用 Python 做数学建模
本文由 CDFMLR 原创,收录于个人主页 https://clownote.github.io,并同时发布到 CSDN。本人不保证 CSDN 排版正确,敬请访问 clownote 以获得良好的阅读体验。
用 Python 做数学建模
⚠️【注意】这是一篇没有完成也不会被完成的文章,这里我只写了几个简单问题的 Python 解法,我发布它只是希望说明 Python 做数学建模是有可行性的。
线性规划
第三方依赖库:
scipy
。
用 scipy.optimize.linprog
可以解线性规划问题:
linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None)
其规定的问题标准型式为:
Minimize: c^T * xSubject to: A_ub * x <= b_ubA_eq * x == b_eq
e.g. 求接下列线性规划问题:
max z=2x1+3x2−5x3,s.t. {x1+x2+x3=72x1−5x2+x3≥10x1+3x2+x3≤12x1,x2,x3≥0\textrm{max } z=2x_1+3x_2-5x_3,\\ \textrm{s.t. } \left \{ \begin{array}{ll} x_1+x_2+x_3=7\\ 2x_1-5x_2+x_3\ge10\\ x_1+3x_2+x_3\le12\\ x_1,x_2,x_3\ge0 \end{array}\right. max z=2x1+3x2−5x3,s.t. ⎩⎪⎪⎨⎪⎪⎧x1+x2+x3=72x1−5x2+x3≥10x1+3x2+x3≤12x1,x2,x3≥0
解:
#! /usr/bin/python3import numpy as np
from scipy import optimizec = [-2, -3, 5]
a = [[-2, 5, -1], [1, 3, 1]]
b = [-10, 12]
aeq = [[1, 1, 1]]
beq = [7]
bounds = [[0, None], [0, None], [0, None]] # (0, None) means non-negative, this is a default value
result = optimize.linprog(c, a, b, aeq, beq, bounds)
print(result)
⚠️【注意】这里题目是求max,标准型是min,所以在写
c
矩阵的时候把值都写成了题目中的负;类似地,>=
的项对应的a、b中值要取之负。然后最终结果也要取fun
的负。
输出:
fun: -14.571428571428571message: 'Optimization terminated successfully.'nit: 2slack: array([3.85714286, 0. ])status: 0success: Truex: array([6.42857143, 0.57142857, 0. ])
最优解为x1=6.42857143,x2=0.57142857,x3=0x_1=6.42857143, x_2=0.57142857, x_3=0x1=6.42857143,x2=0.57142857,x3=0, 对应的最优值z=14.571428571428571z=14.571428571428571z=14.571428571428571.
若要取 fun、x的值,可以直接用 result.fun
和 result.x
。
整数规划
线性整数规划问题可以转换为线性规划问题求解。
对于非线性的整数规划,在穷举不可为时,在一定计算量下可以考虑用 蒙特卡洛法 得到一个满意解。
蒙特卡洛法(随机取样法)
e.g. y=x2y=x^2y=x2、y=12−xy=12-xy=12−x 与 xxx 轴 在第一象限围成一个曲边三角形。设计一个随机试验,求该图像面积的近似值。
解: 设计的随机试验思想如下:在矩形区域 [0, 12] * [0, 9]
上产生服从均匀分布的 10^7
个随机点,统计随机点落在曲边三角形的频数,则曲边三角形的面积近似为上述矩形面积乘于频率。
import randomx = [random.random() * 12 for i in range(0, 10000000)]
y = [random.random() * 9 for i in range(0, 10000000)]p = 0
for i in range(0, 10000000):if x[i] <= 3 and y[i] < x[i] ** 2:p += 1elif x[i] > 3 and y[i] < 12 - x[i]:p += 1area_appr = 12 * 9 * p / 10 ** 7
print(area_appr)
结果在 49.5
附近。
e.g. 已知非线性整数规划为:
max z=x12+x22+3x32+4x42+2x52−8x1−2x2−3x3−x4−2x5s.t. {0≤xi≤99,i=1,...,5,x1+x2+x3+x4+x5≤400x1+2x2+2x3+x4+6x5≤8002x1+x2+6x3≤200x3+x4+5x5≤200\textrm{max } z=x_1^2+x_2^2+3x_3^2+4x_4^2+2x_5^2-8x_1-2x_2-3x_3-x_4-2x_5\\ \textrm{s.t. } \left \{ \begin{array}{ll} 0 \le x_i \le 99, i=1,...,5,\\ x_1+x_2+x_3+x_4+x_5 \le 400\\ x_1+2x_2+2x_3+x_4+6x_5 \le 800\\ 2x_1+x_2+6x_3 \le 200\\ x_3+x_4+5x_5 \le 200 \end{array}\right. max z=x12+x22+3x32+4x42+2x52−8x1−2x2−3x3−x4−2x5s.t. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧0≤xi≤99,i=1,...,5,x1+x2+x3+x4+x5≤400x1+2x2+2x3+x4+6x5≤8002x1+x2+6x3≤200x3+x4+5x5≤200
如果用枚举法,要计算 100^5 = 10^10
个点,计算量太大。所以考虑用蒙特卡洛法去随机计算 10^6
个点,得到比较满意的点:
import time
import random# 目标函数
def f(x: list) -> int:return x[0] ** 2 + x[1] ** 2 + 3 * x[2] ** 2 + 4 * x[3] ** 2 + 2 * x[4] ** 2 - 8 * x[0] - 2 * x[1] - 3 * x[2] - x[3] -2 * x[4]# 约束向量函数
def g(x: list) -> list:res = []res.append(sum(x) - 400)res.append(x[0] + 2 * x[1] + 2 * x[2] + x[3] + 6 * x[4] - 800)res.append(2 * x[0] + x[1] + 6 * x[2] - 200)res.append(x[2] + x[3] + 5 * x[4] - 200)return resrandom.seed(time.time)pb = 0
xb = []for i in range(10 ** 6):x = [random.randint(0, 99) for i in range(5)] # 产生一行五列的区间[0, 99] 上的随机整数rf = f(x)rg = g(x)if all((a < 0 for a in rg)): # 若 rg 中所有元素都小于 0if pb < rf:xb = xpb = rfprint(xb, pb)
指派问题
第三方依赖库:
numpy
,scipy
。
用 scipy.optimize.linear_sum_assignment
可以解指派问题(the linear sum assignment problem):
linear_sum_assignment(cost_matrix)
注意指派矩阵 cost_matrix
里的元素 C[i, j]
的 i
为 worker,j
为 job.
Formally, let X be a boolean matrix where X[i,j]=1X[i,j] = 1X[i,j]=1 iff row i is assigned to column j. Then the optimal assignment has cost
min∑i∑jCi,jXi,j\min \sum_i \sum_j C_{i,j} X_{i,j} mini∑j∑Ci,jXi,j
s.t. each row is assignment to at most one column, and each column to at most one row.
e.g. 求解下列指派问题,已知指派矩阵为
[3821038729764275842359106910].\left[ \begin{array}{cc} 3 & 8 & 2 & 10 & 3\\ 8 & 7 & 2 & 9 & 7\\ 6 & 4 & 2 & 7 & 5\\ 8 & 4 & 2 & 3 & 5\\ 9 & 10 & 6 & 9 & 10\\ \end{array} \right]. ⎣⎢⎢⎢⎢⎡3868987441022226109739375510⎦⎥⎥⎥⎥⎤.
解:
>>> import numpy as np
>>> from scipy import optimize
>>> c = [[3,8,2,10,3], [8,7,2,9,7], [6,4,2,7,5], [8,4,2,3,5], [9,10,6,9,10]]
>>> c = np.array(c)
>>> optimize.linear_sum_assignment(c)
(array([0, 1, 2, 3, 4]), array([4, 2, 1, 3, 0])) # 对应 x15、x23、x32、x44、x51
>>> c[[0, 1, 2, 3, 4], [4, 2, 1, 3, 0]].sum() # 结果代入 cost_matrix,求得最优值
21
非线性规划
非线性规划模型
第三方依赖库:
numpy
,scipy
。
我们之前多次使用的 scipy.optimize
中集成了一系列用来求规划的函数,其中当然不乏解决非线性规划的方法。例如用其中的 minimize
函数就可以解决很多在 Matlab 中用 fmincon
解的非线性规划问题。
minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)
常用的参数:
fun
::待求 最小值 的目标函数,fun(x, *args) -> float
, x 是shape (n,)
的 1-D arrayx0
:初始猜测值,shape (n,)
的 1-D arraybounds
:设置参数范围/约束条件,tuple,形如((0, None), (0, None))
constraints
:约束条件,放一系列 dict 的 tuple,({'type': TYPE, 'fun': FUN}, ...)
TYPE
:'eq'
表示 函数结果等于0 ;'ineq'
表示 表达式大于等于0FUN
: 约束函数
e.g. 求下列非线性规划:
min f(x)=x12+x22+x32+8,s.t. {x12+x22+x32≥0,x1+x22+x32≤20,−x1−x22+2=0,x2+2x32=3,x1,x2,x3≥0.\textrm{min } f(x)=x_1^2+x_2^2+x_3^2+8,\\ \textrm{s.t. } \left \{ \begin{array}{ll} x_1^2+x_2^2+x_3^2 \ge 0,\\ x_1+x_2^2+x_3^2 \le 20,\\ -x_1-x_2^2+2=0,\\ x_2+2x_3^2=3,\\ x_1,x_2,x_3 \ge 0. \end{array}\right. min f(x)=x12+x22+x32+8,s.t. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧x12+x22+x32≥0,x1+x22+x32≤20,−x1−x22+2=0,x2+2x32=3,x1,x2,x3≥0.
import numpy as np
from scipy import optimizef = lambda x: x[0] ** 2 + x[1] **2 + x[2] ** 2 + 8# Notice:eq ==; ineq >=
cons = ({'type': 'ineq', 'fun': lambda x: x[0]**2 - x[1] + x[2]**2},{'type': 'ineq', 'fun': lambda x: -x[0] - x[1] - x[2]**3 + 20},{'type': 'eq', 'fun': lambda x: -x[0] - x[1]**2 + 2},{'type': 'eq', 'fun': lambda x: x[1] + 2 * x[2]**2 - 3})res = optimize.minimize(f, (0, 0, 0), constraints=cons)print(res)
输出:
fun: 10.651091840572583jac: array([1.10433471, 2.40651834, 1.89564812])message: 'Optimization terminated successfully.'nfev: 86nit: 15njev: 15status: 0success: Truex: array([0.55216734, 1.20325918, 0.94782404])
即,求得当 (x1,x2,x3)=(0.55216734,1.20325918,0.94782404)(x_1,x_2,x_3)=(0.55216734, 1.20325918, 0.94782404)(x1,x2,x3)=(0.55216734,1.20325918,0.94782404) 时,最小值y=10.651091840572583y=10.651091840572583y=10.651091840572583.
无约束问题的 Python 解法
符号解
第三方依赖库:
sympy
。
e.g. 求多元函数 f(x,y)=x3−y3+3x2+3y2−9xf(x,y) = x^3 - y^3 + 3x^2 + 3y^2 - 9xf(x,y)=x3−y3+3x2+3y2−9x 的极值
思路:求驻点,代入Hessian矩阵,正定则为极小值,负定极大,不定不是极值点。
解:
import sympyf, x, y = sympy.symbols("f x y")f = x**3 - y**3 + 3 * x**2 + 3 * y**2 - 9 * x
funs = sympy.Matrix([f])
args = sympy.Matrix([x, y])df = funs.jacobian(args) # 一阶偏导
d2f = df.jacobian(args) # Hessian 矩阵stationaryPoints = sympy.solve(df) # 驻点for i in stationaryPoints:a = d2f.subs(x, i[x]).subs(y, i[y]) # 驻点处的Hessianb = a.eigenvals(multiple=True) # 求Hessian矩阵的特征值fv = f.subs(x, i[x]).subs(y, i[y]) # 驻点处的函数值if all((j > 0 for j in b)):print('点({x}, {y})是极小值点,对应的极小值为: f({x}, {y}) = {f}'.format(x=i[x], y=i[y], f=fv))elif all((j < 0 for j in b)):print('点({x}, {y})是极大值点,对应的极大值为: f({x}, {y}) = {f}'.format(x=i[x], y=i[y], f=fv))elif any((j < 0 for j in b)) and any((j > 0 for j in b)):print('点({x}, {y})不是极值点'.format(x=i[x], y=i[y]))else:print('无法判断点({x}, {y})是否为极值点'.format(x=i[x], y=i[y]))
输出:
点(-3, 0)不是极值点
点(-3, 2)是极大值点,对应的极大值为: f(-3, 2) = 31
点(1, 0)是极小值点,对应的极小值为: f(1, 0) = -5
点(1, 2)不是极值点
数值解
第三方依赖库:
numpy
,scipy
。
利用 Python 求无约束极值的数值解与我们在非线性规划模型中的操作类似,我们依然使用 minimize
函数求解,不过这次连 constraints 都不用了。
e.g. 求多元函数 f(x,y)=x3−y3+3x2+3y2−9xf(x,y) = x^3 - y^3 + 3x^2 + 3y^2 - 9xf(x,y)=x3−y3+3x2+3y2−9x 的最值
import numpy as np
from scipy import optimizef = lambda x: x[0]**3 - x[1]**3 + 3 * x[0]**2 + 3 * x[1]**2 - 9 * x[0]resMin = optimize.minimize(f, (0, 0)) # 求最小值
resMax = optimize.minimize(lambda x: -f(x), (0, 0)) # 求最大值print("最小值:\n")
print(resMin)
print("最大值:\n")
print(resMax)
输出:
极小值:fun: -5.0hess_inv: array([[8.34028325e-02, 3.27721596e-09],[3.27721596e-09, 1.00000000e+00]])jac: array([1.1920929e-07, 0.0000000e+00])message: 'Optimization terminated successfully.'nfev: 20nit: 4njev: 5status: 0success: Truex: array([ 1.00000000e+00, -5.40966234e-09])
极大值:fun: -30.99999999999847hess_inv: array([[0.08280865, 0.00036445],[0.00036445, 0.16672048]])jac: array([ 9.53674316e-07, -4.29153442e-06])message: 'Optimization terminated successfully.'nfev: 172nit: 11njev: 43status: 0success: Truex: array([-2.99999994, 1.99999929])
求函数的零点和方程组的解
第三方依赖库:
sympy
。
使用 sympy.solve
函数可以求出方程/方程组的符号解,得到的每个根可以调用其 evalf
方法转化为近似的数值。
- 求多项式 f(x)=x3−x2+2x−3f(x)=x^3-x^2+2x-3f(x)=x3−x2+2x−3 的零点
>>> import sympy
>>> x = sympy.Symbol('x')
>>> s = sympy.solve(x**3 - x**2 + 2 * x -3) # 求符号解
>>> s
[1/3 + (-1/2 - sqrt(3)*I/2)*(65/54 + 5*sqrt(21)/18)**(1/3) - 5/(9*(-1/2 - sqrt(3)*I/2)*(65/54 + 5*sqrt(21)/18)**(1/3)), 1/3 - 5/(9*(-1/2 + sqrt(3)*I/2)*(65/54 + 5*sqrt(21)/18)**(1/3)) + (-1/2 + sqrt(3)*I/2)*(65/54 + 5*sqrt(21)/18)**(1/3), -5/(9*(65/54 + 5*sqrt(21)/18)**(1/3)) + 1/3 + (65/54 + 5*sqrt(21)/18)**(1/3)]
>>> for i in s:
... print(i.evalf()) # 近似数值
...
-0.137841101825493 - 1.52731225088663*I
-0.137841101825493 + 1.52731225088663*I
1.27568220365098
- 求如下方程组的解
{x2+y−6=0y2+x−6=0\left\{\begin{array}{l} x^2+y-6=0\\ y^2+x-6=0\\ \end{array}\right. {x2+y−6=0y2+x−6=0
>>> import sympy
>>> x, y = sympy.symbols('x y')
>>> s = sympy.solve((x**2+y-6, y**2+x-6))
>>> s
[{x: -3, y: -3}, {x: 2, y: 2}, {x: 6 - (1/2 - sqrt(21)/2)**2, y: 1/2 - sqrt(21)/2}, {x: 6 - (1/2 + sqrt(21)/2)**2, y: 1/2 + sqrt(21)/2}]
>>> for i in s:
... print('({x}, {y})'.format(x=i[x].evalf(), y=i[y].evalf()))
...
(-3.00000000000000, -3.00000000000000)
(2.00000000000000, 2.00000000000000)
(2.79128784747792, -1.79128784747792)
(-1.79128784747792, 2.79128784747792)
约束极值问题
参考上文 “无约束问题的 Python 解法”。
附:numpy
推荐一份质量比较高的 numpy 中文文档:https://www.numpy.org.cn/index.html.
创建 向量/矩阵
用 np.array()
>>> import numpy as np
>>> np.array([1, 2, 3])
array([1, 2, 3])
>>> np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
矩阵的拼接
- 列合并/扩展:
np.column_stack()
- 行合并/扩展:
np.row_stack()
>>> import numpy as np
>>> A = np.array([[1,1], [2,2]])
>>> B = np.array([[3, 3], [4, 4]])
>>> A
array([[1, 1],[2, 2]])
>>> B
array([[3, 3],[4, 4]])
>>> np.column_stack((A, B)) # 行
array([[1, 1, 3, 3],[2, 2, 4, 4]])
>>> np.row_stack((A, B)) # 列
array([[1, 1],[2, 2],[3, 3],[4, 4]])
对角线元素赋值
比如说我们有一个 np.array X
,我想对角线的所有值设置为0,可以用 np.fill_diagonal(X, [0, 0, 0, ...])
。
>>> D = np.zeros([3, 3])
>>> np.fill_diagonal(D, [1, 2, 3])
>>> D
array([[1., 0., 0.],[0., 2., 0.],[0., 0., 3.]])
…
未完但不用待续了,应该没有后续了,我对用 python 做数学建模以及数学建模都失去兴趣了。
用 Python 做数学建模相关推荐
- 数学建模用python好吗_用 Python 做数学建模
数学建模中,大多数人都在用MATLAB,但MATLAB不是一门正统的计算机编程语言,而且速度慢还收费,最不能忍受的就是MATLAB编辑器不支持代码自动补全.python对于数学建模来说,是个非常好的选 ...
- 做数学建模,学matlab还是python?
大家好,我是北海. 刚开始参与数学建模的同学,往往会面临一个问题:做数模离不开编程,而matlab和python都挺适合做数模的,究竟是学matlab还是python? 本文就给大家分析一下matla ...
- python解决数学建模发电商机组调度问题
刚开时数学建模,遇到这个题,这个算法是真的难到我了, 首先,我们的模型(模型不知对否哈!主要是展示代码)是 经过思考很久后,针对该问题写了如下代码 import numpy import random ...
- 【Python与数学建模】蒙特卡洛模拟仿真(附完整详细代码)
[Python与数学建模]蒙特卡洛模拟&仿真 零.前言 引例:投针实验 试验描述: 试验分析: 代码实现 蒙特卡洛模拟&仿真的基本介绍 应用实例 实例一.三门问题 问题描述 问题分析与 ...
- python做数学计算器_从零开始学习PYTHON3讲义(二)把Python当做计算器
<从零开始PYTHON3>第二讲 上一讲我们说过了如何启动Python IDLE集成开发学习环境,macOS/Linux都可以在命令行执行idle3.Windows则从开始菜单中去寻找ID ...
- python解决数学建模问题_荐面试问题:2018年全国大学生数学建模竞赛项目
1. 赛题背景 2. RGV流程图 3. 面试问题 3.1 RGV和CNC是什么? RGV是轨道式自动引导车(Rail Guide Vehicle). CNC是计算机数控机床(Computer Num ...
- 3.数据类型和变量---用Python做数学运算
变量----保存内容的地方 变量名---以字母为开头,其他的字符必须是字母.数字.下划线,区分大小写,中文也可以,但不推荐. 举例 my_name = "Bryson" my_ag ...
- Python的数学建模课-02.数据导入
数据导入是所有数模编程的第一步,比你想象的更重要. 先要学会一种未必最佳,但是通用.安全.简单.好学的方法. 『Python小白的数学建模课 @ Youcans』 带你从数模小白成为国赛达人. 1. ...
- 用Python进行数学建模(二)
一.微分方程模型 微分方程是描述系统的状态随时间和空间演化的数学工具.物理中许多涉及变力的运动学.动力学问题,如空气的阻力为速度函数的落体运动等问题,很多可以用微分方程求解.微分方程在化学.工程学.经 ...
最新文章
- 矩阵论习题:设A,B为投影矩阵,证明A+B仍为投影矩阵当且仅当AB=BA=0。
- 用于计算机视觉领域的python第三方库是什么_大量Python开源第三方库资源分类整理,含菜鸟教程章节级别链接...
- vsftpd的不同安装方式及服务控制脚本
- 【算法】红黑树-二叉树-算法
- matlab光顺拐点,基于MATLAB的最大误差双圆弧逼近曲线的算法及实现.pdf
- mysql ip to int_ip网段转换程序(把ip地址转换成相对就的整数)
- 关于二分类的评价指标体系
- 8本前沿技术书,助力这届「青年人」将科幻变成现实
- 随想录(无均衡负载的smp os设计)
- oracle ogg和adg,ORACLE12C ADG和OGG的搭配使用
- 数学建模-常见模型整理及分类
- 网页源代码保护(禁止右键、复制、另存为、查看源文件)
- php火车票查询,基于php的12306火车票查询接口调用代码实例
- oracle中锁机制,Oracle锁的基本机制
- python中len函数_len()函数以及Python中的示例
- 第一次玩switch,需不需要再买一个任天堂Pro手柄
- MVC3.0中直接在VS中浏览cshtml页面
- Apache-apollo服务器搭建
- 标普500指数下跌2.4%至盘中低点
- 微信小程序开发 01
热门文章
- 基于java前行国家公务员模拟笔试系统计算机毕业设计源码+系统+lw文档+mysql数据库+调试部署
- 华为设备配置策略路由引流到旁挂防火墙
- VS2019中使用C++初步实现winform界面
- MCGS_pro触摸屏组态实际案列
- 素数完数c语言,完数—C语言实现
- 复杂网络中衡量网络中节点中心性的几种度量指标
- 图像去雾(二)Retinex图像增强算法
- Unity调整轴点的位置
- java五子棋的算法_初学java,写了一个五子棋算法的类,请大家多多指教.
- 11月区块链投融资事件回顾