Python数学建模PuLP库线性规划实际案例编程详解
作者:youcans 发布时间:2021-04-29 19:12:56
1、问题描述
某厂生产甲乙两种饮料,每百箱甲饮料需用原料6千克、工人10名,获利10万元;每百箱乙饮料需用原料5千克、工人20名,获利9万元。
今工厂共有原料60千克、工人150名,又由于其他条件所限甲饮料产量不超过8百箱。
(1)问如何安排生产计划,即两种饮料各生产多少使获利最大?
(2)若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
(3)若每百箱甲饮料获利可增加1万元,是否应否改变生产计划?
(4)若每百箱甲饮料获利可增加1万元,若投资0.8万元可增加原料1千克,是否应作这项投资?投资多少合理?
(5)若不允许散箱(按整百箱生产),如何安排生产计划,即两种饮料各生产多少使获利最大?
2、用PuLP 库求解线性规划
2.1问题 1
(1)数学建模
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
目标函数:
max fx = 10*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)Python 编程
import pulp # 导入 pulp库
ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize) # 定义问题 1,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP1 += (10*x1 + 9*x2) # 设置目标函数 f(x)
ProbLP1 += (6*x1 + 5*x2 <= 60) # 不等式约束
ProbLP1 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP1.solve()
print(ProbLP1.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP1.status]) # 输出求解状态
for v in ProbLP1.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F1(x)=", pulp.value(ProbLP1.objective)) # 输出最优解的目标函数值
# = 关注 Youcans,分享原创系列 https://blog.csdn.net/youcans =
(3)运行结果
ProbLP1
x1=6.4285714
x2=4.2857143
F1(X)=102.8571427
2.2问题 2
(1)数学建模
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
x3:增加投资(单位:万元)
目标函数:
max fx = 10*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)Python 编程
import pulp # 导入 pulp库
ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize) # 定义问题 2,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous') # 定义 x3
ProbLP2 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)
ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束
ProbLP2 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP2.solve()
print(ProbLP2.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP2.status]) # 输出求解状态
for v in ProbLP2.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F2(x)=", pulp.value(ProbLP2.objective)) # 输出最优解的目标函数值
(3)运行结果
ProbLP2
x1=8.0
x2=3.5
x3=4.4
F2(X)=107.1
2.3问题 3
(1)数学建模
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
目标函数:
max fx = 11*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)Python 编程
import pulp # 导入 pulp库
ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize) # 定义问题 3,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP3 += (11 * x1 + 9 * x2) # 设置目标函数 f(x)
ProbLP3 += (6 * x1 + 5 * x2 <= 60) # 不等式约束
ProbLP3 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP3.solve()
print(ProbLP3.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP3.status]) # 输出求解状态
for v in ProbLP3.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F3(x) =", pulp.value(ProbLP3.objective)) # 输出最优解的目标函数值
(3)运行结果
ProbLP3
x1=8.0
x2=2.4
F3(X) = 109.6
2.4问题 4
(1)数学建模
问题建模:
决策变量:
x1:甲饮料产量(单位:百箱)
x2:乙饮料产量(单位:百箱)
x3:增加投资(单位:万元)
目标函数:
max fx = 11*x1 + 9*x2 - x3
约束条件:
6*x1 + 5*x2 <= 60 + x3/0.8
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7.5
(2)Python 编程
import pulp # 导入 pulp库 ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize) # 定义问题 2,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous') # 定义 x3
ProbLP4 += (11 * x1 + 9 * x2 - x3) # 设置目标函数 f(x)
ProbLP4 += (6 * x1 + 5 * x2 - 1.25 * x3 <= 60) # 不等式约束
ProbLP4 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP4.solve()
print(ProbLP4.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP4.status]) # 输出求解状态
for v in ProbLP4.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F4(x) = ", pulp.value(ProbLP4.objective)) # 输出最优解的目标函数值
# = 关注 Youcans,分享原创系列 https://blog.csdn.net/youcans =
(3)运行结果
ProbLP4
x1=8.0
x2=3.5
x3=4.4
F4(X) = 115.1
2.5问题 5:整数规划问题
(1)数学建模
问题建模:
决策变量:
x1:甲饮料产量,正整数(单位:百箱)
x2:乙饮料产量,正整数(单位:百箱)
目标函数:
max fx = 10*x1 + 9*x2
约束条件:
6*x1 + 5*x2 <= 60
10*x1 + 20*x2 <= 150
取值范围:
给定条件:x1, x2 >= 0,x1 <= 8,x1, x2 为整数
推导条件:由 x1,x2>=0 和 10*x1+20*x2<=150 可知:0<=x1<=15;0<=x2<=7.5
因此,0 <= x1<=8,0 <= x2<=7
说明:本题中要求饮料车辆为整百箱,即决策变量 x1,x2 为整数,因此是整数规划问题。PuLP提供了整数规划的
(2)Python 编程
import pulp # 导入 pulp库
ProbLP5 = pulp.LpProblem("ProbLP5", sense=pulp.LpMaximize) # 定义问题 1,求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1,变量类型:整数
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer') # 定义 x2,变量类型:整数
ProbLP5 += (10 * x1 + 9 * x2) # 设置目标函数 f(x)
ProbLP5 += (6 * x1 + 5 * x2 <= 60) # 不等式约束
ProbLP5 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP5.solve()
print(ProbLP5.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP5.status]) # 输出求解状态
for v in ProbLP5.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F5(x) =", pulp.value(ProbLP5.objective)) # 输出最优解的目标函数值
(3)运行结果
ProbLP5
x1=8.0
x2=2.0
F5(X) = 98.0
以上就是Python数学建模PuLP库线性规划实际案例编程详解的详细内容,更多关于PuLP库线性规划实际编程案例的资料请关注脚本之家其它相关文章!
来源:https://blog.csdn.net/youcans/article/details/116371509
猜你喜欢
- 使用Opencv打开笔记本电脑摄像头报错近期要做一个下位机上发图像数据给上位机的任务,调试时自己写了一个客户端获取笔记本电脑的摄像头视频数据
- 在 python 代码中可以看到一些常见的 trick,在这里做一个简单的小结。json 字符串格式化在开发 web 应用的时候经常会用到
- 一个简单的JS显示日期代码,可以显示星期几<script type="text/javascript">fu
- type指示type要使用的验证器。可识别的类型值为:string:类型必须为string。type 默认是 string// 校验stri
- 有时候在使用 Python 的时候,想要对一个数字或者字符串进行补零操作,即把「1」变为一个八位数的「00000001」,这个时候可以使用一
- Request Payload 和 Form Data 请求头上的参数差别在于:Content-TypeForm DataPost表单请求代
- 在一个群上看到好几次问到call和apply的作用,function这两个方法的效果大家都很容易理解,但一般很难让人深刻地理解使用它们的时机
- scipy.misc.logsumexp函数的输入参数有(a, axis=None, b=None, keepdims=False, ret
- 概念Slice切片是对底层数组Array的封装,在内存中的存储本质就是数组,体现为连续的内存块,Go语言中的数组定义之后,长度就已经固定了,
- CSS2.1 中规定了关于 CSS 规则 Specificity(特异性)的计算方式,用一个四位的数字串(注:CSS2 中是用三位)来表示,
- pytorch 权重weight 与 梯度grad 可视化查看特定layer的权重以及相应的梯度信息打印模型观察到model下面有modul
- 在实际的工作和学习中,许多人的SQL Server 2005数据库日志文件可能会发生损坏,例如硬件故障、计算机非正常重启或关机等等。在SQL
- 两行JavaScript代码的QQ窗口抖动效果<img id="win" style='pos
- 数据文件 66001_.txt 内容格式:date,jz0,jz1,jz2,jz3,jz4,jz52012-12-28,0.9326,0.8
- buffer:下载数据缓冲区,以字节为单位,缺省依赖操作系统 consistent:下载期间所涉及的数据保持read only,缺省为n d
- 很多朋友都有过制作网页的经历,如今,众多网页的设计都用到了表格。这样不仅有利于网页的维护,同时,提高了网页的观赏性。在众多网页制作风格中,细
- 目录0x01 字符串(string)引号转义拼接字符串长字符串索引( indexing)运算符in创建列表切片赋值0x02 字符串格式化模板
- 表单的验证一直是网页设计者头痛的问题,表单验证类 Validator就是为解决这个问题而写的,旨在使设计者从纷繁复杂的表单验证中解放出来,把
- 当服务器必须提供与两个或更多个网络或网络子网的连接时,典型的方案是使用多宿主计算机。此计算机通常位于外围网络(也称为 DMZ、外围安全区域或
- 互联网充斥着枯燥的设计,惠普、IBM、戴尔、微软,以及其他数不尽的网站(相似的布局,相似的配色)。可能有人会说通过这样一种标准化的界面可以使