Python數學建模PuLP庫線性規劃實際案例編程詳解

Posted on by

1、問題描述

某廠生產甲乙兩種飲料，每百箱甲飲料需用原料6千克、工人10名，獲利10萬元；每百箱乙飲料需用原料5千克、工人20名，獲利9萬元。
今工廠共有原料60千克、工人150名，又由於其他條件所限甲飲料產量不超過8百箱。
　（1）問如何安排生產計劃，即兩種飲料各生產多少使獲利最大？
　（2）若投資0.8萬元可增加原料1千克，是否應作這項投資？投資多少合理？
　（3）若每百箱甲飲料獲利可增加1萬元，是否應否改變生產計劃？
　（4）若每百箱甲飲料獲利可增加1萬元，若投資0.8萬元可增加原料1千克，是否應作這項投資？投資多少合理？
　（5）若不允許散箱（按整百箱生產），如何安排生產計劃，即兩種飲料各生產多少使獲利最大？

2、用PuLP 庫求解線性規劃

2.1　問題 1

（1）數學建模

問題建模：
　　決策變量：
　　　　x1：甲飲料產量（單位：百箱）
　　　　x2：乙飲料產量（單位：百箱）
　　目標函數：
　　　　max fx = 10*x1 + 9*x2
　　約束條件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范圍：
　　　　給定條件：x1, x2 >= 0，x1 <= 8
　　　　推導條件：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 編程

	import pulp      # 導入 pulp庫
    ProbLP1 = pulp.LpProblem("ProbLP1", sense=pulp.LpMaximize)    # 定義問題 1，求最大值
    x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定義 x1
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定義 x2
    ProbLP1 += (10*x1 + 9*x2)  # 設置目標函數 f(x)
    ProbLP1 += (6*x1 + 5*x2 <= 60)  # 不等式約束
    ProbLP1 += (10*x1 + 20*x2 <= 150)  # 不等式約束
    ProbLP1.solve()
    print(ProbLP1.name)  # 輸出求解狀態
    print("Status:", pulp.LpStatus[ProbLP1.status])  # 輸出求解狀態
    for v in ProbLP1.variables():
        print(v.name, "=", v.varValue)  # 輸出每個變量的最優值
    print("F1(x)=", pulp.value(ProbLP1.objective))  # 輸出最優解的目標函數值
    # = 關註 Youcans，分享原創系列 https://blog.csdn.net/youcans =

（3）運行結果

ProbLP1
x1=6.4285714
x2=4.2857143
F1(X)=102.8571427

2.2　問題 2

（1）數學建模

問題建模：
　　決策變量：
　　　　x1：甲飲料產量（單位：百箱）
　　　　x2：乙飲料產量（單位：百箱）
　　　　x3：增加投資（單位：萬元）
　　目標函數：
　　　　max fx = 10*x1 + 9*x2 – x3
　　約束條件：
　　　　6*x1 + 5*x2 <= 60 + x3/0.8
　　　　10*x1 + 20*x2 <= 150
　　取值范圍：
　　　　給定條件：x1, x2 >= 0，x1 <= 8
　　　　推導條件：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 編程

	import pulp      # 導入 pulp庫
    ProbLP2 = pulp.LpProblem("ProbLP2", sense=pulp.LpMaximize)    # 定義問題 2，求最大值
    x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定義 x1
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定義 x2
    x3 = pulp.LpVariable('x3', cat='Continuous')  # 定義 x3
    ProbLP2 += (10*x1 + 9*x2 - x3)  # 設置目標函數 f(x)
    ProbLP2 += (6*x1 + 5*x2 - 1.25*x3 <= 60)  # 不等式約束
    ProbLP2 += (10*x1 + 20*x2 <= 150)  # 不等式約束
    ProbLP2.solve()
    print(ProbLP2.name)  # 輸出求解狀態
    print("Status:", pulp.LpStatus[ProbLP2.status])  # 輸出求解狀態
    for v in ProbLP2.variables():
        print(v.name, "=", v.varValue)  # 輸出每個變量的最優值
    print("F2(x)=", pulp.value(ProbLP2.objective))  # 輸出最優解的目標函數值

（3）運行結果

ProbLP2
x1=8.0
x2=3.5
x3=4.4
F2(X)=107.1

2.3　問題 3

（1）數學建模

問題建模：
　　決策變量：
　　　　x1：甲飲料產量（單位：百箱）
　　　　x2：乙飲料產量（單位：百箱）
　　目標函數：
　　　　max fx = 11*x1 + 9*x2
　　約束條件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范圍：
　　　　給定條件：x1, x2 >= 0，x1 <= 8
　　　　推導條件：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 編程

	import pulp      # 導入 pulp庫
    ProbLP3 = pulp.LpProblem("ProbLP3", sense=pulp.LpMaximize)  # 定義問題 3，求最大值
    x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定義 x1
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定義 x2
    ProbLP3 += (11 * x1 + 9 * x2)  # 設置目標函數 f(x)
    ProbLP3 += (6 * x1 + 5 * x2 <= 60)  # 不等式約束
    ProbLP3 += (10 * x1 + 20 * x2 <= 150)  # 不等式約束
    ProbLP3.solve()
    print(ProbLP3.name)  # 輸出求解狀態
    print("Status:", pulp.LpStatus[ProbLP3.status])  # 輸出求解狀態
    for v in ProbLP3.variables():
        print(v.name, "=", v.varValue)  # 輸出每個變量的最優值
    print("F3(x) =", pulp.value(ProbLP3.objective))  # 輸出最優解的目標函數值

（3）運行結果

ProbLP3
x1=8.0
x2=2.4
F3(X) = 109.6

2.4　問題 4

（1）數學建模

問題建模：
　　決策變量：
　　　　x1：甲飲料產量（單位：百箱）
　　　　x2：乙飲料產量（單位：百箱）
　　　　x3：增加投資（單位：萬元）
　　目標函數：
　　　　max fx = 11*x1 + 9*x2 – x3
　　約束條件：
　　　　6*x1 + 5*x2 <= 60 + x3/0.8
　　　　10*x1 + 20*x2 <= 150
　　取值范圍：
　　　　給定條件：x1, x2 >= 0，x1 <= 8
　　　　推導條件：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 編程

	import pulp      # 導入 pulp庫    ProbLP4 = pulp.LpProblem("ProbLP4", sense=pulp.LpMaximize)  # 定義問題 2，求最大值
    x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Continuous')  # 定義 x1
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Continuous')  # 定義 x2
    x3 = pulp.LpVariable('x3', cat='Continuous')  # 定義 x3
    ProbLP4 += (11 * x1 + 9 * x2 - x3)  # 設置目標函數 f(x)
    ProbLP4 += (6 * x1 + 5 * x2 - 1.25 * x3 <= 60)  # 不等式約束
    ProbLP4 += (10 * x1 + 20 * x2 <= 150)  # 不等式約束
    ProbLP4.solve()
    print(ProbLP4.name)  # 輸出求解狀態
    print("Status:", pulp.LpStatus[ProbLP4.status])  # 輸出求解狀態
    for v in ProbLP4.variables():
        print(v.name, "=", v.varValue)  # 輸出每個變量的最優值
    print("F4(x) = ", pulp.value(ProbLP4.objective))  # 輸出最優解的目標函數值
    # = 關註 Youcans，分享原創系列 https://blog.csdn.net/youcans =

（3）運行結果

ProbLP4
x1=8.0
x2=3.5
x3=4.4
F4(X) = 115.1

2.5　問題 5：整數規劃問題

（1）數學建模

問題建模：
　　決策變量：
　　　　x1：甲飲料產量，正整數（單位：百箱）
　　　　x2：乙飲料產量，正整數（單位：百箱）
　　目標函數：
　　　　max fx = 10*x1 + 9*x2
　　約束條件：
　　　　6*x1 + 5*x2 <= 60
　　　　10*x1 + 20*x2 <= 150
　　取值范圍：
　　　　給定條件：x1, x2 >= 0，x1 <= 8，x1, x2 為整數
　　　　推導條件：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

說明：本題中要求飲料車輛為整百箱，即決策變量 x1,x2 為整數，因此是整數規劃問題。PuLP提供瞭整數規劃的

（2）Python 編程

	import pulp      # 導入 pulp庫
    ProbLP5 = pulp.LpProblem("ProbLP5", sense=pulp.LpMaximize)  # 定義問題 1，求最大值
    x1 = pulp.LpVariable('x1', lowBound=0, upBound=8, cat='Integer')  # 定義 x1，變量類型：整數
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7.5, cat='Integer')  # 定義 x2，變量類型：整數
    ProbLP5 += (10 * x1 + 9 * x2)  # 設置目標函數 f(x)
    ProbLP5 += (6 * x1 + 5 * x2 <= 60)  # 不等式約束
    ProbLP5 += (10 * x1 + 20 * x2 <= 150)  # 不等式約束
    ProbLP5.solve()
    print(ProbLP5.name)  # 輸出求解狀態
    print("Status:", pulp.LpStatus[ProbLP5.status])  # 輸出求解狀態
    for v in ProbLP5.variables():
        print(v.name, "=", v.varValue)  # 輸出每個變量的最優值
    print("F5(x) =", pulp.value(ProbLP5.objective))  # 輸出最優解的目標函數值

（3）運行結果

ProbLP5
x1=8.0
x2=2.0
F5(X) = 98.0

以上就是Python數學建模PuLP庫線性規劃實際案例編程詳解的詳細內容，更多關於PuLP庫線性規劃實際編程案例的資料請關註WalkonNet其它相關文章！

推薦閱讀：