本文章为上篇建模学习打卡第二天的续

文章目录

一、本次问题

二、本题理解

三、问题求解

1.lingo实现

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解

2.python实现求解

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解实现通过 pulp 库求解

（3）加入整数约束条件求解实现分枝界定法求解

一、本次问题

二、本题理解

目标函数：

max = 40x1+90x2

一级约束条件：

9x1+7x2<=56
7x1+20x2<=70
x1,x2 >= 0

二级约束条件：

x1，x2全为整数

三、问题求解

1.lingo实现

lingo编写代码时，每行代码结束后必须以 ‘ ; ’ 结束，否则无法运行。

（1）先抛除整数约束条件对问题求解

基础线性规划实现（matlab，lingo）_菜菜笨小孩的博客-CSDN博客

lingo代码实现：（l无其他条件下，ingo中默认变量大于等于0）

max = 40*x1+90*x2;
9*x1+7*x2<=56;
7*x1+20*x2<=70;

结果：最优解 x1=4.80916 , x2 = 1.816794 ; 最优值为355.8779；显然不符合题意

（2）加入整数约束条件求解

首先，需要引出lingo的变量界定函数 @gin(x) --- 将x限制为整数条件

ingo代码实现:通过变量界定函数将x1，x2限制为整数约束

max = 40*x1+90*x2;
9*x1+7*x2<=56;
7*x1+20*x2<=70;
@gin(x1);
@gin(x2);

结果：最优解 x1=4 , x2 = 2 ; 最优值为340；符合题意

lingo实现求解到此结束。

2.python实现求解

（1）先抛除整数约束条件对问题求解

基础线性规划实现---python_菜菜笨小孩的博客-CSDN博客

python代码实现如下：详解请看上方python基础线性规划的文章

#导入包
from scipy import optimize as opt
import numpy as np#确定c,A,b,Aeq,beq
c = np.array([40,90]) #目标函数变量系数
A = np.array([[9,7],[7,20]]) #不等式变量系数
b = np.array([56,70]) #不等式变量值
Aeq = np.array([[0,0]]) #等式变量系数
beq = np.array([0]) #等式变量值
#限制
lim1=(0,None)
lim2=(0,None)
#求解
res = opt.linprog(-c,A,b,Aeq,beq,bounds=(lim1,lim2))
#输出结果
print(res)

结果：最优解 x1=4.80916 , x2 = 1.816794 ; 最优值为355.8779；显然不符合题意

（2）加入整数约束条件求解实现通过 pulp 库求解

安装库：我用python3.8安装成功了

pip install pulp

python代码实现：

1.导入库

import pulp as pulp

2.定义解决问题的函数

def solve_ilp(objective , constraints) :print(objective)print(constraints)prob = pulp.LpProblem('LP1' , pulp.LpMaximize)prob += objectivefor cons in constraints :prob += consprint(prob)status = prob.solve()if status != 1 :return Noneelse :return [v.varValue.real for v in prob.variables()]

3.设置目标函数和约束条件等

V_NUM = 2 #本题变量个数
# 变量，直接设置下限
variables = [pulp.LpVariable('X%d' % i, lowBound=0, cat=pulp.LpInteger) for i in range(0, V_NUM)]
# 目标函数
c = [40, 90]
objective = sum([c[i] * variables[i] for i in range(0, V_NUM)])
# 约束条件
constraints = []
a1 = [9, 7]
constraints.append(sum([a1[i] * variables[i] for i in range(0, V_NUM)]) <= 56)
a2 = [7, 20]
constraints.append(sum([a2[i] * variables[i] for i in range(0, V_NUM)]) <= 70)

4.求解：

res = solve_ilp(objective, constraints)
print(res) #输出结果

完整代码如下：

# -*- coding: utf-8 -*-
import pulp as pulpdef solve_ilp(objective, constraints):print(objective)print(constraints)prob = pulp.LpProblem('LP1', pulp.LpMaximize)prob += objectivefor cons in constraints:prob += consprint(prob)status = prob.solve()if status != 1:# print 'status'# print statusreturn Noneelse:# return [v.varValue.real for v in prob.variables()]return [v.varValue.real for v in prob.variables()]V_NUM = 2
# 变量，直接设置下限
variables = [pulp.LpVariable('X%d' % i, lowBound=0, cat=pulp.LpInteger) for i in range(0, V_NUM)]
# 目标函数
c = [40, 90]
objective = sum([c[i] * variables[i] for i in range(0, V_NUM)])
# 约束条件
constraints = []
a1 = [9, 7]
constraints.append(sum([a1[i] * variables[i] for i in range(0, V_NUM)]) <= 56)
a2 = [7, 20]
constraints.append(sum([a2[i] * variables[i] for i in range(0, V_NUM)]) <= 70)
# print (constraints)res = solve_ilp(objective, constraints)
print(res) #输出解

结果：最优解 x1=4 , x2 = 2 ; 最优值为340；符合题意

（3）加入整数约束条件求解实现分枝界定法求解

何为分枝界定法，请看详解https://blog.csdn.net/qq_25990967/article/details/121211474

python代码实现：

1.导入库

from scipy.optimize import linprog
import numpy as np
import math
import sys
from queue import Queue

2.定义整数线性规划类

class ILP()

3.定义分枝界定法函数

def __init__(self, c, A_ub, b_ub, A_eq, b_eq, bounds):# 全局参数self.LOWER_BOUND = -sys.maxsizeself.UPPER_BOUND = sys.maxsizeself.opt_val = Noneself.opt_x = Noneself.Q = Queue()# 这些参数在每轮计算中都不会改变self.c = -cself.A_eq = A_eqself.b_eq = b_eqself.bounds = bounds# 首先计算一下初始问题r = linprog(-c, A_ub, b_ub, A_eq, b_eq, bounds)# 若最初问题线性不可解if not r.success:raise ValueError('Not a feasible problem!')# 将解和约束参数放入队列self.Q.put((r, A_ub, b_ub))def solve(self):while not self.Q.empty():# 取出当前问题res, A_ub, b_ub = self.Q.get(block=False)# 当前最优值小于总下界，则排除此区域if -res.fun < self.LOWER_BOUND:continue# 若结果 x 中全为整数，则尝试更新全局下界、全局最优值和最优解if all(list(map(lambda f: f.is_integer(), res.x))):if self.LOWER_BOUND < -res.fun:self.LOWER_BOUND = -res.funif self.opt_val is None or self.opt_val < -res.fun:self.opt_val = -res.funself.opt_x = res.xcontinue# 进行分枝else:# 寻找 x 中第一个不是整数的，取其下标 idxidx = 0for i, x in enumerate(res.x):if not x.is_integer():breakidx += 1# 构建新的约束条件（分割new_con1 = np.zeros(A_ub.shape[1])new_con1[idx] = -1new_con2 = np.zeros(A_ub.shape[1])new_con2[idx] = 1new_A_ub1 = np.insert(A_ub, A_ub.shape[0], new_con1, axis=0)new_A_ub2 = np.insert(A_ub, A_ub.shape[0], new_con2, axis=0)new_b_ub1 = np.insert(b_ub, b_ub.shape[0], -math.ceil(res.x[idx]), axis=0)new_b_ub2 = np.insert(b_ub, b_ub.shape[0], math.floor(res.x[idx]), axis=0)# 将新约束条件加入队列，先加最优值大的那一支r1 = linprog(self.c, new_A_ub1, new_b_ub1, self.A_eq,self.b_eq, self.bounds)r2 = linprog(self.c, new_A_ub2, new_b_ub2, self.A_eq,self.b_eq, self.bounds)if not r1.success and r2.success:self.Q.put((r2, new_A_ub2, new_b_ub2))elif not r2.success and r1.success:self.Q.put((r1, new_A_ub1, new_b_ub1))elif r1.success and r2.success:if -r1.fun > -r2.fun:self.Q.put((r1, new_A_ub1, new_b_ub1))self.Q.put((r2, new_A_ub2, new_b_ub2))else:self.Q.put((r2, new_A_ub2, new_b_ub2))self.Q.put((r1, new_A_ub1, new_b_ub1))

4.定义求解问题中的变量级约束条件

def test():""" 此测试的真实最优解为 [4, 2] """c = np.array([40, 90])A = np.array([[9, 7], [7, 20]])b = np.array([56, 70])Aeq = Nonebeq = Nonebounds = [(0, None), (0, None)]solver = ILP(c, A, b, Aeq, beq, bounds)solver.solve()print("Test 's result:", solver.opt_val, solver.opt_x)print("Test 's true optimal x: [4, 2]\n")

5.求解并输出

if __name__ == '__main__':test()

完整代码如下：

from scipy.optimize import linprog
import numpy as np
import math
import sys
from queue import Queueclass ILP():def __init__(self, c, A_ub, b_ub, A_eq, b_eq, bounds):# 全局参数self.LOWER_BOUND = -sys.maxsizeself.UPPER_BOUND = sys.maxsizeself.opt_val = Noneself.opt_x = Noneself.Q = Queue()# 这些参数在每轮计算中都不会改变self.c = -cself.A_eq = A_eqself.b_eq = b_eqself.bounds = bounds# 首先计算一下初始问题r = linprog(-c, A_ub, b_ub, A_eq, b_eq, bounds)# 若最初问题线性不可解if not r.success:raise ValueError('Not a feasible problem!')# 将解和约束参数放入队列self.Q.put((r, A_ub, b_ub))def solve(self):while not self.Q.empty():# 取出当前问题res, A_ub, b_ub = self.Q.get(block=False)# 当前最优值小于总下界，则排除此区域if -res.fun < self.LOWER_BOUND:continue# 若结果 x 中全为整数，则尝试更新全局下界、全局最优值和最优解if all(list(map(lambda f: f.is_integer(), res.x))):if self.LOWER_BOUND < -res.fun:self.LOWER_BOUND = -res.funif self.opt_val is None or self.opt_val < -res.fun:self.opt_val = -res.funself.opt_x = res.xcontinue# 进行分枝else:# 寻找 x 中第一个不是整数的，取其下标 idxidx = 0for i, x in enumerate(res.x):if not x.is_integer():breakidx += 1# 构建新的约束条件（分割new_con1 = np.zeros(A_ub.shape[1])new_con1[idx] = -1new_con2 = np.zeros(A_ub.shape[1])new_con2[idx] = 1new_A_ub1 = np.insert(A_ub, A_ub.shape[0], new_con1, axis=0)new_A_ub2 = np.insert(A_ub, A_ub.shape[0], new_con2, axis=0)new_b_ub1 = np.insert(b_ub, b_ub.shape[0], -math.ceil(res.x[idx]), axis=0)new_b_ub2 = np.insert(b_ub, b_ub.shape[0], math.floor(res.x[idx]), axis=0)# 将新约束条件加入队列，先加最优值大的那一支r1 = linprog(self.c, new_A_ub1, new_b_ub1, self.A_eq,self.b_eq, self.bounds)r2 = linprog(self.c, new_A_ub2, new_b_ub2, self.A_eq,self.b_eq, self.bounds)if not r1.success and r2.success:self.Q.put((r2, new_A_ub2, new_b_ub2))elif not r2.success and r1.success:self.Q.put((r1, new_A_ub1, new_b_ub1))elif r1.success and r2.success:if -r1.fun > -r2.fun:self.Q.put((r1, new_A_ub1, new_b_ub1))self.Q.put((r2, new_A_ub2, new_b_ub2))else:self.Q.put((r2, new_A_ub2, new_b_ub2))self.Q.put((r1, new_A_ub1, new_b_ub1))def test():""" 此测试的真实最优解为 [4, 2] """c = np.array([40, 90])A = np.array([[9, 7], [7, 20]])b = np.array([56, 70])Aeq = Nonebeq = Nonebounds = [(0, None), (0, None)]solver = ILP(c, A, b, Aeq, beq, bounds)solver.solve()print("Test 's result:", solver.opt_val, solver.opt_x)print("Test 's true optimal x: [4, 2]\n")if __name__ == '__main__':test()

结果：最优解 x1=4 , x2 = 2 ; 最优值为340；符合题意

整数线性规划实现（lingo，python分枝界定法）相关推荐

整数线性规划实现（matlab分枝界定法）
文章目录一.本次问题 1.利用第一天所学知识求解: 2.本题理解: (1)分支界定法背景: 基本理论(解题步骤): 求解实现1: 1.第一步 2.第二步 3.第三步 4.第四步结论:综上,最优解 ...
python混合整数线性规划_【Python代码】混合整数规划MIP/线性规划LP+python(ortool库)实现...
相关知识点 LP线性规划问题 Linear Problem [百度百科]:研究线性约束条件下线性目标函数的极值问题的数学理论和方法. 学过运筹学的小伙伴,可以看这个LP问题的标准型来回顾一下: 不太熟 ...
Python 实现整数线性规划：分枝定界法（Branch and Bound）
今天做作业,要实现整数线性规划的分枝定界法算法.找了一些网上的博客,发现都很屎,感觉自己写的这个比较清楚.规范,所以在此记录.如有错误,请指正. from scipy.optimize import ...
python混合整数线性规划_Python 实现整数线性规划：分枝定界法（Branch and Bound）...
今天做作业,要实现整数线性规划的分枝定界法算法.找了一些网上的博客,发现都很屎,感觉自己写的这个比较清楚.规范,所以在此记录.如有错误,请指正. from scipy.optimize import ...
MindOpt对于混合整数线性规划问题如何建模优化(python语言)
简介 MindOpt是一款高效的优化算法软件包,求解算法实现了线性规划(LP).混合整数线性规划(MILP).二次规划(QP),可以支持命令行.c.c++.java和python调用.接下来我们将发布 ...
yalmip + lpsolve + matlab 求解混合整数线性规划问题（MIP/MILP）
转自,原文: https://www.cnblogs.com/kane1990/p/3428129.html 最近建立了一个网络流模型,是一个混合整数线性规划问题(模型中既有连续变量,又有整型变量). ...
使用COPT求解混合整数线性规划
一.使用Copt求解模型步骤 1.模型的引入使用 from copt import * 引入模型 import coptpy as cp 2.创建求解环境 env = Envr() 创建优化模型,返 ...
混合整数线性规划，图的最大流，图的匹配，求解
求解软件有, matlab,lingo,商用软件 GLPK,GNU LP Kit,开源,ansi C 介绍图的匹配,matching https://www.tutorialspoint.com/gr ...
回溯法、分枝限定法--求解N个杯子分酒问题
n(<20)个没有刻度.容量分别为A1~ An的酒杯,初始装酒量分别为s1~ sn,求用最少次数倒成D1~ Dn的倒酒过程,其中A1~ An, s1~ sn, D1~Dn数据可以固定在程序中. ...

整数线性规划实现（lingo，python分枝界定法）

一、本次问题

二、本题理解

三、问题求解

1.lingo实现

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解

2.python实现求解

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解实现通过 pulp 库求解

（3）加入整数约束条件求解实现分枝界定法求解

整数线性规划实现（lingo，python分枝界定法）相关推荐

最新文章

热门文章

整数线性规划实现（lingo，python分枝界定法）

一、本次问题

二、本题理解

三、问题求解

1.lingo实现

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解

2.python实现求解

（1）先抛除整数约束条件对问题求解

（2）加入整数约束条件求解实现 通过 pulp 库求解

（3）加入整数约束条件求解实现 分枝界定法求解

整数线性规划实现（lingo，python分枝界定法）相关推荐

最新文章

热门文章

（2）加入整数约束条件求解实现通过 pulp 库求解

（3）加入整数约束条件求解实现分枝界定法求解