本聚类分析

    1.分类的分类 分类的分类?没错,分类也有不同的种类,而且在数学建模.机器学习领域常常被混淆. 首先我们谈谈有监督学习(Supervised learning)和无监督学习(Unsupervised ...

  10. 线程安全(ThreadSafety)

    这节讲一下线程安全的例子,以及如何解决线程安全问题. 上节提到了线程安全的问题,说了一个例子,1000个人抢100张票,这节就从此案例着手,下面先看一下代码实现: private static int ...