Python求解线性规划,python混合整数线性规划

　　Cvxpy解决了我们解决的这样一个问题：

　　我们需要配置基本环境。首先，记得按顺序安装模块：

　　pip安装数量

　　pip安装mkl

　　pip安装cvxopt

　　pip安装scs

　　pip安装ecos

　　pip安装osqp

　　再次重申：

　　安装cv xpy的完整代码如下：

　　#编码=gbk

　　作者：川川

　　@ Time: 2022/1/30 0:35

　　群：428335755

　　将cvxpy作为cp导入

　　从numpy导入数组

　　C=array([40，90]) #定义目标向量

　　A=array([[9，7]，[-7，-20]]) #定义约束矩阵

　　B=array([56，-70]) #定义约束的右向量

　　X=cp。Variable(2，integer=True) #定义两个整数决策变量。

　　Obj=cp。最小化(c * x) #构造目标函数

　　Cons=[a * x=b，x=0] #构造约束

　　Prob=cp。建立一个问题模型

　　Prob.solve (solve= glpk _ mi ，verbose=true) #解决问题

　　打印(最佳值为：，概率值)

　　Print(最佳解决方案是：\n ，x.value)运行如下：

　　由于笔记很详细，我没什么好说的。有不懂的可以在评论区留言或者加我联系方式问我。

　　Scipy解决方案模块安装：

　　安装scipy必须首先转换成标准公式：

　　求解标准代码如下：

　　从scipy导入优化

　　将numpy作为np导入

　　#求解函数

　　res=optimize.linprog(c，A，b，Aeq，beq，LB，UB，X0，OPTIONS)

　　#目标函数的最小值

　　打印(研究和娱乐)

　　#最佳解决方案

　　print(res.x)的标准格式是=，如果是=，符号-加在两边。

　　例如，如下所示：

　　解决方案代码是：

　　从scipy导入优化

　　将numpy作为np导入

　　#确定c、A、b、Aeq、beq

　　c=np.array([2，3，-5])

　　A=np.array([[-2，5，-1]，[1，3，1]])

　　B=np.array([-10，12])

　　Aeq=np.array([[1，1，1]])

　　Beq=np.array([7])

　　#求解

　　res=optimize.linprog(-c，A，B，Aeq，Beq)

　　打印(res)运行如下：

　　解释一些结果：

　　Fun是目标函数的最小值，X是最优解，即上面x1，x2，x3的最优解。推荐一本好书的优点《机器学习线性代数基础：Python语言描述》:本书围绕机器学习涉及的线性代数核心知识，进行了新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩五个维度，展开了线性代数与机器学习算法紧密结合的核心内容。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。