目录
- 1、问题描述
- 2、用PuLP 库求解线性规划
- 2.1 问题 1
- （1）数学建模
- （2）python 编程
- （3）运行结果
- 2.2 问题 2
- （1）数学建模
- （2）Python 编程
- （3）运行结果
- 2.3 问题 3
- （1）数学建模
- （2）Python 编程
- （3）运行结果
- 2.4 问题 4
- （1）数学建模
- （2）Python 编程
- （3）运行结果
- 2.5 问题 5：整数规划问题
- （1）数学建模
- （2）Python 编程
- （3）运行结果
1、问题描述
某厂生产甲乙两种饮料，每百箱甲饮料需用原料6千克、工人10名，获利10万元；每百箱乙饮料需用原料5千克、工人20名，获利9万元。
今工厂共有原料60千克、工人150名，又由于其他条件所限甲饮料产量不超过8百箱。 （1）问如何安排生产计划，即两种饮料各生产多少使获利最大？ （2）若投资0.8万元可增加原料1千克，是否应作这项投资？投资多少合理？ （3）若每百箱甲饮料获利可增加1万元，是否应否改变生产计划？ （4）若每百箱甲饮料获利可增加1万元，若投资0.8万元可增加原料1千克，是否应作这项投资？投资多少合理？ （5）若不允许散箱（按整百箱生产），如何安排生产计划，即两种饮料各生产多少使获利最大？2、用PuLP 库求解线性规划
2.1 问题 1
（1）数学建模
问题建模：
决策变量： x1：甲饮料产量（单位：百箱） x2：乙饮料产量（单位：百箱） 目标函数： max fx = 10*x1 + 9*x2 约束条件： 6*x1 + 5*x2 <= 60 10*x1 + 20*x2 <= 150 取值范围： 给定条件：x1, x2 >= 0，x1 <= 8 推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5 因此，0 <= x1<=8，0 <= x2<=7.5
（2）Python 编程
import pulp # 导入 pulp库
ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize) # 定义问题 1，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP1 += (10*x1 + 9*x2) # 设置目标函数 f(x)
ProbLP1 += (6*x1 + 5*x2 <= 60) # 不等式约束
ProbLP1 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP1.solve()
print(ProbLP1.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP1.status]) # 输出求解状态
for v in ProbLP1.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F1(x)=", pulp.value(ProbLP1.objective)) # 输出最优解的目标函数值
# = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =
（3）运行结果
ProbLP1 x1=6.4285714 x2=4.2857143 F1(X)=102.8571427
2.2 问题 2
（1）数学建模
问stIhC题建模：
决策变量： x1：甲饮料产量（单位：百箱） x2：乙饮料产量（单位：百箱） x3：增加投资（单位：万元） 目标函数： max fx = 10*x1 + 9*x2 - x3 约束编程客栈条件： 6*x1 + 5*x2 <= 60 + x3/0.8 www.cppcns.com 10*x1 + 20*x2 <= 150 取值范围： 给定条件：x1, x2 >= 0，x1 <= 8 推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5 因此，0 <= x1<=8，0 <= x2<=7.5
（2）Python 编程
import pulp # 导入 pulp库
ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize) # 定义问题 2，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous') # 定义 x3
ProbLP2 += (10*x1 + 9*x2 - x3) # 设置目标函数 f(x)
ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60) # 不等式约束
ProbLP2 += (10*x1 + 20*x2 <= 150) # 不等式约束
ProbLP2.solve()
print(ProbLP2.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP2.status]) # 输出求解状态
for v in ProbLP2.variables():
print(v.name,编程客栈 "=", v.varValue) # 输出每个变量的最优值
print("F2(x)=", pulp.value(ProbLP2.objective)) # 输出最优解的目标函数值
（3）运行结果
ProbLP2 x1=8.0 x2=3.5 x3=4.4 F2(X)=107.1
2.3 问题 3
（1）数学建模
问题建模：
决策变量： x1：甲饮料产量（单位：百箱） x2：乙饮料产量（单位：百箱） 目标函数： max fx = 11*x1 + 9*x2 约束条件： 6*x1 + 5*x2 <= 60 10*x1 + 20*x2 <= 150 取值范围： 给定条件：x1, x2 >= 0，x1 <= 8 推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5 因此，0 <= x1<=8，0 <= x2<=7.5
（2）Python 编程
import pulp # 导入 pulp库
ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize) # 定义问题 3，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
ProbLP3 += (11 * x1 + 9 * x2) # 设置目标函数 f(x)
ProbLP3 += (6 * x1 + 5 * x2 <= 60) # 不等式约束
ProbLP3 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP3.solve()
print(ProbLP3.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP3.status]) # 输出求解状态
for v in ProbLP3.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F3(x) =", pulp.value(ProbLP3.objective)) # 输出最优解的目标函数值
（3）运行结果
ProbLP3 x1=8.0 x2=2.4 F3(X) = 109.6
2.4 问题 4
（1）数学建模
问题建模：
决策变量： x1：甲饮料产量（单位：百箱） x2：乙饮料产量（单位：百箱） x3：增加投资（单位：万元） 目标函数： max fx = 11*x1 + 9*x2 - x3 约束条件： 6*x1 + 5*x2 <= 60 + x3/0.8 10*x1 + 20*x2 <= 150 取值范围： 给定条件：x1, x2 >= 0，x1 <= 8 推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5 因此，0 <= x1<=8，0 <= x2<=7.5
（2）Python 编程
import pulp # 导入 pulp库 ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize) # 定义问题 2，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous') # 定义 x1
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous') # 定义 x2
x3 = pulp.LpVariable('x3', cat='Continuous') # 定义 x3
ProbLP4 += (11 * x1 + 9 * x2 - x3) # 设置目标函数 f(x)
ProbLP4 += (6 * x1 + 5 * x2 - 1.25 * x3 &lhttp://www.cppcns.comt;= 60) # 不等式约束
ProbLP4 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP4.solve()
print(ProbLP4.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP4.status]) # 输出求解状态
for v in ProbLP4.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F4(x) = ", pulp.value(ProbLP4.objective)) # 输出最优解的目标函数值
# = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =
（3）运行结果
ProbLP4 x1=8.0 x2=3.5 x3=4.4 F4(X) = 115.1
2.5 问题 5：整数规划问题
（1）数学建模
问题建模：
决策变量： x1：甲饮料产量，正整数（单位：百箱） x2：乙饮料产量，正整数（单位：百箱） 目标函数： max fx = 10*x1 + 9*x2 约束条件： 6*x1 + 5*x2 <= 60 10*x1 + 20*x2 <= 150 取值范围： 给定条件：x1, x2 >= 0，x1 <= 8，x1, x2 为整数 推导条件：由 x1,x2>=0 和 10*x1+20*x2<=150 可知：0<=x1<=15；0<=x2<=7.5 因此，0 <= x1<=8，0 <= x2<=7
说明：本题中要求饮料车辆为整百箱，即决策变量 x1,x2 为整数，因此是整数规划问题。PuLP提供了整数规划的
（2）Python 编程
import pulp # 导入 pulp库
ProbLP5 = pulp.LpProblem("ProbLP5", sense=pulp.LpMaximize) # 定义问题 1，求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer') # 定义 x1，变量类型：整数
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer') # 定义 x2，变量类型：整数
ProbLP5 += (10 * x1 + 9 * x2) # 设置目标函数 f(x)
ProbLP5 += (6 * x1 + 5 * x2 <= 60) # 不等式约束
ProbLP5 += (10 * x1 + 20 * x2 <= 150) # 不等式约束
ProbLP5.solve()
print(ProbLP5.name) # 输出求解状态
print("Status:", pulp.LpStatus[ProbLP5.status]) # 输出求解状态
for v in ProbLP5.variables():
print(v.name, "=", v.varValue) # 输出每个变量的最优值
print("F5(x) =", pulp.value(ProbLP5.objective)) # 输出最优解的目标函数值
（3）运行结果
ProbLP5 x1=8.0 x2=2.0 F5(X) = 98.0
以上就是Python数学建模PuLP库线性规划实际案例编程详解的详细内容，更多关于PuLP库线性规划实际编程案例的资料请关注我们其它相关文章！
加载中,请稍侯......
精彩评论