线性规划与非线性规划的求解 |
您所在的位置:网站首页 › 线性规划与非线性规划的区别 › 线性规划与非线性规划的求解 |
一、单纯法求解线性规划的原理
一般线性规划问题中当线性方程组的变量数大于方程个数,这时会有不定数量的解,而单纯形法是求解线性规划问题的通用方法。 具体步骤是,从线性方程组找出一个个的单纯形,每一个单纯形可以求得一组解,然后再判断该解使目标函数值是增大还是变小了,决定下一步选择的单纯形。通过优化迭代,直到目标函数实现最大或最小值。 换而言之,单纯形法就是秉承“保证每一次迭代比前一次更优”的基本思想:先找出一个基本可行解,对它进行鉴别,看是否是最优解;若不是,则按照一定法则转换到另一改进后更优的基本可行解,再鉴别;若仍不是,则再转换,按此重复进行。因基本可行解的个数有限,故经有限次转换必能得出问题的最优解。如果问题无最优解,也可用此法判别。 二 、Excel求解线性规划 1、Excel使用大M法求解线性规划
也用Excel中的约束条件 代码如下图所示 from scipy import optimize as op import numpy as np c=np.array([2,1,1]) A_ub=np.array([[0,-2,-1],[0,1,-1]])#不等式的系数 B_ub=np.array([2,1])#不等式的结果 A_eq=np.array([[1,-1,1]])#等式的系数 B_eq=np.array([2])#等式的结果 x1=(0,5) x2=(0,5) x3=(0,5) res=op.linprog(c,A_ub,B_ub,A_eq,B_eq,bounds=(x1,x2,x3)) print(res)运算出来的结果(我们主要关注第一行与最后一行,第一行就是就是出来的值,最后一行就是x的值) (此处我换了一个约束条件,因为用上面的约束条件一直没有输出,就换了一个约束条件) import numpy as np def pivot(): l = list(d[0][:-2]) jnum = l.index(max(l)) #转入编号 m = [] for i in range(bn): if d[i][jnum] == 0: m.append(0.) else: m.append(d[i][-1]/d[i][jnum]) inum = m.index(min([x for x in m[1:] if x!=0])) #转出下标 s[inum-1] = jnum r = d[inum][jnum] d[inum] /= r for i in [x for x in range(bn) if x !=inum]: r = d[i][jnum] d[i] -= r * d[inum] def solve(): flag = True while flag: if max(list(d[0][:-1])) 'type': 'ineq', 'fun': lambda x: -x[0] + x1max},\ {'type': 'ineq', 'fun': lambda x: x[1] - x2min},\ {'type': 'ineq', 'fun': lambda x: -x[1] + x2max},\ {'type': 'ineq', 'fun': lambda x: x[2] - x3min},\ {'type': 'ineq', 'fun': lambda x: -x[2] + x3max}) return cons if __name__ == "__main__": #定义常量值 args = (2,1,3,4) #a,b,c,d #设置参数范围/约束条件 args1 = (0.1,0.9,0.1, 0.9,0.1,0.9) #x1min, x1max, x2min, x2max cons = con(args1) #设置初始猜测值 x0 = np.asarray((0.5,0.5,0.5)) res = minimize(fun(args), x0, method='SLSQP',constraints=cons) print(res.fun) print(res.success) print(res.x)因为直接调用库的约束条件与Excel是相同的,因此可以对比出结果是相同的,但是单纯法采用的约束条件不同,所以单纯法结果就不与Excel结果比较。后面直接直接调用python库采用了与单纯法相同的约束条件,可以对比出来结果是相同的,基本没有误差! |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |