您好,登录后才能下订单哦!
这篇文章主要讲解了“如何实现Python数学建模PuLP库线性规划”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“如何实现Python数学建模PuLP库线性规划”吧!
1、问题描述
2、用PuLP 库求解线性规划
2.1 问题 1
(1)数学建模
(2)Python 编程
(3)运行结果
2.2 问题 2
(1)数学建模
(2)Python 编程
(3)运行结果
2.3 问题 3
(1)数学建模
(2)Python 编程
(3)运行结果
2.4 问题 4
(1)数学建模
(2)Python 编程
(3)运行结果
2.5 问题 5:整数规划问题
(1)数学建模
(2)Python 编程
(3)运行结果
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?
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
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 =
ProbLP1 x1=6.4285714 x2=4.2857143 F1(X)=102.8571427
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
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
ProbLP2 x1=8.0 x2=3.5 x3=4.4 F2(X)=107.1
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
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
ProbLP3 x1=8.0 x2=2.4 F3(X) = 109.6
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
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 =
ProbLP4 x1=8.0 x2=3.5 x3=4.4 F4(X) = 115.1
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
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
ProbLP5 x1=8.0 x2=2.0 F5(X) = 98.0
感谢各位的阅读,以上就是“如何实现Python数学建模PuLP库线性规划”的内容了,经过本文的学习后,相信大家对如何实现Python数学建模PuLP库线性规划这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是亿速云,小编将为大家推送更多相关知识点的文章,欢迎关注!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。