python求解线性规划的包
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。
python求解线性规划的包实例
以整数线性规划为例
# -*- coding: utf-8 -*- import pulp as pulp def solve_ilp(objective , constraints) : print objective print constraints prob = pulp.LpProblem('LP1' , pulp.LpMaximize) prob += objective for cons in constraints : prob += cons print prob status = prob.solve() if status != 1 : #print 'status' #print status return None else : #return [v.varValue.real for v in prob.variables()] return [v.varValue.real for v in prob.variables()] #解如下整数线性规划 #maximize z = c*x = 3*x1 + 4*x2 + 5*x3 #subject to : #x1 2 3 >= 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) for i in range(0 , V_NUM)] #目标函数 c = [3 , 4 , 5] objective = sum([c[i]*variables[i] for i in range(0 , V_NUM)]) #约束条件 constraints = [] a1 = [1 , 2 , 0] constraints.append(sum([a1[i]*variables[i] for i in range(0 , V_NUM)]) <= 100) a2 = [0 , 1 , 3] constraints.append(sum([a2[i]*variables[i] for i in range(0 , V_NUM)]) <= 40) print constraints res = solve_ilp(objective , constraints) print res
以上就是python求解线性规划的包,希望对大家有所帮助。
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试