python解决线性规划（python有哪些求解线性规划的包）

说明

1  
  
  
  
  
  
  
  、Scipy库提供简单的线性或非线性规划问题               。

但不能解决背包问题的0-1规划问题  
  
  
  
  
  
  
  ，或者整数规划问题 
  
  
  
  
  
  
  
，混合整数规划问题 
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 。

2 
  
  
  
  
  
  
  
、PuLP可以解决线性规划


 


 


 


 


 


 


 

、整数规划 
 
 
 
 
 
 
 、0-1规划和混合整数规划问题














。

为不同类型的问题提供各种解决方案
  
  
  
  
  
  
  
 。

3  
   
   
   
   
   
   
   
、Cvxpy是一个凸优化工具包 
  
  
  
  
  
  
  。

可以解决线性规划

 

 

 

 

 

 

 
、整数规划
 

 

 

 

 

 

 

 、0-1规划               、混合整数规划
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
、二次规划和几何规划等问题 


 


 


 


 


 


 


 

。

实例

以整数线性规划为例

#-*-coding:utf-8-*- importpulpaspulp defsolve_ilp(objective,constraints): printobjective printconstraints prob=pulp.LpProblem(LP1,pulp.LpMaximize) prob+=objective forconsinconstraints: prob+=cons printprob status=prob.solve() ifstatus!=1: #printstatus #printstatus returnNone else: #return[v.varValue.realforvinprob.variables()] return[v.varValue.realforvinprob.variables()] #解如下整数线性规划 #maximizez=c*x=3*x1+4*x2+5*x3 #subjectto: #x123>=0 #x1+2*x2<20 #x2+3*x3<=40 V_NUM=3 #变量


 


 


 


 


 


 


 

，直接设置下限 variables=[pulp.LpVariable(X%d%i,lowBound=0,cat=pulp.LpInteger)foriinrange(0,V_NUM)] #目标函数 c=[3,4,5] objective=sum([c[i]*variables[i]foriinrange(0,V_NUM)]) #约束条件 constraints=[] a1=[1,2,0] constraints.append(sum([a1[i]*variables[i]foriinrange(0,V_NUM)])<=100) a2=[0,1,3] constraints.append(sum([a2[i]*variables[i]foriinrange(0,V_NUM)])<=40) printconstraints res=solve_ilp(objective,constraints) printres

以上就是python求解线性规划的包 
 
 
 
 
 
 
 ，希望对大家有所帮助
 
 
 
 
 
 
 
。更多Python学习指路：Python基础教程