导语：
本文主要介绍了关于python有哪些求解线性规划的包的相关知识，包括python 多元线性方程求最优解，以及python规划求最优解这些编程知识，希望对大家有参考作用。
说明
1、Scipy库提供简单的线性或非线性规划问题。
但是它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。
可以求解线性规划、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 -*-
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
本文教程操作环境：windows7系统、Python 3.9.1，DELL G3电脑。
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈