python目標(biāo)函數(shù)教程 pycharm目標(biāo)檢測(cè)

萬字教你如何用 Python 實(shí)現(xiàn)線性規(guī)劃

想象一下，您有一個(gè)線性方程組和不等式系統(tǒng)。這樣的系統(tǒng)通常有許多可能的解決方案。線性規(guī)劃是一組數(shù)學(xué)和計(jì)算工具，可讓您找到該系統(tǒng)的特定解，該解對(duì)應(yīng)于某些其他線性函數(shù)的最大值或最小值。

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對(duì)這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡(jiǎn)單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長(zhǎng)期合作伙伴，公司提供的服務(wù)項(xiàng)目有：域名注冊(cè)、虛擬主機(jī)、營(yíng)銷軟件、網(wǎng)站建設(shè)、定州網(wǎng)站維護(hù)、網(wǎng)站推廣。

混合整數(shù)線性規(guī)劃是線性規(guī)劃的擴(kuò)展。它處理至少一個(gè)變量采用離散整數(shù)而不是連續(xù)值的問題。盡管乍一看混合整數(shù)問題與連續(xù)變量問題相似，但它們?cè)陟`活性和精度方面具有顯著優(yōu)勢(shì)。

整數(shù)變量對(duì)于正確表示自然用整數(shù)表示的數(shù)量很重要，例如生產(chǎn)的飛機(jī)數(shù)量或服務(wù)的客戶數(shù)量。

一種特別重要的整數(shù)變量是二進(jìn)制變量。它只能取零或一的值，在做出是或否的決定時(shí)很有用，例如是否應(yīng)該建造工廠或者是否應(yīng)該打開或關(guān)閉機(jī)器。您還可以使用它們來模擬邏輯約束。

線性規(guī)劃是一種基本的優(yōu)化技術(shù)，已在科學(xué)和數(shù)學(xué)密集型領(lǐng)域使用了數(shù)十年。它精確、相對(duì)快速，適用于一系列實(shí)際應(yīng)用。

混合整數(shù)線性規(guī)劃允許您克服線性規(guī)劃的許多限制。您可以使用分段線性函數(shù)近似非線性函數(shù)、使用半連續(xù)變量、模型邏輯約束等。它是一種計(jì)算密集型工具，但計(jì)算機(jī)硬件和軟件的進(jìn)步使其每天都更加適用。

通常，當(dāng)人們?cè)噲D制定和解決優(yōu)化問題時(shí)，第一個(gè)問題是他們是否可以應(yīng)用線性規(guī)劃或混合整數(shù)線性規(guī)劃。

以下文章說明了線性規(guī)劃和混合整數(shù)線性規(guī)劃的一些用例：

隨著計(jì)算機(jī)能力的增強(qiáng)、算法的改進(jìn)以及更多用戶友好的軟件解決方案的出現(xiàn)，線性規(guī)劃，尤其是混合整數(shù)線性規(guī)劃的重要性隨著時(shí)間的推移而增加。

解決線性規(guī)劃問題的基本方法稱為，它有多種變體。另一種流行的方法是。

混合整數(shù)線性規(guī)劃問題可以通過更復(fù)雜且計(jì)算量更大的方法來解決，例如，它在幕后使用線性規(guī)劃。這種方法的一些變體是，它涉及使用切割平面，以及。

有幾種適用于線性規(guī)劃和混合整數(shù)線性規(guī)劃的合適且眾所周知的 Python 工具。其中一些是開源的，而另一些是專有的。您是否需要免費(fèi)或付費(fèi)工具取決于問題的規(guī)模和復(fù)雜性，以及對(duì)速度和靈活性的需求。

值得一提的是，幾乎所有廣泛使用的線性規(guī)劃和混合整數(shù)線性規(guī)劃庫(kù)都是以 Fortran 或 C 或 C++ 原生和編寫的。這是因?yàn)榫€性規(guī)劃需要對(duì)（通常很大）矩陣進(jìn)行計(jì)算密集型工作。此類庫(kù)稱為求解器。Python 工具只是求解器的包裝器。

Python 適合圍繞本機(jī)庫(kù)構(gòu)建包裝器，因?yàn)樗梢院芎玫嘏c C/C++ 配合使用。對(duì)于本教程，您不需要任何 C/C++（或 Fortran），但如果您想了解有關(guān)此酷功能的更多信息，請(qǐng)查看以下資源：

基本上，當(dāng)您定義和求解模型時(shí)，您使用 Python 函數(shù)或方法調(diào)用低級(jí)庫(kù)，該庫(kù)執(zhí)行實(shí)際優(yōu)化工作并將解決方案返回給您的 Python 對(duì)象。

幾個(gè)免費(fèi)的 Python 庫(kù)專門用于與線性或混合整數(shù)線性規(guī)劃求解器交互：

在本教程中，您將使用SciPy和PuLP來定義和解決線性規(guī)劃問題。

在本節(jié)中，您將看到線性規(guī)劃問題的兩個(gè)示例：

您將在下一節(jié)中使用 Python 來解決這兩個(gè)問題。

考慮以下線性規(guī)劃問題：

你需要找到X和?使得紅色，藍(lán)色和黃色的不平等，以及不平等X 0和? 0，是滿意的。同時(shí)，您的解決方案必須對(duì)應(yīng)于z的最大可能值。

您需要找到的自變量（在本例中為 x 和 y ）稱為決策變量。要最大化或最小化的決策變量的函數(shù)（在本例中為 z）稱為目標(biāo)函數(shù) 、成本函數(shù) 或僅稱為目標(biāo) 。您需要滿足的不等式稱為不等式約束。您還可以在稱為等式約束的約束中使用方程。

這是您如何可視化問題的方法：

紅線代表的功能2 X + Y = 20，和它上面的紅色區(qū)域示出了紅色不等式不滿足。同樣，藍(lán)線是函數(shù) 4 x + 5 y = 10，藍(lán)色區(qū)域被禁止，因?yàn)樗`反了藍(lán)色不等式。黃線是 x + 2 y = 2，其下方的黃色區(qū)域是黃色不等式無效的地方。

如果您忽略紅色、藍(lán)色和黃色區(qū)域，則僅保留灰色區(qū)域。灰色區(qū)域的每個(gè)點(diǎn)都滿足所有約束，是問題的潛在解決方案。該區(qū)域稱為可行域，其點(diǎn)為可行解。在這種情況下，有無數(shù)可行的解決方案。

您想最大化z。對(duì)應(yīng)于最大z的可行解是最優(yōu)解。如果您嘗試最小化目標(biāo)函數(shù)，那么最佳解決方案將對(duì)應(yīng)于其可行的最小值。

請(qǐng)注意，z是線性的。你可以把它想象成一個(gè)三維空間中的平面。這就是為什么最優(yōu)解必須在可行區(qū)域的頂點(diǎn) 或角上的原因。在這種情況下，最佳解決方案是紅線和藍(lán)線相交的點(diǎn)，稍后您將看到。

有時(shí)，可行區(qū)域的整個(gè)邊緣，甚至整個(gè)區(qū)域，都可以對(duì)應(yīng)相同的z值。在這種情況下，您有許多最佳解決方案。

您現(xiàn)在已準(zhǔn)備好使用綠色顯示的附加等式約束來擴(kuò)展問題：

方程式 x + 5 y = 15，以綠色書寫，是新的。這是一個(gè)等式約束。您可以通過向上一張圖像添加相應(yīng)的綠線來將其可視化：

現(xiàn)在的解決方案必須滿足綠色等式，因此可行區(qū)域不再是整個(gè)灰色區(qū)域。它是綠線從與藍(lán)線的交點(diǎn)到與紅線的交點(diǎn)穿過灰色區(qū)域的部分。后一點(diǎn)是解決方案。

如果插入x的所有值都必須是整數(shù)的要求，那么就會(huì)得到一個(gè)混合整數(shù)線性規(guī)劃問題，可行解的集合又會(huì)發(fā)生變化：

您不再有綠線，只有沿線的x值為整數(shù)的點(diǎn)?？尚薪馐腔疑尘吧系木G點(diǎn)，此時(shí)最優(yōu)解離紅線最近。

這三個(gè)例子說明了可行的線性規(guī)劃問題，因?yàn)樗鼈兙哂杏薪缈尚袇^(qū)域和有限解。

如果沒有解，線性規(guī)劃問題是不可行的。當(dāng)沒有解決方案可以同時(shí)滿足所有約束時(shí)，通常會(huì)發(fā)生這種情況。

例如，考慮如果添加約束x + y 1會(huì)發(fā)生什么。那么至少有一個(gè)決策變量（x或y）必須是負(fù)數(shù)。這與給定的約束x 0 和y 0相沖突。這樣的系統(tǒng)沒有可行的解決方案，因此稱為不可行的。

另一個(gè)示例是添加與綠線平行的第二個(gè)等式約束。這兩行沒有共同點(diǎn)，因此不會(huì)有滿足這兩個(gè)約束的解決方案。

一個(gè)線性規(guī)劃問題是無界的，如果它的可行區(qū)域是無界，將溶液不是有限。這意味著您的變量中至少有一個(gè)不受約束，可以達(dá)到正無窮大或負(fù)無窮大，從而使目標(biāo)也無限大。

例如，假設(shè)您采用上面的初始問題并刪除紅色和黃色約束。從問題中刪除約束稱為放松問題。在這種情況下，x和y不會(huì)在正側(cè)有界。您可以將它們?cè)黾拥秸裏o窮大，從而產(chǎn)生無限大的z值。

在前面的部分中，您研究了一個(gè)與任何實(shí)際應(yīng)用程序無關(guān)的抽象線性規(guī)劃問題。在本小節(jié)中，您將找到與制造業(yè)資源分配相關(guān)的更具體和實(shí)用的優(yōu)化問題。

假設(shè)一家工廠生產(chǎn)四種不同的產(chǎn)品，第一種產(chǎn)品的日產(chǎn)量為x ?，第二種產(chǎn)品的產(chǎn)量為x 2，依此類推。目標(biāo)是確定每種產(chǎn)品的利潤(rùn)最大化日產(chǎn)量，同時(shí)牢記以下條件：

數(shù)學(xué)模型可以這樣定義：

目標(biāo)函數(shù)（利潤(rùn)）在條件 1 中定義。人力約束遵循條件 2。對(duì)原材料 A 和 B 的約束可以從條件 3 和條件 4 中通過對(duì)每種產(chǎn)品的原材料需求求和得出。

最后，產(chǎn)品數(shù)量不能為負(fù)，因此所有決策變量必須大于或等于零。

與前面的示例不同，您無法方便地將其可視化，因?yàn)樗兴膫€(gè)決策變量。但是，無論問題的維度如何，原理都是相同的。

在本教程中，您將使用兩個(gè)Python 包來解決上述線性規(guī)劃問題：

SciPy 設(shè)置起來很簡(jiǎn)單。安裝后，您將擁有開始所需的一切。它的子包 scipy.optimize 可用于線性和非線性優(yōu)化。

PuLP 允許您選擇求解器并以更自然的方式表述問題。PuLP 使用的默認(rèn)求解器是COIN-OR Branch and Cut Solver (CBC)。它連接到用于線性松弛的COIN-OR 線性規(guī)劃求解器 (CLP)和用于切割生成的COIN-OR 切割生成器庫(kù) (CGL)。

另一個(gè)偉大的開源求解器是GNU 線性規(guī)劃工具包 (GLPK)。一些著名且非常強(qiáng)大的商業(yè)和專有解決方案是Gurobi、CPLEX和XPRESS。

除了在定義問題時(shí)提供靈活性和運(yùn)行各種求解器的能力外，PuLP 使用起來不如 Pyomo 或 CVXOPT 等替代方案復(fù)雜，后者需要更多的時(shí)間和精力來掌握。

要學(xué)習(xí)本教程，您需要安裝 SciPy 和 PuLP。下面的示例使用 SciPy 1.4.1 版和 PuLP 2.1 版。

您可以使用pip以下方法安裝兩者：

您可能需要運(yùn)行pulptest或sudo pulptest啟用 PuLP 的默認(rèn)求解器，尤其是在您使用 Linux 或 Mac 時(shí)：

或者，您可以下載、安裝和使用 GLPK。它是免費(fèi)和開源的，適用于 Windows、MacOS 和 Linux。在本教程的后面部分，您將看到如何將 GLPK（除了 CBC）與 PuLP 一起使用。

在 Windows 上，您可以下載檔案并運(yùn)行安裝文件。

在 MacOS 上，您可以使用 Homebrew：

在 Debian 和 Ubuntu 上，使用apt來安裝glpk和glpk-utils：

在Fedora，使用dnf具有g(shù)lpk-utils：

您可能還會(huì)發(fā)現(xiàn)conda對(duì)安裝 GLPK 很有用：

安裝完成后，可以查看GLPK的版本：

有關(guān)詳細(xì)信息，請(qǐng)參閱 GLPK 關(guān)于使用Windows 可執(zhí)行文件和Linux 軟件包進(jìn)行安裝的教程。

在本節(jié)中，您將學(xué)習(xí)如何使用 SciPy優(yōu)化和求根庫(kù)進(jìn)行線性規(guī)劃。

要使用 SciPy 定義和解決優(yōu)化問題，您需要導(dǎo)入scipy.optimize.linprog()：

現(xiàn)在您已經(jīng)linprog()導(dǎo)入，您可以開始優(yōu)化。

讓我們首先解決上面的線性規(guī)劃問題：

linprog()僅解決最小化（而非最大化）問題，并且不允許具有大于或等于符號(hào) ( ) 的不等式約束。要解決這些問題，您需要在開始優(yōu)化之前修改您的問題：

引入這些更改后，您將獲得一個(gè)新系統(tǒng)：

該系統(tǒng)與原始系統(tǒng)等效，并且將具有相同的解決方案。應(yīng)用這些更改的唯一原因是克服 SciPy 與問題表述相關(guān)的局限性。

下一步是定義輸入值：

您將上述系統(tǒng)中的值放入適當(dāng)?shù)牧斜怼⒃M或NumPy 數(shù)組中：

注意：請(qǐng)注意行和列的順序！

約束左側(cè)和右側(cè)的行順序必須相同。每一行代表一個(gè)約束。

來自目標(biāo)函數(shù)和約束左側(cè)的系數(shù)的順序必須匹配。每列對(duì)應(yīng)一個(gè)決策變量。

下一步是以與系數(shù)相同的順序定義每個(gè)變量的界限。在這種情況下，它們都在零和正無窮大之間：

此語(yǔ)句是多余的，因?yàn)閘inprog()默認(rèn)情況下采用這些邊界（零到正無窮大）。

注：相反的float("inf")，你可以使用math.inf，numpy.inf或scipy.inf。

最后，是時(shí)候優(yōu)化和解決您感興趣的問題了。你可以這樣做linprog()：

參數(shù)c是指來自目標(biāo)函數(shù)的系數(shù)。A_ub和b_ub分別與不等式約束左邊和右邊的系數(shù)有關(guān)。同樣，A_eq并b_eq參考等式約束。您可以使用bounds提供決策變量的下限和上限。

您可以使用該參數(shù)method來定義要使用的線性規(guī)劃方法。有以下三種選擇：

linprog() 返回具有以下屬性的數(shù)據(jù)結(jié)構(gòu)：

您可以分別訪問這些值：

這就是您獲得優(yōu)化結(jié)果的方式。您還可以以圖形方式顯示它們：

如前所述，線性規(guī)劃問題的最優(yōu)解位于可行區(qū)域的頂點(diǎn)。在這種情況下，可行區(qū)域只是藍(lán)線和紅線之間的綠線部分。最優(yōu)解是代表綠線和紅線交點(diǎn)的綠色方塊。

如果要排除相等（綠色）約束，只需刪除參數(shù)A_eq并b_eq從linprog()調(diào)用中刪除：

解決方案與前一種情況不同。你可以在圖表上看到：

在這個(gè)例子中，最優(yōu)解是紅色和藍(lán)色約束相交的可行（灰色）區(qū)域的紫色頂點(diǎn)。其他頂點(diǎn)，如黃色頂點(diǎn)，具有更高的目標(biāo)函數(shù)值。

您可以使用 SciPy 來解決前面部分所述的資源分配問題：

和前面的例子一樣，你需要從上面的問題中提取必要的向量和矩陣，將它們作為參數(shù)傳遞給.linprog()，然后得到結(jié)果：

結(jié)果告訴您最大利潤(rùn)是1900并且對(duì)應(yīng)于x ? = 5 和x ? = 45。在給定條件下生產(chǎn)第二和第四個(gè)產(chǎn)品是沒有利潤(rùn)的。您可以在這里得出幾個(gè)有趣的結(jié)論：

opt.statusis0和opt.successis True，說明優(yōu)化問題成功求解，最優(yōu)可行解。

SciPy 的線性規(guī)劃功能主要用于較小的問題。對(duì)于更大和更復(fù)雜的問題，您可能會(huì)發(fā)現(xiàn)其他庫(kù)更適合，原因如下：

幸運(yùn)的是，Python 生態(tài)系統(tǒng)為線性編程提供了幾種替代解決方案，這些解決方案對(duì)于更大的問題非常有用。其中之一是 PuLP，您將在下一節(jié)中看到它的實(shí)際應(yīng)用。

PuLP 具有比 SciPy 更方便的線性編程 API。您不必在數(shù)學(xué)上修改您的問題或使用向量和矩陣。一切都更干凈，更不容易出錯(cuò)。

像往常一樣，您首先導(dǎo)入您需要的內(nèi)容：

現(xiàn)在您已經(jīng)導(dǎo)入了 PuLP，您可以解決您的問題。

您現(xiàn)在將使用 PuLP 解決此系統(tǒng)：

第一步是初始化一個(gè)實(shí)例LpProblem來表示你的模型：

您可以使用該sense參數(shù)來選擇是執(zhí)行最小化（LpMinimize或1，這是默認(rèn)值）還是最大化（LpMaximize或-1）。這個(gè)選擇會(huì)影響你的問題的結(jié)果。

一旦有了模型，就可以將決策變量定義為L(zhǎng)pVariable類的實(shí)例：

您需要提供下限，lowBound=0因?yàn)槟J(rèn)值為負(fù)無窮大。該參數(shù)upBound定義了上限，但您可以在此處省略它，因?yàn)樗J(rèn)為正無窮大。

可選參數(shù)cat定義決策變量的類別。如果您使用的是連續(xù)變量，則可以使用默認(rèn)值"Continuous"。

您可以使用變量x和y創(chuàng)建表示線性表達(dá)式和約束的其他 PuLP 對(duì)象：

當(dāng)您將決策變量與標(biāo)量相乘或構(gòu)建多個(gè)決策變量的線性組合時(shí)，您會(huì)得到一個(gè)pulp.LpAffineExpression代表線性表達(dá)式的實(shí)例。

注意：您可以增加或減少變量或表達(dá)式，你可以乘他們常數(shù)，因?yàn)榧垵{類實(shí)現(xiàn)一些Python的特殊方法，即模擬數(shù)字類型一樣__add__()，__sub__()和__mul__()。這些方法用于像定制運(yùn)營(yíng)商的行為+，-和*。

類似地，您可以將線性表達(dá)式、變量和標(biāo)量與運(yùn)算符 ==、=以獲取表示模型線性約束的紙漿.LpConstraint實(shí)例。

注：也有可能與豐富的比較方法來構(gòu)建的約束.__eq__()，.__le__()以及.__ge__()定義了運(yùn)營(yíng)商的行為==，=。

考慮到這一點(diǎn)，下一步是創(chuàng)建約束和目標(biāo)函數(shù)并將它們分配給您的模型。您不需要?jiǎng)?chuàng)建列表或矩陣。只需編寫 Python 表達(dá)式并使用+=運(yùn)算符將它們附加到模型中：

在上面的代碼中，您定義了包含約束及其名稱的元組。LpProblem允許您通過將約束指定為元組來向模型添加約束。第一個(gè)元素是一個(gè)LpConstraint實(shí)例。第二個(gè)元素是該約束的可讀名稱。

設(shè)置目標(biāo)函數(shù)非常相似：

或者，您可以使用更短的符號(hào)：

現(xiàn)在您已經(jīng)添加了目標(biāo)函數(shù)并定義了模型。

注意：您可以使用運(yùn)算符將約束或目標(biāo)附加到模型中，+=因?yàn)樗念怢pProblem實(shí)現(xiàn)了特殊方法.__iadd__()，該方法用于指定的行為+=。

對(duì)于較大的問題，lpSum()與列表或其他序列一起使用通常比重復(fù)+運(yùn)算符更方便。例如，您可以使用以下語(yǔ)句將目標(biāo)函數(shù)添加到模型中：

它產(chǎn)生與前一條語(yǔ)句相同的結(jié)果。

您現(xiàn)在可以看到此模型的完整定義：

模型的字符串表示包含所有相關(guān)數(shù)據(jù)：變量、約束、目標(biāo)及其名稱。

注意：字符串表示是通過定義特殊方法構(gòu)建的.__repr__()。有關(guān) 的更多詳細(xì)信息.__repr__()，請(qǐng)查看Pythonic OOP 字符串轉(zhuǎn)換：__repr__vs__str__ .

最后，您已準(zhǔn)備好解決問題。你可以通過調(diào)用.solve()你的模型對(duì)象來做到這一點(diǎn)。如果要使用默認(rèn)求解器 (CBC)，則不需要傳遞任何參數(shù)：

.solve()調(diào)用底層求解器，修改model對(duì)象，并返回解決方案的整數(shù)狀態(tài)，1如果找到了最優(yōu)解。有關(guān)其余狀態(tài)代碼，請(qǐng)參閱LpStatus[]。

你可以得到優(yōu)化結(jié)果作為的屬性model。該函數(shù)value()和相應(yīng)的方法.value()返回屬性的實(shí)際值：

model.objective持有目標(biāo)函數(shù)model.constraints的值，包含松弛變量的值，以及對(duì)象x和y具有決策變量的最優(yōu)值。model.variables()返回一個(gè)包含決策變量的列表：

如您所見，此列表包含使用的構(gòu)造函數(shù)創(chuàng)建的確切對(duì)象LpVariable。

結(jié)果與您使用 SciPy 獲得的結(jié)果大致相同。

注意：注意這個(gè)方法.solve()——它會(huì)改變對(duì)象的狀態(tài)，x并且y！

您可以通過調(diào)用查看使用了哪個(gè)求解器.solver：

輸出通知您求解器是 CBC。您沒有指定求解器，因此 PuLP 調(diào)用了默認(rèn)求解器。

如果要運(yùn)行不同的求解器，則可以將其指定為的參數(shù).solve()。例如，如果您想使用 GLPK 并且已經(jīng)安裝了它，那么您可以solver=GLPK(msg=False)在最后一行使用。請(qǐng)記住，您還需要導(dǎo)入它：

現(xiàn)在你已經(jīng)導(dǎo)入了 GLPK，你可以在里面使用它.solve()：

該msg參數(shù)用于顯示來自求解器的信息。msg=False禁用顯示此信息。如果要包含信息，則只需省略msg或設(shè)置msg=True。

您的模型已定義并求解，因此您可以按照與前一種情況相同的方式檢查結(jié)果：

使用 GLPK 得到的結(jié)果與使用 SciPy 和 CBC 得到的結(jié)果幾乎相同。

一起來看看這次用的是哪個(gè)求解器：

正如您在上面用突出顯示的語(yǔ)句定義的那樣model.solve(solver=GLPK(msg=False))，求解器是 GLPK。

您還可以使用 PuLP 來解決混合整數(shù)線性規(guī)劃問題。要定義整數(shù)或二進(jìn)制變量，只需傳遞cat="Integer"或cat="Binary"到LpVariable。其他一切都保持不變：

在本例中，您有一個(gè)整數(shù)變量并獲得與之前不同的結(jié)果：

Nowx是一個(gè)整數(shù)，如模型中所指定。（從技術(shù)上講，它保存一個(gè)小數(shù)點(diǎn)后為零的浮點(diǎn)值。）這一事實(shí)改變了整個(gè)解決方案。讓我們?cè)趫D表上展示這一點(diǎn)：

如您所見，最佳解決方案是灰色背景上最右邊的綠點(diǎn)。這是兩者的最大價(jià)值的可行的解決方案x和y，給它的最大目標(biāo)函數(shù)值。

GLPK 也能夠解決此類問題。

現(xiàn)在你可以使用 PuLP 來解決上面的資源分配問題：

定義和解決問題的方法與前面的示例相同：

在這種情況下，您使用字典 x來存儲(chǔ)所有決策變量。這種方法很方便，因?yàn)樽值淇梢詫Q策變量的名稱或索引存儲(chǔ)為鍵，將相應(yīng)的LpVariable對(duì)象存儲(chǔ)為值。列表或元組的LpVariable實(shí)例可以是有用的。

上面的代碼產(chǎn)生以下結(jié)果：

如您所見，該解決方案與使用 SciPy 獲得的解決方案一致。最有利可圖的解決方案是每天生產(chǎn)5.0第一件產(chǎn)品和45.0第三件產(chǎn)品。

讓我們把這個(gè)問題變得更復(fù)雜和有趣。假設(shè)由于機(jī)器問題，工廠無法同時(shí)生產(chǎn)第一種和第三種產(chǎn)品。在這種情況下，最有利可圖的解決方案是什么？

現(xiàn)在您有另一個(gè)邏輯約束：如果x ? 為正數(shù)，則x ? 必須為零，反之亦然。這是二元決策變量非常有用的地方。您將使用兩個(gè)二元決策變量y ? 和y ?，它們將表示是否生成了第一個(gè)或第三個(gè)產(chǎn)品：

除了突出顯示的行之外，代碼與前面的示例非常相似。以下是差異：

這是解決方案：

事實(shí)證明，最佳方法是排除第一種產(chǎn)品而只生產(chǎn)第三種產(chǎn)品。

就像有許多資源可以幫助您學(xué)習(xí)線性規(guī)劃和混合整數(shù)線性規(guī)劃一樣，還有許多具有 Python 包裝器的求解器可用。這是部分列表：

其中一些庫(kù)，如 Gurobi，包括他們自己的 Python 包裝器。其他人使用外部包裝器。例如，您看到可以使用 PuLP 訪問 CBC 和 GLPK。

您現(xiàn)在知道什么是線性規(guī)劃以及如何使用 Python 解決線性規(guī)劃問題。您還了解到 Python 線性編程庫(kù)只是本機(jī)求解器的包裝器。當(dāng)求解器完成其工作時(shí)，包裝器返回解決方案狀態(tài)、決策變量值、松弛變量、目標(biāo)函數(shù)等。

python遺傳算法目標(biāo)函數(shù)怎么編

一、遺傳算法介紹

遺傳算法是通過模擬大自然中生物進(jìn)化的歷程，來解決問題的。大自然中一個(gè)種群經(jīng)歷過若干代的自然選擇后，剩下的種群必定是適應(yīng)環(huán)境的。把一個(gè)問題所有的解看做一個(gè)種群，經(jīng)歷過若干次的自然選擇以后，剩下的解中是有問題的最優(yōu)解的。當(dāng)然，只能說有最優(yōu)解的概率很大。這里，我們用遺傳算法求一個(gè)函數(shù)的最大值。

f(x) = 10 * sin( 5x ) + 7 * cos( 4x ), 0 = x = 10

1、將自變量x進(jìn)行編碼

取基因片段的長(zhǎng)度為10, 則10位二進(jìn)制位可以表示的范圍是0到1023。基因與自變量轉(zhuǎn)變的公式是x = b2d(individual) * 10 / 1023。構(gòu)造初始的種群pop。每個(gè)個(gè)體的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]

2、計(jì)算目標(biāo)函數(shù)值

根據(jù)自變量與基因的轉(zhuǎn)化關(guān)系式，求出每個(gè)個(gè)體的基因?qū)?yīng)的自變量，然后將自變量代入函數(shù)f（x），求出每個(gè)個(gè)體的目標(biāo)函數(shù)值。

3、適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是用來評(píng)估個(gè)體適應(yīng)環(huán)境的能力，是進(jìn)行自然選擇的依據(jù)。本題的適應(yīng)度函數(shù)直接將目標(biāo)函數(shù)值中的負(fù)值變成0. 因?yàn)槲覀兦蟮氖亲畲笾?，所以要使目?biāo)函數(shù)值是負(fù)數(shù)的個(gè)體不適應(yīng)環(huán)境，使其繁殖后代的能力為0.適應(yīng)度函數(shù)的作用將在自然選擇中體現(xiàn)。

4、自然選擇

自然選擇的思想不再贅述，操作使用輪盤賭算法。其具體步驟：

假設(shè)種群中共5個(gè)個(gè)體，適應(yīng)度函數(shù)計(jì)算出來的個(gè)體適應(yīng)性列表是fitvalue = [1 ,3, 0, 2, 4] ，totalvalue = 10 ，如果將fitvalue畫到圓盤上，值的大小表示在圓盤上的面積。在轉(zhuǎn)動(dòng)輪盤的過程中，單個(gè)模塊的面積越大則被選中的概率越大。選擇的方法是將fitvalue轉(zhuǎn)化為[1 ， 4 ，4 , 6 ，10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后產(chǎn)生5個(gè)0-1之間的隨機(jī)數(shù)，將隨機(jī)數(shù)從小到大排序，假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9]，則將0號(hào)個(gè)體、1號(hào)個(gè)體、4號(hào)個(gè)體、4號(hào)個(gè)體、4號(hào)個(gè)體拷貝到新種群中。自然選擇的結(jié)果使種群更符合條件了。

5、繁殖

假設(shè)個(gè)體a、b的基因是

a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]

b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]

這兩個(gè)個(gè)體發(fā)生基因交換的概率pc = 0.6.如果要發(fā)生基因交換，則產(chǎn)生一個(gè)隨機(jī)數(shù)point表示基因交換的位置，假設(shè)point = 4,則：

a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]

b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]

交換后為：

a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]

b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]

6、突變

遍歷每一個(gè)個(gè)體，基因的每一位發(fā)生突變（0變?yōu)?,1變?yōu)?）的概率為0.001.突變可以增加解空間

二、代碼

def b2d(b): #將二進(jìn)制轉(zhuǎn)化為十進(jìn)制 x∈[0,10] t = 0 for j in range(len(b)): t += b[j] * (math.pow(2, j)) t = t * 10 / 1023 return tpopsize = 50 #種群的大小#用遺傳算法求函數(shù)最大值：#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]chromlength = 10 #基因片段的長(zhǎng)度pc = 0.6 #兩個(gè)個(gè)體交叉的概率pm = 0.001; #基因突變的概率results = [[]]bestindividual = []bestfit = 0fitvalue = []tempop = [[]]pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(popsize)]for i in range(100): #繁殖100代 objvalue = calobjvalue(pop) #計(jì)算目標(biāo)函數(shù)值 fitvalue = calfitvalue(objvalue); #計(jì)算個(gè)體的適應(yīng)值 [bestindividual, bestfit] = best(pop, fitvalue) #選出最好的個(gè)體和最好的函數(shù)值 results.append([bestfit,b2d(bestindividual)]) #每次繁殖，將最好的結(jié)果記錄下來 selection(pop, fitvalue) #自然選擇，淘汰掉一部分適應(yīng)性低的個(gè)體 crossover(pop, pc) #交叉繁殖 mutation(pop, pc) #基因突變 results.sort() print(results[-1]) #打印函數(shù)最大值和對(duì)應(yīng)的

來自CODE的代碼片

GA.py

def best(pop, fitvalue): #找出適應(yīng)函數(shù)值中最大值，和對(duì)應(yīng)的個(gè)體 px = len(pop) bestindividual = [] bestfit = fitvalue[0] for i in range(1,px): if(fitvalue[i] bestfit): bestfit = fitvalue[i] bestindividual = pop[i] return [bestindividual, bestfit]

來自CODE的代碼片

best.py

def calfitvalue(objvalue):#轉(zhuǎn)化為適應(yīng)值，目標(biāo)函數(shù)值越大越好，負(fù)值淘汰。 fitvalue = [] temp = 0.0 Cmin = 0; for i in range(len(objvalue)): if(objvalue[i] + Cmin 0): temp = Cmin + objvalue[i] else: temp = 0.0 fitvalue.append(temp) return fitvalue

來自CODE的代碼片

calfitvalue.py

import mathdef decodechrom(pop): #將種群的二進(jìn)制基因轉(zhuǎn)化為十進(jìn)制（0,1023） temp = []; for i in range(len(pop)): t = 0; for j in range(10): t += pop[i][j] * (math.pow(2, j)) temp.append(t) return tempdef calobjvalue(pop): #計(jì)算目標(biāo)函數(shù)值 temp1 = []; objvalue = []; temp1 = decodechrom(pop) for i in range(len(temp1)): x = temp1[i] * 10 / 1023 #（0,1023）轉(zhuǎn)化為（0,10） objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x)) return objvalue #目標(biāo)函數(shù)值objvalue[m] 與個(gè)體基因 pop[m] 對(duì)應(yīng)

來自CODE的代碼片

calobjvalue.py

import randomdef crossover(pop, pc): #個(gè)體間交叉，實(shí)現(xiàn)基因交換 poplen = len(pop) for i in range(poplen - 1): if(random.random() pc): cpoint = random.randint(0,len(pop[0])) temp1 = [] temp2 = [] temp1.extend(pop[i][0 : cpoint]) temp1.extend(pop[i+1][cpoint : len(pop[i])]) temp2.extend(pop[i+1][0 : cpoint]) temp2.extend(pop[i][cpoint : len(pop[i])]) pop[i] = temp1 pop[i+1] = temp2

來自CODE的代碼片

crossover.py

import randomdef mutation(pop, pm): #基因突變 px = len(pop) py = len(pop[0]) for i in range(px): if(random.random() pm): mpoint = random.randint(0,py-1) if(pop[i][mpoint] == 1): pop[i][mpoint] = 0 else: pop[i][mpoint] = 1

來自CODE的代碼片

mutation.py

import randomdef sum(fitvalue): total = 0 for i in range(len(fitvalue)): total += fitvalue[i] return totaldef cumsum(fitvalue): for i in range(len(fitvalue)): t = 0; j = 0; while(j = i): t += fitvalue[j] j = j + 1 fitvalue[i] = t;def selection(pop, fitvalue): #自然選擇（輪盤賭算法） newfitvalue = [] totalfit = sum(fitvalue) for i in range(len(fitvalue)): newfitvalue.append(fitvalue[i] / totalfit) cumsum(newfitvalue) ms = []; poplen = len(pop) for i in range(poplen): ms.append(random.random()) #random float list ms ms.sort() fitin = 0 newin = 0 newpop = pop while newin poplen: if(ms[newin] newfitvalue[fitin]): newpop[newin] = pop[fitin] newin = newin + 1 else: fitin = fitin + 1 pop = newpop

python基礎(chǔ)教程

你可以看黑馬程序員Python入門教程：

教程學(xué)習(xí)時(shí)間15天

1-3天內(nèi)容：為L(zhǎng)inux基礎(chǔ)命令

4-13天內(nèi)容：為Python基礎(chǔ)教程14-15 天內(nèi)容：為飛機(jī)大戰(zhàn)項(xiàng)目演練

第一階段（1-3天）：

該階段首先通過介紹不同領(lǐng)域的三種操作系統(tǒng)，操作系統(tǒng)的發(fā)展簡(jiǎn)史以及Linux系統(tǒng)的文件目錄結(jié)構(gòu)讓大家對(duì)Linux系統(tǒng)有一個(gè)簡(jiǎn)單的認(rèn)識(shí)，同時(shí)知道為什么要學(xué)習(xí)Linux命令。然后我們會(huì)正式學(xué)習(xí)Linux命令

1. 文件和目錄命令：ls，cd，touch，mkdir，rm

2. 拷貝和移動(dòng)命令：tree，cp，mv

3. 文件內(nèi)容命令：cat，more，grep

4. 遠(yuǎn)程管理命令：ifconfig，ping，SSH的工作方式簡(jiǎn)介以及ssh命令

5. 用戶權(quán)限及用戶管理命令：chmod，chgrp，useradd，passwd，userdel

6. 軟件安裝及壓縮命令：apt簡(jiǎn)介及命令，tar，gzip壓縮命令，bzip2壓縮命令

7. vim的基本使用

第二階段（4-10天）

該階段我們正式進(jìn)入Python這門語(yǔ)言的學(xué)習(xí)，首先通過了解Python語(yǔ)言的起源，Python語(yǔ)言的設(shè)計(jì)目標(biāo)，Python語(yǔ)言的設(shè)計(jì)哲學(xué)，Python語(yǔ)言的優(yōu)缺點(diǎn)和面向?qū)ο蟮幕靖拍?，以及Python語(yǔ)言的執(zhí)行方式，還有Python集成開發(fā)環(huán)境PyCharm的使用為我們接下來的學(xué)習(xí)做鋪墊。

然后我們會(huì)學(xué)習(xí)int，string，float三種簡(jiǎn)單的變量類型，變量間的計(jì)算，變量的輸入輸出，if判斷語(yǔ)句，while循環(huán)語(yǔ)句，for循環(huán)語(yǔ)句，break和continue的使用，函數(shù)的基本使用，模塊的使用，列表，元組，字典三種高級(jí)變量，字符串的常用操作。

接下來我們會(huì)通過一個(gè)名片管理系統(tǒng)的案例，把這一階段的知識(shí)進(jìn)行一個(gè)串聯(lián)。在學(xué)習(xí)名片管理系統(tǒng)時(shí)，首先我們會(huì)學(xué)習(xí)怎么去搭建這一系統(tǒng)的框架，然后我們會(huì)分別實(shí)現(xiàn)新增名片，顯示全部名片，查詢名片，刪除名片，修改名片這些功能。

最后我們會(huì)學(xué)習(xí)語(yǔ)法的進(jìn)階內(nèi)容，全局變量，局部變量，可變數(shù)據(jù)類型和不可變數(shù)據(jù)類型以及函數(shù)返回多個(gè)值，函數(shù)的缺省參數(shù)，多值參數(shù)，遞歸的基本使用。

第三階段（11-13天）

該階段我們會(huì)學(xué)習(xí)面向?qū)ο螅∣OP）這一重要的編程思想，首先學(xué)習(xí)的知識(shí)點(diǎn)有類和對(duì)象的基本概念，dir函數(shù)，self的作用，初始化方法__init__，內(nèi)置函數(shù)__str__，__del__，單繼承，方法重寫，私有屬性和方法，多繼承，多態(tài)，類屬性，靜態(tài)方法。

然后我們還會(huì)學(xué)習(xí)單例模式這一設(shè)計(jì)模式，異常的捕獲，異常的拋出，from import局部導(dǎo)入，from import導(dǎo)入同名工具， from import導(dǎo)入所有工具，包的使用，制作模塊，pip的使用以及文件的相關(guān)操作。

第四階段（14-15天）

該階段是項(xiàng)目演練階段，我們會(huì)帶領(lǐng)大家通過使用之前學(xué)習(xí)過的知識(shí)開發(fā)飛機(jī)大戰(zhàn)這一經(jīng)典游戲，項(xiàng)目中分別有游戲窗口，圖像繪制，游戲循環(huán)，事件監(jiān)聽，精靈和精靈組以及創(chuàng)建敵機(jī)，創(chuàng)建英雄和發(fā)射子彈，碰撞檢測(cè)等模塊

當(dāng)前標(biāo)題：python目標(biāo)函數(shù)教程 pycharm目標(biāo)檢測(cè)
文章鏈接：http://muchs.cn/article6/doeoiig.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營(yíng)銷、建站公司、軟件開發(fā)、網(wǎng)站維護(hù)、App開發(fā)、外貿(mào)網(wǎng)站建設(shè)

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內(nèi)容