python求解整数线性规划

cvxpy求解

比如我们求解这样的一个问题：

我们需要配置基本的环境，首先记得按顺序安装模块：

 pip install numpy
 pip install mkl
 pip install cvxopt
 pip install scs
 pip install ecos
 pip install osqp
再：
pip install cvxpy

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
 

完整代码如下：

# coding=gbk
"""
作者：川川
@时间  : 2022/1/30 0:35
群：428335755
"""

import cvxpy as cp
from numpy import array

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])  # 定义约束条件的右边向量
x = cp.Variable(2, integer=True)  # 定义两个整数决策变量
obj = cp.Minimize(c * x)  # 构造目标函数
cons = [a * x <= b, x >= 0]  # 构造约束条件
prob = cp.Problem(obj, cons)  # 构建问题模型
prob.solve(solver='GLPK_MI', verbose=True)  # 求解问题
print("最优值为:", prob.value)
print("最优解为：\n", x.value)


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
 

运行结果如下：

由于注释很详细，我就没啥好说的了，如果你有不懂，可以评论区留言，或者加我联系方式问我。

scipy求解

模块安装：

pip install scipy

  

 

  
1
 

首先要转化为标准的式：

求解标准式代码如下：

from scipy import optimize
import numpy as np

# 求解函数 
res = optimize.linprog(c, A, b, Aeq, beq, LB, UB, X0, OPTIONS)
# 目标函数最小值
print(res.fun)
# 最优解 
print(res.x)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
 

标准形式是<=，如果是>=，则在两边加上符号-。
举个例子如下：

求解代码为：

from scipy import optimize
import numpy as np

# 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)
print(res)


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
 

运行如下：

解释一些结果：

• fun是目标函数最小值
• x是最优解，即上面的x1,x2,x3的最优解

推荐一本好书

《机器学习线性代数基础：Python语言描述》的优势：本书以机器学习涉及的线性代数核心知识为重点，进行新的尝试和突破：从坐标与变换、空间与映射、近似与拟合、相似与特征、降维与压缩这5个维度，环环相扣地展开线性代数与机器学习算法紧密结合的核心内容。

感兴趣可以自行购买：

京东自营购买链接：
https://item.jd.com/12566109.html

当当自营购买链接：
http://product.dangdang.com/27921482.html

  

 

  
1
  
2
  
3
  
4
  
5
 

文章来源: chuanchuan.blog.csdn.net，作者：川川菜鸟，版权归原作者所有，如需转载，请联系作者。

原文链接：chuanchuan.blog.csdn.net/article/details/122749559