说明
1、Scipy库提供简单的线性或非线性规划问题。
但不能解决0-1背包规划问题，或整数规划问题，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的问题。
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。
实例
以整数线性规划为例
#-*-coding:utf-8-*-
importpulpaspulp
defsolve_ilp(objective,constraints):
printobjective
printconstraints
prob=pulp.LpProblem('LP1',pulp.LpMaximize)
prob+=objective
forconsinconstraints:
prob+=cons
printprob
status=prob.solve()
ifstatus!=1:
#print'status'
#printstatus
returnNone
else:
#return[v.varValue.realforvinprob.variables()]
return[v.varValue.realforvinprob.variables()]
#解决以下整数线性规划
#maximizez=c*x=3*x1+4*x2+5*x3
#subjectto:
#x123>=0
#x1+2*x2<20
#x2+3*x3<=40
V_NUM=3
#变量，直接设定下限
variables=[pulp.LpVariable('X%d'%i,lowBound=0,cat=pulp.LpInteger)foriinrange(0,V_NUM)]
#目标函数
c=[3,4,5]
objective=sum([c[i]*variables[i]foriinrange(0,V_NUM)])
#约束条件
constraints=[]
a1=[1，2，0]
constraints.append(sum([a1[i]*variables[i]foriinrange(0,V_NUM)])<=100)
a2=[0，1，3]
constraints.append(sum([a2[i]*variables[i]foriinrange(0,V_NUM)])<=40)
printconstraints
res=solve_ilp(objective,constraints)
printres以上是python寻求线性规划的包，希望对大家有所帮助。更多Python学习指导：python基础教程
本文教程操作环境：windows7系统Python 3.9.1，DELL G3电脑。