Python数学建模系列:规划问题之整数规划

Posted 海轰Pro

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python数学建模系列:规划问题之整数规划相关的知识,希望对你有一定的参考价值。

前言

Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
 
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
 
初学Python 小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
题不在多 学一题 懂一题
知其然 知其所以然!
 
本文仅从Pyhton如何解决建模问题出发
未对建模思路等进行深一步探索

整数规划

整数规划的模型与线性规划基本相同,只是额外增加了部分变量为整数的约束

整数规划求解的基本框架是分支定界法,首先去除整数约束得到"松弛模型"。使用线性规划的方法求解。

若有某个变量不是整数,在松弛模型.上分别添加约束:x≤floor(A)和x≥ceil(A),然后再分别求解,这个过程叫做分支。当节点求解结果中所有变量都是整数时。停止分支。这样不断迭代,形成了一颗树。

所谓定界,指的是叶子节点产生后,相当于给问题定了一个下界。之后在求解过程中一旦某个节点的目标函数值小于这个下界,那就直接pass,不再进行分支了;每次新产生叶子节点,则更新下界。

例题

m i n z = 3 x 1 + 4 x 2 + x 3 min \\quad z = 3x_1 + 4x_2 + x_3 minz=3x1+4x2+x3 的最小值
m i n z = 3 x 1 + 4 x 2 + x 3 s . t . = { x 1 + 6 x 2 + 2 x 3 > = 5 2 x 1 > = 3 x 1 , x 2 , x 3 > = 0 ( 且 都 为 整 数 ) min \\quad z = 3x_1 + 4x_2 + x_3\\\\ s.t. = \\begin{cases} x_1 + 6x_2 + 2x_3 >= 5 \\\\ 2x_1 >= 3\\\\ x_1,x_2,x_3 >=0(且都为整数) \\end{cases} minz=3x1+4x2+x3s.t.=x1+6x2+2x3>=52x1>=3x1,x2,x3>=0()

方法一:分支定界法(使用scipy库)

Demo代码

# 运行环境:Vs Code
import math
from scipy.optimize import linprog
import sys

def integerPro(c, A, b, Aeq, beq,t=1.0E-8):
    res = linprog(c, A_ub=A, b_ub=b, A_eq=Aeq, b_eq=beq)
    bestVal = sys.maxsize
    bestX = res.x
    if not(type(res.x) is float or res.status != 0): 
        bestVal = sum([x*y for x,y in zip(c, bestX)])
    if all(((x-math.floor(x))<=t or (math.ceil(x)-x)<=t) for x in bestX):
        return (bestVal,bestX)
    else:
        ind = [i for i, x in enumerate(bestX) if (x-math.floor(x))>t and (math.ceil(x)-x)>t][0]
        newCon1 = [0]*len(A[0])
        newCon2 = [0]*len(A[0])
        newCon1[ind] = -1
        newCon2[ind] = 1
        newA1 = A.copy()
        newA2 = A.copy()
        newA1.append(newCon1)
        newA2.append(newCon2)
        newB1 = b.copy()
        newB2 = b.copy()
        newB1.append(-math.ceil(bestX[ind]))
        newB2.append(math.floor(bestX[ind]))
        r1 = integerPro(c, newA1, newB1, Aeq, beq)
        r2 = integerPro(c, newA2, newB2, Aeq, beq)
        if r1[0] < r2[0]:
            return r1
        else:
            return r2
c = [3,4,1]
A = [[-1,-6,-2],[-2,0,0]]
b = [-5,-3]
Aeq = [[0,0,0]]
beq = [0]
print(integerPro(c, A, b, Aeq, beq))

运行结果

(8.000000000001586, array([2., 0., 2.]))
# 或者
(8.000000000001586, array([2.00000000e+00, 1.83247535e-13, 2.00000000e+00]))

方法二:使用pulp库进行求解

只需要在设置变量的时候

设置参数cat='Integer' 即可

  • Continuous:连续
  • Binary:0 或 1
  • Integer:整数

Demo代码

import pulp as pp

# 参数设置
c = [3,4,1]        #目标函数未知数前的系数

A_gq = [[1,6,2],[2,0,0]]   # 大于等于式子 未知数前的系数集合 二维数组 
b_gq = [5,3]         # 大于等于式子右边的数值 一维数组


# 确定最大最小化问题,当前确定的是最小化问题
m = pp.LpProblem(sense=pp.LpMinimize)

# 定义三个变量放到列表中 生成x1 x2 x3
x = [pp.LpVariable(f'x{i}',lowBound=0,cat='Integer') for i in [1,2,3]]

# 定义目标函数,并将目标函数加入求解的问题中 
m += pp.lpDot(c,x) # lpDot 用于计算点积 

# 设置比较条件
for i in range(len(A_gq)):# 大于等于
    m += (pp.lpDot(A_gq[i],x) >= b_gq[i])

# 求解
m.solve()

# 输出结果
print(f'优化结果:{pp.value(m.objective)}')
print(f'参数取值:{[pp.value(var) for var in x]}')

运行结果

优化结果:8.0
参数取值:[2.0, 0.0, 2.0]

结语

学习来源:B站及其课堂PPT,对其中代码进行了复现

链接:https://www.bilibili.com/video/BV12h411d7Dm?from=search&seid=5685064698782810720

文章仅作为学习笔记,记录从0到1的一个过程

希望对您有所帮助,如有错误欢迎小伙伴指正~

我是 海轰ଘ(੭ˊᵕˋ)੭

如果您觉得写得可以的话,请点个赞吧

谢谢支持 ❤️

以上是关于Python数学建模系列:规划问题之整数规划的主要内容,如果未能解决你的问题,请参考以下文章

Python数学建模系列:规划问题之线性规划

Python数学建模系列:规划问题之非线性规划

备战数学建模19-数学规划问题

Python小白的数学建模课-04.整数规划

数学建模MATLAB应用实战系列(110)-机器人路径规划——快速扩展随机树(Rapidly-exploring Random Trees)(附Python代码)

数学建模|Python规划问题之线性规划