练习使用线性规划算法包解决猫粮配方的问题。

问题

某猫粮生产商生产猫粮时使用鸡肉、牛肉、羊肉、大米、小麦麦麸和凝胶作为原材料。这些原材料的营养成分的含量和价格如表所示。

物品	蛋白质	脂肪	纤维	盐	单价
鸡肉 Chicken	0.1	0.08	0.001	0.002	0.013
牛肉Beef	0.2	0.1	0.005	0.005	0.008
羊肉Mutton	0.15	0.11	0.003	0.007	0.01
大米Rice	0	0.01	0.1	0.002	0.002
麦麸Wheat bran	0.04	0.01	0.15	0.008	0.005
凝胶Gel	0	0	0	0	0.001
成品要求(克/百克)	>=8	>=6	<=2	<=0.4

成分单位: g/g

单价单位: 美元/g

成品中成分单位: g/100g

问：每100克产品中应如何配比原材料，才能在满足产品营养成分的情况下做到成本最小化?

下面练习使用线性规划pulp算法包解决此问题。

安装算法包

pulp源码地址:https://github.com/coin-or/pulp
pulp文档地址:https://coin-or.github.io/pulp/

pip install pulp

简化解题示例

假设只想用两种原料制作猫粮：鸡肉和牛肉

# 导入算法包
import pulp as pl

创建问题

使用LpProblem函数创建问题. LpProblem有两个参数:
1. 第一个参数为问题的名称，可以是任意字符串
2. 第二个参数为 LpMinimize（默认值）或者 LpMaximize

# 创建问题
prob=pl.LpProblem("猫粮配方问题",pl.LpMinimize)

创建变量

使用LpVariable函数创建变量。LpVariable有四个参数:
1. name:输出时使用的变量名,任意字符串
2. lowBound:变量下限,默认None
3. upBound:变量上限,默认None
4. cat:数据的属性，实质上是数据的类型(离散或者连续)，可选:“pl.LpInterger”、“pl.LpBinary"或者"pl.LpContinuous”（默认）

# 创建变量
# 鸡肉百分比，最小值为0，最大值不限
x1=pl.LpVariable("鸡肉百分比",0,None)
# 牛肉百分比，最小值为0，最大值不限
x2=pl.LpVariable("牛肉百分比",0,None)

建立目标函数

目标函数结尾有一个逗号,,其后是一个简短的字符串来解释这个目标函数是干什么的

# 建立目标函数
prob+=0.013 * x1 + 0.008 * x2, "每罐产品的总成本"

建立约束

定义变量的时候已经包含了任意的非负约束
这再次使用“+=”运算符完成，因为我们正在向prob变量添加更多数据。在此之后按逻辑输入约束，在约束方程的末尾加上一个逗号，并简要描述该约束的原因

# 5个约束条件需要输入
prob += x1 + x2 ==100,"每罐猫粮100克"
prob += 0.100 * x1 + 0.200 * x2 >= 8.0,"每100克猫粮的蛋白质含量必须不小于8克"
prob += 0.080 * x1 + 0.100 * x2 >= 6.0,"每100克猫粮的脂肪含量必须不小于6克"
prob += 0.001 * x1 + 0.005 * x2 <= 2.0,"每100克猫粮的纤维含量必须不大于2克"
prob += 0.002 * x1 + 0.005 * x2 <= 0.4,"每100克猫粮的食盐含量必须不大于0.4克"

解决问题

使用solve()函数计算问题
solve()可以输入求解器参数。
solve()的返回值为解决问题的状态，{0: ‘Not Solved[未解决]’, 1: ‘Optimal[最佳]’, -1: ‘Infeasible[不可行]’, -2: ‘Unbounded[无界]’, -3: ‘Undefined[未定义]’}
状态值保存在.status变量中
通过LpStatus查看状态的文字描述
定义的x1、x2等变量的值保存在.variables()中

# 解决问题
prob.solve()
print("状态:",pl.LpStatus[prob.status])
"""
打印输出为:
状态: Optimal
"""
# 输出变量值
for v in prob.variables():print(v.name,"=",v.varValue)
"""
打印输出为:
牛肉百分比 = 66.666667
鸡肉百分比 = 33.333333
"""
# 输出结果
print("每百克成品的成本价 = ",pl.value(prob.objective))
"""
打印输出为：
每百克成品的成本价 =  0.966666665
"""

完整的程序

# 导入算法包
import pulp as pl
# 创建问题
prob=pl.LpProblem("猫粮配方问题",pl.LpMinimize)
# 创建变量
# 鸡肉百分比，最小值为0，最大值不限
x1=pl.LpVariable("鸡肉百分比",0,None)
# 牛肉百分比，最小值为0，最大值不限
x2=pl.LpVariable("牛肉百分比",0,None)# 建立目标函数
prob+=0.013 * x1 + 0.008 * x2, "每罐产品的总成本"# 建立约束
# 5个约束条件需要输入
prob += x1 + x2 ==100,"每罐猫粮100克"
prob += 0.100 * x1 + 0.200 * x2 >= 8.0,"每100克猫粮的蛋白质含量必须不小于8克"
prob += 0.080 * x1 + 0.100 * x2 >= 6.0,"每100克猫粮的脂肪含量必须不小于6克"
prob += 0.001 * x1 + 0.005 * x2 <= 2.0,"每100克猫粮的纤维含量必须不大于2克"
prob += 0.002 * x1 + 0.005 * x2 <= 0.4,"每100克猫粮的食盐含量必须不大于0.4克"# 解决问题
prob.solve()
print("状态:",pl.LpStatus[prob.status])# 输出变量值
for v in prob.variables():print(v.name,"=",v.varValue)# 输出结果
print("每百克成品的成本价 = ",pl.value(prob.objective))

完整解题程序示例

import pulp as pl# 创建原料表
Ingredients = ["CHICKEN", "BEEF", "MUTTON", "RICE", "WHEAT", "GEL"]# 原材料成本单价(美元/克)
costs = {"CHICKEN": 0.013,"BEEF": 0.008,"MUTTON": 0.010,"RICE": 0.002,"WHEAT": 0.005,"GEL": 0.001,
}# 原材料中蛋白质的含量(g/g)
proteinPercent = {"CHICKEN": 0.100,"BEEF": 0.200,"MUTTON": 0.150,"RICE": 0.000,"WHEAT": 0.040,"GEL": 0.000,
}# 原材料中脂肪的含量(g/g)
fatPercent = {"CHICKEN": 0.080,"BEEF": 0.100,"MUTTON": 0.110,"RICE": 0.010,"WHEAT": 0.010,"GEL": 0.000,
}# 原材料中纤维的含量(g/g)
fibrePercent = {"CHICKEN": 0.001,"BEEF": 0.005,"MUTTON": 0.003,"RICE": 0.100,"WHEAT": 0.150,"GEL": 0.000,
}# 原材料中盐分的含量(g/g)
saltPercent = {"CHICKEN": 0.002,"BEEF": 0.005,"MUTTON": 0.007,"RICE": 0.002,"WHEAT": 0.008,"GEL": 0.000,
}

创建问题

# 创建问题
prob = pl.LpProblem("猫粮配方问题",pl.LpMinimize)

创建变量

使用LpVariable.dicts()集中创建变量，参数：
1. name:字符串，变量名称的前缀
2. indexs:字符串list,变量（一般是原材料名）的名称列表
3. lowBound:变量下限,默认None
4. upBound:变量上限,默认None
5. cat:数据的属性，实质上是数据的类型(离散或者连续)，可选:“pl.LpInterger”、“pl.LpBinary"或者"pl.LpContinuous”（默认）

ingredient_vars = pl.LpVariable.dicts("Ingr",Ingredients,0)
print(ingredient_vars)

打印出来的变量结果为：

{'CHICKEN': Ingr_CHICKEN, 'BEEF': Ingr_BEEF, 'MUTTON': Ingr_MUTTON, 'RICE': Ingr_RICE, 'WHEAT': Ingr_WHEAT, 'GEL': Ingr_GEL}

创建目标函数

#创建目标函数
prob += pl.lpSum([costs[i]*ingredient_vars[i] for i in Ingredients])

创建约束

#添加约束条件
# 所有参数的和为100
prob += pl.lpSum([ingredient_vars[i] for i in Ingredients]) == 100
# 每100克猫粮的蛋白质含量必须不小于8克
prob += pl.lpSum([proteinPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 8.0
# 每100克猫粮的脂肪含量必须不小于6克
prob += pl.lpSum([fatPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 6.0
# 每100克猫粮的纤维含量必须不大于2克
prob += pl.lpSum([fibrePercent[i] * ingredient_vars[i] for i in Ingredients]) <= 2.0
# 每100克猫粮的盐分含量必须不大于0.4克
prob += pl.lpSum([saltPercent[i] * ingredient_vars[i] for i in Ingredients]) <= 0.4

解决问题

# 解决问题
prob.solve()
print("状态:",pl.LpStatus[prob.status])
"""
打印输出为:
状态: Optimal
"""
# 输出变量值
for i in Ingredients:print(ingredient_vars[i],"=",ingredient_vars[i].value())
"""
打印输出为:
Ingr_CHICKEN = 0.0
Ingr_BEEF = 60.0
Ingr_MUTTON = 0.0
Ingr_RICE = 0.0
Ingr_WHEAT = 0.0
Ingr_GEL = 40.0
"""
# 输出结果
print("每百克成品的成本价 = ",pl.value(prob.objective))
"""
打印输出为：
每百克成品的成本价 =  0.52
"""

完整的程序

# 导入包
import pulp as pl# 创建原料表
Ingredients = ["CHICKEN", "BEEF", "MUTTON", "RICE", "WHEAT", "GEL"]# 原材料成本单价(美元/克)
costs = {"CHICKEN": 0.013,"BEEF": 0.008,"MUTTON": 0.010,"RICE": 0.002,"WHEAT": 0.005,"GEL": 0.001,
}# 原材料中蛋白质的含量(g/g)
proteinPercent = {"CHICKEN": 0.100,"BEEF": 0.200,"MUTTON": 0.150,"RICE": 0.000,"WHEAT": 0.040,"GEL": 0.000,
}# 原材料中脂肪的含量(g/g)
fatPercent = {"CHICKEN": 0.080,"BEEF": 0.100,"MUTTON": 0.110,"RICE": 0.010,"WHEAT": 0.010,"GEL": 0.000,
}# 原材料中纤维的含量(g/g)
fibrePercent = {"CHICKEN": 0.001,"BEEF": 0.005,"MUTTON": 0.003,"RICE": 0.100,"WHEAT": 0.150,"GEL": 0.000,
}# 原材料中盐分的含量(g/g)
saltPercent = {"CHICKEN": 0.002,"BEEF": 0.005,"MUTTON": 0.007,"RICE": 0.002,"WHEAT": 0.008,"GEL": 0.000,
}# 创建问题
prob = pl.LpProblem("猫粮配方问题",pl.LpMinimize)# 创建变量
ingredient_vars = pl.LpVariable.dicts("Ingr",Ingredients,0)#创建目标函数
prob += pl.lpSum([costs[i]*ingredient_vars[i] for i in Ingredients])#添加约束条件
# 所有参数的和为100
prob += pl.lpSum([ingredient_vars[i] for i in Ingredients]) == 100
# 每100克猫粮的蛋白质含量必须不小于8克
prob += pl.lpSum([proteinPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 8.0
# 每100克猫粮的脂肪含量必须不小于6克
prob += pl.lpSum([fatPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 6.0
# 每100克猫粮的纤维含量必须不大于2克
prob += pl.lpSum([fibrePercent[i] * ingredient_vars[i] for i in Ingredients]) <= 2.0
# 每100克猫粮的盐分含量必须不大于0.4克
prob += pl.lpSum([saltPercent[i] * ingredient_vars[i] for i in Ingredients]) <= 0.4# 解决问题
prob.solve()
print("状态:",pl.LpStatus[prob.status])# 输出变量值
for i in Ingredients:print(ingredient_vars[i],"=",ingredient_vars[i].value())# 输出结果
print("每百克成品的成本价 = ",pl.value(prob.objective))

参考资料

https://coin-or.github.io/pulp/CaseStudies/a_blending_problem.html

用线性规划解决配方问题相关推荐

基于MATLAB的线性规划解决方法——单纯形法
基于MATLAB的线性规划解决方法--单纯形法简介基本思想基本原理具体实例初等行变换获取初始检验数单纯形表原理函数简介本文主要介绍采用单纯形表解决线性规划问题(LP),将单纯形表中的 ...
算法实验之线性规划解决配料问题
公式和图片不显示... 1 问题描述食谱/配料问题:设有n种配料,每种配料含有m种营养成分,用表示一个单位的第 j (j<=n)种配料中含有的第 i (i<=m)种营养成分数量,用表 ...
数据科学家线性规划入门指南
前言生活之道在于优化.每个人拥有的资源和时间都是有限的,我们都想充分利用它们.从有效地利用个人时间到解决公司的供应链问题--处处都有用到优化. 优化还是一个有趣的课题--它解决的问题初看十分简单,但 ...
Matlab 整数线性规划问题模型代码
整数线性规划问题的基本内容整数线性规划解决的是自变量在一定的线性约束条件下,使得线性目标函数求得最大值或者最小值的问题.其中自变量只能取整数.特别地,当自变量只能取0或者1时,称之为 0-1 整数规 ...
Matlab 线性规划问题模型代码
线性规划问题的基本内容线性规划解决的是自变量在一定的线性约束条件下,使得线性目标函数求得最大值或者最小值的问题. \[ \min z=\sum_{j=1}^{n} f_{j} x_{j} \] \[ ...
万字教你如何用 Python 实现线性规划
摘要:线性规划是一组数学和计算工具,可让您找到该系统的特定解,该解对应于某些其他线性函数的最大值或最小值. 本文分享自华为云社区<实践线性规划:使用 Python 进行优化>,作者: Yu ...
基于JMP公差设计探索稳健性的配方和工艺
DOE在新药或者仿制药设计与研发过程中,往往会分为三个阶段:系统设计.参数设计和容差设计(也叫公差设计,20世纪70年代,由田口玄一提出)进行.今天我们就来看看如何通过这三个阶段实现稳健的配方和工艺. ...
只需一步，轻松用Python实现线性规划
线性规划说明什么是线性规划? 想象一下,您有一个线性方程组和不等式系统.这样的系统通常有许多可能的解决方案.线性规划是一组数学和计算工具,可让您找到该系统的特定解,该解对应于某些其他线性函数的最大值 ...
【Python】用 Python 的 scipy 包实现线性规划（LP）
文章目录一.线性规划(linear programming,LP) 二.用 python 实现线性规划 1. 方法:使用 scipy 包中的 optimize.linprog 2. 实例参考链接 ...

用线性规划解决配方问题

问题

安装算法包

简化解题示例

创建问题

创建变量

建立目标函数

建立约束

解决问题

完整的程序

完整解题程序示例

创建问题

创建变量

创建目标函数

创建约束

解决问题

完整的程序

参考资料

用线性规划解决配方问题相关推荐

最新文章

热门文章