数学建模——线性规划篇

为了准备美赛,所以打算出这么一个系列,一方面是为了鞭策自己,一方面是希望能给其他跟我一样的建模人提供一些帮助,第一次写,写的不好请大家多多见谅,轻点喷[●´Å`●]

模型背景:最优化是在企业运作、科技研发和工程设计中经常会碰到的问题。这关乎到企业的经济效益,是非常重要的。因此便不断出现了很多优化模型与相关智能算法,这也是美赛中比较常见的模型。

线性规划三要素:决策变量、目标函数、约束关系

看概念谁都不喜欢,来看完下面的例子,你会很清晰的了解这些都是什么。

这就是一个很典型的线性规划问题,我们可以列出这个模型中的三要素

决策变量:x1      x2

目标函数:获利5x1+3x2

                 每天获利 Max = 5x1+3x2

约束条件:s.t.        2x1+x2\leqslant 40

                               x1+2x2\leqslant 50

                               x1,x2\geq 0

至此,我们以及罗列出求解这个模型所需的所有条件,可以开始求解了

在MATLAB中,解决线性规划的标准格式为:

        min c^{T}x        x\in R

        s.t.   A\cdot X\leqslant b

               Aeq\cdot x\leqslant Beq    

               lb\leqslant x\leqslant ub

在MATLAB中,求解线性规划可以使用linprog函数,此函数为MATLAB中求解线性规划的内置函数,使用格式为:[x,fval] = linprog(c,A,b,Aeq,Beq,lb,ub)

到这里,你应该能够轻松的写出求解这个问题的代码:

c=-[5,3]';  
A=[2,1;1,2];  
b=[40,50]'; 
lb=[0, 0];
[x,fmin]=linprog(c,A,b,[],[],lb);
Pmax=-fmin
x1=x(1),  x2=x(2)

Pmax =

   110


x1 =

    10


x2 =

    20

 线性规划模型到这里也就搞定了,本文举例的问题较为简单,稍微复杂的问题可以类比写出线性规划模型中的三要素,依照此方法进行求解。线性规划模型在我个人觉得,是所有模型中最为简单的一个,希望以上的内容对你有所帮助

### 使用 Python cvxpy 进行数学建模和规划求解 #### 导入必要的库 为了使用 `cvxpy` 进行数学建模,首先需要导入所需的库。这通常包括 `cvxpy` 自身以及用于数值计算的 `numpy`。 ```python import cvxpy as cp import numpy as np ``` #### 定义决策变量 定义模型中的未知量即为决策变量。这些变量可以根据具体问题设置成连续型或离散型(整数)。例如: ```python c = np.loadtxt('data4_10.txt') x = cp.Variable((4, 5), integer=True) # 创建一个大小为 (4, 5),且取值范围限定为整数类型的矩阵作为决策变量[^3] ``` 这里创建了一个名为 `x` 的四维向量,其元素均为布尔类型(通过上下界限制实现),并指定了该变量应满足特定约束条件下的整数属性。 #### 构造目标函数 接下来要构建的是优化的目标表达式。对于最小化成本的问题来说,可以通过如下方式来设定目标函数: ```python obj = cp.Minimize(cp.sum(cp.multiply(c, x))) # 将成本系数与对应的决策变量相乘再累加起来形成总费用,并将其设为目标最小化的对象 ``` 这段代码实现了将给定的成本数组 `c` 中每一个位置上的权重同相应位置处的决策变量 `x` 值做乘法运算之后的结果汇总到一起构成最终待极小化的目标值。 #### 添加约束条件 除了明确指出希望达到什么样的最优点之外,还需要规定一些额外的要求使得解决方案更加贴近实际情况。比如在这个例子当中就加入了几个典型的不等式形式的边界控制措施: ```python cons = [ 0 <= x, x <= 1, cp.sum(x, axis=0) == 1, cp.sum(x, axis=1) <= 2 ] # 设置一系列关于决策变量 x 的线性不等式/方程组作为附加限制条款 ``` 上述列表包含了四个不同方面的规则:确保所有分配比例介于零至一之间;每一列仅有一个供应商被选中供应货物;每种商品最多由两个不同的仓库提供服务。 #### 解决方案实例化及求解过程 最后一步就是把之前准备好的各个组件组合在一起组成完整的凸优化问题结构体,并调用内置的方法去寻找符合条件的最佳配置方案。 ```python prob = cp.Problem(obj, cons) prob.solve(solver='GLPK_MI') # 实例化一个问题实体并将前面建立的对象传递进去完成初始化工作后执行具体的寻优操作 print('最优解为:\n', x.value) print('最优值为:', prob.value) ``` 此部分先建立了包含有既定目标函数和一组关联紧密的约束关系在内的整体框架,随后借助选定的具体算法引擎来进行实际计算得出结论。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值