本博客参考：
- 《python数学实验与建模》
- 《MATLAB数学建模经典案例实战》
数学问题：线性规划问题
m a x z = 8 x 1 − 2 x 2 + 3 x 3 − x 4 − 2 x 5 { x 1 + x 2 + x 3 + x 4 + x 5 ≤ 400 x 1 + 2 x 2 + 2 x 3 + x 4 + 6 x 5 ≤ 800 2 x 1 + x 2 + 6 x 3 ≤ 200 x 3 + x 4 + 5 5 ≤ 200 0 ≤ x i ≤ 99 , i = 1 , 2 , 3 , 4 x 5 ≥ − 10 max \ z=8x_1-2x_2+3x_3-x_4-2x_5\\ \left\{ \begin{aligned} &x_1+x_2+x_3+x_4+x_5\leq 400\\ & x_1+2x_2+2x_3+x_4+6x_5\leq800\\ &2x_1+x_2+6x_3\leq200\\ &x_3+x_4+5_5\leq200\\ &0\leq x_i\leq99,i=1,2,3,4\\ &x_5\geq-10\\ \end{aligned} \right. max z=8x1−2x2+3x3−x4−2x5⎩ ⎨ ⎧x1+x2+x3+x4+x5≤400x1+2x2+2x3+x4+6x5≤8002x1+x2+6x3≤200x3+x4+55≤2000≤xi≤99,i=1,2,3,4x5≥−10
程序设计
from scipy.optimize import linprog
c=[-8,2,-3,1,2]
A=[[1,1,1,1,1],[1,2,2,1,6],[2,1,6,0,0],[0,0,1,1,5]]
b=[[400],[800],[200],[200]]
aeq=None
beq=None
bounds=((0, 99),(0, 99),(0, 99),(0, 99),(-10,None))
res=linprog(c=c, A_ub=A, b_ub=b, A_eq=aeq, b_eq=beq, bounds=bounds,)
运行结果
结果分析
从中我们看出，目标函数z的最大值应为823左右，此时决策变量 x 1 − x 5 x_1-x_5 x1−x5的值分别为[99,0,0.3,0,-10]
实际应用1：加工厂的生产计划
一家加工厂使用牛奶生产A,B两种奶制品，1桶牛奶经甲机器加工12小时得到3kgA，也可以经过乙机器8小时得到4kgB，根据市场需求，生产的A、B可以全部出售并且每kgA获利24元、每kgB获利16元。现在该工厂每天获得50桶牛奶供应，所有工人的最大劳动时间之和为480x小时，甲机器每天最多加工100kgA，乙机器加工不限量，请你为该工厂设计生产计划，使得每天的利润最大
设置未知数
假设每天用于生产A产品的牛奶为 x 1 x_1 x1桶，用于生产B产品的牛奶为 x 2 x_2 x2桶，每天的利润为 z z z元，根据题意建立数学模型
建立数学模型
m
a
x
z
=
3
∗
24
x
1
+
4
∗
16
x
2
{
x
1
+
x
2
≤
50
12
x
1
+
8
x
2
≤
800
3
x
1
≤
100
x
1
≥
0
,
x
2
≥
0
max \ z=3*24x_1+4*16x_2\\ \left\{ \begin{aligned} x_1+x_2\leq 50\\ 12x_1+8x_2\leq800\\ 3x_1\leq100\\ x_1\geq0,x_2\geq0 \end{aligned} \right.
max z=3∗24x1+4∗16x2⎩
⎨
⎧x1+x2≤5012x1+8x2≤8003x1≤100x1≥0,x2≥0
转化为标准形式
m
i
n
z
=
−
3
∗
24
x
1
−
4
∗
16
x
2
{
x
1
+
x
2
≤
50
12
x
1
+
8
x
2
≤
800
3
x
1
≤
100
x
1
≥
0
,
x
2
≥
0
min \ z=-3*24x_1-4*16x_2\\ \left\{ \begin{aligned} x_1+x_2\leq 50\\ 12x_1+8x_2\leq800\\ 3x_1\leq100\\ x_1\geq0,x_2\geq0 \end{aligned} \right.
min z=−3∗24x1−4∗16x2⎩
⎨
⎧x1+x2≤5012x1+8x2≤8003x1≤100x1≥0,x2≥0
程序设计
from scipy.optimize import linprog
c=[-72,-64]
A=[[1,1],[12,8]]
b=[[50],[480]]
bounds=((0,100/3.0),(0,None))
res=linprog(c=c, A_ub=A, b_ub=b, A_eq=None, b_eq=None, bounds=bounds)
运行结果
结果分析
从上面我们可以看出，利润最大值在3360元左右，达到最大值时，A、B产品的牛奶日用量分别是20桶、30桶
实际应用2：油料加工厂的采购和加工计划
某加工厂加工一种油，原料为五种油（植物油1，植物油2、非植物油1，非植物油2、非植物油3），每种油的价格、硬度如图表所示，最终生产的成品将以150英镑/吨
| 植物油1 | 植物油2 | 非植物油1 | 非植物油2 | 非植物油3 | |
|---|---|---|---|---|---|
| 进货价格 | 110 | 120 | 130 | 110 | 115 |
| 硬度值 | 8.8 | 6.1 | 2.0 | 4.2 | 5.0 |
每个月能够提炼的植物油不超过200吨、非植物油不超过250吨，假设提炼过程中油料没有损失，提炼费用忽略不计，并且最终的产品的硬度需要在（3-6）之间（假设硬度的混合时线性的）。根据以上信息，请你为加工厂指定月采购和加工计划
设置未知数
假设 x 1 , x 2 , x 3 , x 4 , x 5 x_1,x_2,x_3,x_4,x_5 x1,x2,x3,x4,x5分别为每月需要采购的原料油吨数， x 6 x_6 x6为每个月加工的成品油吨数，根据题意建立数学模型
建立数学模型
m a x z = − 110 x 1 − 120 x 2 − 130 x 3 − 110 x 4 − 115 x 5 + 150 x 6 { x 1 + x 2 ≤ 200 x 3 + x 4 + x 5 ≤ 250 8.8 x 1 + 6.1 x 2 + 2.0 x 3 + 4.2 x 4 + 5.0 x 5 ≤ 6 x 6 8.8 x 1 + 6.1 x 2 + 2.0 x 3 + 4.2 x 4 + 5.0 x 5 ≥ 3 x 6 x 1 + x 2 + x 3 + x 4 + x 5 = x 6 x i ≥ 0 , i = 1 , 2 , 3 , . . . , 6 max \ z=-110x_1-120x_2-130x_3-110x_4-115x_5+150x_6\\ \left\{ \begin{aligned} x_1+x_2\leq 200\\ x_3+x_4+x_5\leq250\\ 8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\leq6x_6\\ 8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\geq3x_6\\ x_1+x_2+x_3+x_4+x_5=x_6\\ x_i\geq0,i=1,2,3,...,6 \end{aligned} \right. max z=−110x1−120x2−130x3−110x4−115x5+150x6⎩ ⎨ ⎧x1+x2≤200x3+x4+x5≤2508.8x1+6.1x2+2.0x3+4.2x4+5.0x5≤6x68.8x1+6.1x2+2.0x3+4.2x4+5.0x5≥3x6x1+x2+x3+x4+x5=x6xi≥0,i=1,2,3,...,6
程序设计
from scipy.optimize import linprog
c=[110,120,130,110,115,-150]
A=[[1,1,0,0,0,0],[0,0,1,1,1,0],[8.8,6.1,2.0,4.2,5.0,-6],[-8.8,-6.1,-2.0,-4.2,-5.0,3]]
b=[[200],[250],[0],[0]]
aeq=[[1,1,1,1,1,-1]]
beq=[[0]]
bounds=((0, None),(0, None),(0, None),(0, None),(0,None),(0,450))
# bounds=((0, None),(0, None),(0, None),(0, None),(0,None),(0,None))
res=linprog(c=c, A_ub=A, b_ub=b, A_eq=aeq, b_eq=beq, bounds=bounds)
运行结果
结果分析
从上面我们可以看到，五种原料油的采购量分别为[159.25,40.7407,0,250,0]（吨），此时总利润可以达到最大，约为17592英镑/月
笔者发现的一个没有用的小技巧：我们知道 x 6 x_6 x6变量代表的是每个月的吨数，bounds参数设置决策变量的取值区间，当在bounds中对x_6的上界不加限制时，即（0,None）,模型返回的结果中仍然将 x 6 x_6 x6收敛至450，你知道这是为什么吗？
遗留的问题
经过这么多的应用，我们已经大致明白了scipy.optimize.linprog()函数的使用过程，也惊叹于它的便利之处，但是不知道你是否能发现该函数的缺点？
我们来看下面一个问题
钢管加工用料问题
某零售商从钢管厂进货后将钢管切割后卖给客户，某次进货该零售商得到了若干1850mm长的原料钢管。现有一客户需要15根290mm、28根315mm、21根350mm、30根455mm的钢管。对于一个原料钢管有四种切割模式，每次切割模式下的切割次数不能太多（一根原料钢管最多生产5根产品），为减少余料浪费，每种切割模式下的余料浪费不能超过100mm。（要完成该客户的需求，需要若干根原料钢管，可能用到四种切割模式，现规定使用频率最多的切割模式按照一根原料钢管价格的1/10收取加工费，使用频率次之的切割模式按照一根原料钢管价格的2/10收取加工费，依次类推）。现在求使得该零售商总费用最小的切割计划？
分析
仔细分析我们会发现，这个问题的线性规划和上面的两个实际问题有很大不同。
在上面的问题中，决策变量只有一种 x 1 − x n x_1-x_n x1−xn，而且决策变量的系数的都是常数（比如 x 3 + x 4 + x 5 ≤ 250 x_3+x_4+x_5\leq250 x3+x4+x5≤250中的每个自变量系数都是1）。但是在该问题中似乎有两种决策变量：切割模式的使用频次 x i x_i xi、每种切割模式下对于一根原料钢管产生的成品钢管种类及数量 r i j r_{ij} rij（i表示第i种切割模式，j表示第j种成品钢管）。
scipy.optimize.linprog()的缺陷？
这就让我们在列举约束条件时遇到了很大的困难，比如其中一个不等式是这样的
∑
i
=
1
4
x
i
×
r
1
i
≥
15
(
i
=
1...4
)
\sum^4_{i=1}x_i\times r_{1i}\geq15(i=1...4)
∑i=14xi×r1i≥15(i=1...4)，看到这里我们发现两个决策变量相乘，如果继续使用scipy.optimize.linprog()函数，参数A_ub怎么取？参数bounds到底该以谁作为决策变量？文章来源：https://www.toymoban.com/news/detail-412615.html
现在我们似乎遇到了困难，实际上并不是linprog()函数的问题，因为函数就是用来求解线性规划问题的，而我们现在提出的这个问题是一个非线性规划问题，所以，要解决它我们需要“另辟蹊径”了！下一个博客我们将用另外一个第三方库解决这个问题文章来源地址https://www.toymoban.com/news/detail-412615.html
到了这里，关于python数学建模--线性规划问题案例及求解的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
