【学习笔记】第六章 整数规划和非线性规划
目录
6.1 整数规划
6.1.1 整数规划问题与求解
6.2 非线性规划
6.2.1 非线性规划概念和理论
1. 非线性规划模型
2. 无约束非线性规划的求解
3. 有约束非线性规划的求解
6.2.2 非线性规划的python求解
1.用scipy.optimize模块的minimize函数求解
2. 用cvxopt.solvers模块求解二次规划模型
3. 用cvxpy库求解
6.2.3 飞行管理问题
6.1 整数规划
纯整数规划:所有决策变量都限定为整数
混合整数规划:仅一部分变量限定为整数
0-1整数规划:决策变量仅限于0或1
6.1.1 整数规划问题与求解
- 分支界定法:可求纯或混合整数线性规划
- 割平面法:可求纯或混合整数线性规划
- 隐枚举法:可求解0-1整数规划,有过滤隐枚举法和分支隐枚举法
- 匈牙利法:解决指派问题(0-1整数规划特殊情形)
- Monte Carlo法:求解各种类型规划
例6.1 求解下列整数线性规划问题:
# mathmodel05_v1.py
# Demo05 of mathematical modeling algorithm
# Solving integer programming with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated:2021-05-31
# Python小白的数学建模课 @ Youcansimport pulp # 导入 pulp 库# 主程序
def main():# 模型参数设置"""问题描述:某厂生产甲乙两种饮料,每百箱甲饮料需用原料6千克、工人10名,获利10万元;每百箱乙饮料需用原料5千克、工人20名,获利9万元。今工厂共有原料60千克、工人150名,又由于其他条件所限甲饮料产量不超过8百箱。(1)问如何安排生产计划,即两种饮料各生产多少使获利最大?(2)若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?(3)若不允许散箱(按整百箱生产),如何安排生产计划,即两种饮料各生产多少使获利最大?(4)若不允许散箱(按整百箱生产),若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?"""# 问题 1:"""问题建模:决策变量:x1:甲饮料产量(单位:百箱)x2:乙饮料产量(单位:百箱)目标函数:max fx = 10*x1 + 9*x2约束条件:6*x1 + 5*x2 <= 6010*x1 + 20*x2 <= 150 x1, x2 >= 0,x1 <= 8此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5"""ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize) # 定义问题 1,求最大值#注意,上一行确定了是求最大值x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1#参数 cat 用来设定变量类型,可选参数值:‘Continuous’ 表示连续变量(默认值)、’ Integer ’ 表示离散变量(用于整数规划问题)、’ Binary ’ 表示0/1变量(用于0/1规划问题)。x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2ProbLP1 += (10*x1 + 9*x2) # 设置目标函数 f(x)ProbLP1 += (6*x1 + 5*x2 <= 60) # 不等式约束ProbLP1 += (10*x1 + 20*x2 <= 150) # 不等式约束ProbLP1.solve()print(ProbLP1.name) # 输出求解状态print("Status youcans:", pulp.LpStatus[ProbLP1.status]) # 输出求解状态for v in ProbLP1.variables():print(v.name, "=", v.varValue) # 输出每个变量的最优值print("F1(x) =", pulp.value(ProbLP1.objective)) # 输出最优解的目标函数值# 问题 2:"""问题建模:决策变量:x1:甲饮料产量(单位:百箱)x2:乙饮料产量(单位:百箱)x3:增加投资(单位:万元)目标函数:max fx = 10*x1 + 9*x2 - x3约束条件:6*x1 + 5*x2 <= 60 + x3/0.810*x1 + 20*x2 <= 150x1, x2, x3 >= 0,x1 <= 8此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5"""ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize) # 定义问题 2,求最大值x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2x3 = pulp.LpVariable('x3', lowBound=0, cat='Continuous') # 定义 x3ProbLP2 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束ProbLP2 += (10*x1 + 20*x2 <= 150) # 不等式约束ProbLP2.solve()print(ProbLP2.name) # 输出求解状态print("Status youcans:", pulp.LpStatus[ProbLP2.status]) # 输出求解状态for v in ProbLP2.variables():print(v.name, "=", v.varValue) # 输出每个变量的最优值print("F2(x) =", pulp.value(ProbLP2.objective)) # 输出最优解的目标函数值# 问题 3:整数规划问题"""问题建模:决策变量:x1:甲饮料产量,正整数(单位:百箱)x2:乙饮料产量,正整数(单位:百箱)目标函数:max fx = 10*x1 + 9*x2约束条件:6*x1 + 5*x2 <= 6010*x1 + 20*x2 <= 150x1, x2 >= 0,x1 <= 8,x1, x2 为整数此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5"""ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize) # 定义问题 3,求最大值print(ProbLP3.name) # 输出求解状态x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1,变量类型:整数x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer') # 定义 x2,变量类型:整数ProbLP3 += (10 * x1 + 9 * x2) # 设置目标函数 f(x)ProbLP3 += (6 * x1 + 5 * x2 <= 60) # 不等式约束ProbLP3 += (10 * x1 + 20 * x2 <= 150) # 不等式约束ProbLP3.solve()print("Shan Status:", pulp.LpStatus[ProbLP3.status]) # 输出求解状态for v in ProbLP3.variables():print(v.name, "=", v.varValue) # 输出每个变量的最优值print("F3(x) =", pulp.value(ProbLP3.objective)) # 输出最优解的目标函数值# 问题 4:"""问题建模:决策变量:x1:甲饮料产量,正整数(单位:百箱)x2:乙饮料产量,正整数(单位:百箱)x3:增加投资(单位:万元)目标函数:max fx = 10*x1 + 9*x2 - x3约束条件:6*x1 + 5*x2 <= 60 + x3/0.810*x1 + 20*x2 <= 150x1, x2, x3 >= 0,x1 <= 8,x1, x2 为整数此外,由 x1,x2>=0 和 10*x1+20*x2<=150 可知 0<=x2<=7.5"""ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize) # 定义问题 4,求最大值print(ProbLP4.name) # 输出求解状态x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1,变量类型:整数x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Integer') # 定义 x2,变量类型:整数x3 = pulp.LpVariable('x3', lowBound=0, cat='Continuous') # 定义 x3ProbLP4 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)ProbLP4 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束ProbLP4 += (10*x1 + 20*x2 <= 150) # 不等式约束ProbLP4.solve()print("Shan Status:", pulp.LpStatus[ProbLP4.status]) # 输出求解状态for v in ProbLP4.variables():print(v.name, "=", v.varValue) # 输出每个变量的最优值print("F4(x) =", pulp.value(ProbLP4.objective)) # 输出最优解的目标函数值returnif __name__ == '__main__': # Copyright 2021 YouCans, XUPTmain() # Python小白的数学建模课 @ Youcans
这里借用了Python小白的数学建模课-04.整数规划_youcans的博客-CSDN博客_python整数规划中的方法,原因是不知道为什么司守奎老师的源代码我报错了。。。详见上述文章学习整数规划。用pulp库也可以解决0-1规划的问题。报错如果解决后会更新。
6.2 非线性规划
6.2.1 非线性规划概念和理论
1. 非线性规划模型
非线性规划模型的一般形式描述如下:
采用向量表示法写作:
如果遇到求目标函数最大值或者约束条件大于0的情况都可以通过取相反数转化为一般形式。
定义6.1:严格全局最优解和严格局部最优解
需要注意的是:线性规划的最优解一定在边界取到,特别是可行域顶点上达到。但是非线性规划没有这个特征。最优解(如果存在)可能在可行域任意一点达到 。一般非线性规划算法给出的也只能是局部最优解,不能保证是全局最优解。
2. 无约束非线性规划的求解
无约束线性规划问题可以具体表示为:
该类问题可以借鉴高等数学中二元函数求极值的方法。首先引入下面的定理:
定理6.3
定义6.2 黑塞矩阵
定理6.4 (无约束优化问题有局部最优解的充分条件)
常用方法有:最速降线法,牛顿法和拟牛顿法,这里不详细介绍了
3. 有约束非线性规划的求解
比较常见的处理思路:可能的话将非线性问题转化为线性问题,将约束问题转化为无约束问题。
(1)求解有等式约束非线性规划的lagrange乘数法
对于特殊的只有等式约束的非线性规划问题的情形
定理6.5 (Lagrange定理):
这样可以把问题求解转化为无约束问题求解。
(2)求解有约束非线性规划的罚函数法
略,书P205(P219)
注:罚函数法计算精度较差,除非要求算法达到实时,否则一般不用
6.2.2 非线性规划的python求解
1.用scipy.optimize模块的minimize函数求解
例6.4 求解非线性规划问题:
from scipy.optimize import minimize
from numpy import ones
def obj(x):x1,x2,x3=xreturn (2+x1)/(1+x2)-3*x1+4*x3
LB=[0.1]*3; UB=[0.9]*3
bound=tuple(zip(LB, UB)) #生成决策向量界限的元组
res=minimize(obj,ones(3),bounds=bound) #第2个参数为初值
print(res.fun,'\n',res.success,'\n',res.x) #输出最优值、求解状态、最优解
所以:最优解为x1=x2=0.9,x3=0.1,目标函数的最优值为-0.7737
例6.5 求解下列非线性规划问题
from scipy.optimize import minimize
import numpy as np
c1=np.array([1,1,3,4,2]); c2=np.array([-8,-2,-3,-1,-2])
A=np.array([[1,1,1,1,1],[1,2,2,1,6],[2,1,6,0,0],[0,0,1,1,5]])
b=np.array([400,800,200,200])
obj=lambda x: np.dot(-c1,x**2)+np.dot(-c2,x)
cons={'type':'ineq','fun':lambda x:b-A@x}
bd=[(0,99) for i in range(A.shape[1])]
res=minimize(obj,np.ones(5)*90,constraints=cons,bounds=bd)
print(res) #输出解的信息
所以,最优解为:x1=50.5,x2=99,x3=0,x4=99,x5=20.2,目标函数的最优值为-51629.93
2. 用cvxopt.solvers模块求解二次规划模型
定义6.3 二次规划模型:
若非线性规划的目标函数为决策向量x的二次函数,约束条件又全是线性的,就称这种规划为二次规划。
cvxopt.solvers模块中二次规划的标准型为:
例6.6 求解二次规划模型
解:首先将原规划模型化为标准型
注意:由于系数1/2的存在,P矩阵为二次方项系数两倍的对角阵,q为一次方系数的纵向量,A为不等式约束的变量系数,b为不等式约束的常数,Aeq为等式约束的系数行向量,beq为等式约束的常数项。
求得最优解为x1=0.8,x2=1.4,x3=0.8,目标函数的最优值为-7.1760。
3. 用cvxpy库求解
例6.7 求解下列非线性整数规划问题
代码略,暂时有报错
6.2.3 飞行管理问题
【学习笔记】第六章 整数规划和非线性规划相关推荐
- Unix原理与应用学习笔记----第六章 文件的基本属性2
Unix原理与应用学习笔记----第六章 文件的基本属性2 改变文件权限命令:chmod 提示:文件或目录创建后,就被赋予一组默认的权限.所有的用户都有读,只有文件的所有者才有写. 相对权限设置 Ch ...
- 《Go语言圣经》学习笔记 第六章 方法
<Go语言圣经>学习笔记 第六章 方法 目录 方法声明 基于指针对象的方法 通过嵌入结构体来扩展类型 方法值和方法表达式 示例:Bit数组 封装 注:学习<Go语言圣经>笔记, ...
- 《疯狂Java讲义》学习笔记 第六章 面向对象(下)
<疯狂Java讲义>学习笔记 第六章 面向对象(下) 6.1包装类 基本数据类型 包装类 byte Byte short Short int Integer long Long char ...
- 2022 最新 Android 基础教程,从开发入门到项目实战【b站动脑学院】学习笔记——第六章:数据存储
第 6 章 数据存储 本章介绍Android 4种存储方式的用法,包括共享参数SharedPreferences.数据库SQLite.存储卡文 件.App的全局内存,另外介绍Android重要组件-应 ...
- 软件工程学习笔记——第六章 软件设计方法
目录 第一章 概述 第二章 过程和活动 第三章 软件过程模型 第四章 问题定义和可行性研究方法 第五章 需求分析方法-1 第五章 需求分析方法-2 第六章 软件设计方法 第七章 软件实施与测试方法 第 ...
- DSP原理学习笔记--第六章--外部存储器接口(EMIF)
第六章 外部存储器接口(EMIF) 第六章 外部存储器接口(EMIF) 6.1 接口信号与控制寄存器 1. EMIF接口信号 2. EMIF接口地址 3. EMIF控制寄存器 GBLCTL寄存器 CE ...
- 第一行代码学习笔记第六章——详解持久化技术
知识点目录 6.1 持久化技术简介 6.2 文件存储 * 6.2.1 将数据存储到文件中 * 6.2.2 从文件中读取数据 6.3 SharedPreferences存储 * 6.3.1 将数据存储到 ...
- 第二行代码学习笔记——第六章:数据储存全方案——详解持久化技术
本章要点 任何一个应用程序,总是不停的和数据打交道. 瞬时数据:指储存在内存当中,有可能因为程序关闭或其他原因导致内存被回收而丢失的数据. 数据持久化技术,为了解决关键性数据的丢失. 6.1 持久化技 ...
- 操作系统学习笔记 第六章:设备管理(王道考研)
本文章基于网课: 2019 王道考研 操作系统 考试复习推荐资料:操作系统复习总结 - 百度文库 (baidu.com) 需要相关电子书的可以关注我的公众号BaretH后台回复操作系统 第一章:操作系 ...
最新文章
- 【多线程高并发】查看Java代码对应的汇编指令教程
- 牛客网学习笔记-day01
- select 选择器php,php – 选择laravel 5.4中下拉列表的选定值
- C++设计模式之 简单工厂模式讲解(历史上最简单明白的例子)
- 判别模型、生成模型与朴素贝叶斯方法
- vue 单独页面定时器 离开页面销毁定时器
- 情人节海报psd分层模板|好的图层,任你选择
- mysql的多媒体类型_多媒体数据库技术及其发展方向
- 架构一个可承受千万级访问量的动态扩展CMS
- 计算机学院毕设翻译模版,计算机毕设外文翻译
- 几种比较和谐的文字背景颜色搭配
- Python爬虫之网易云音乐数据爬取(十五)
- 晶振选型需要注意哪些事项?-台湾TST嘉硕
- 3199. 命令行选项
- matlab 理想变压器,Simscape Electrical
- CSS:div中文字换行设置
- oracle事务数统计,【学习笔记】Oracle数据库收集统计信息的两种方法介绍案例
- prometheus监控报警部署Alertmanager
- V3D中神经元SWC颜色对照图及色彩搭配
- 【opencv】(11) 背景建模,帧差法、混合高斯模型,实战:行人检测,附python完整代码和数据集
热门文章
- 51单片机学习笔记-8 DS1302实时时钟
- 带你轻松把握实行DB2的饬令
- ESP32_Arduino_TFT_eSPI的使用记录
- 揭开前端绘制地图的神秘面纱
- Linux的发展历史及版本简介
- 华侨大学计算机学院宋益国,华侨大学团队摘得CVPR 2020智慧城市挑战赛全球亚军...
- Mercurial与TortoiseHg使用入门教程(转)
- 【酒店管理系统】(三)项目介绍-RuoYi
- 八年程序员之书籍篇--OS/Linux(二):Kernel
- 实现两个数交换python_编写一个程序,用于实现两个数的交换。_学小易找答案