Python小白的数学建模课-03.线性规划

• 线性规划是不少数模培训讲的第一个算法，算法很简单，思想很深入。

• 要经过线性规划问题，理解如何学习数学建模、如何选择编程算法。

• 『Python小白的数学建模课 @ Youcans』带你从数模小白成为国赛达人。

---

1. 求解方法、算法和编程方案

线性规划 （Linear Programming，LP） 是不少数模培训讲的第一个算法，算法很简单，思想很深入。

线性规划问题是中学数学的内容，鸡兔同笼就是一个线性规划问题。数学规划的题目在高考中也常常出现，有直接给出线性约束条件求线性目标函数极值，有间接给出约束条件求线性目标函数极值，还有已知约束条件求非线性目标函数极值问题。

所以，线性规划在数学建模各种问题和算法中确实是比较简单的问题。下面咱们经过这个比较简单、也比较熟悉的问题，分析一下数学模型问题的方法、算法和学习方案。探讨这些容易混淆的概念，也便于你们理解本系列教程的初衷和特点。

欢迎关注 『Python小白的数学建模课 @ Youcans』，每周更新数模笔记
Python小白的数学建模课-01.新手必读
Python小白的数学建模课-02.数据导入
Python小白的数学建模课-03.线性规划
Python数模笔记-PuLP库
Python数模笔记-StatsModels统计回归
Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法

1.1 线性规划问题的求解方法

解决线性规划问题有不少数学方法，例如：

• 图解法， 用几何做图的方法并求出其最优解，中学就讲过这种方法，在经济学研究中十分经常使用；
• 矩阵法， 引进松弛变量将线性规划问题转换成增广矩阵形式后逐次求解， 是单纯性法以前的典型方法；
• 单纯性法， 利用多面体在可行域内逐步构造新的顶点来不断逼近最优解，是线性规划研究的里程碑，至今仍然是最重要的方法之一；
• 内点法，经过选取可行域内部点沿降低方向不断迭代来达到最优解，是目前理论上最好的线性规划问题求解方法；
• 启发式方法，依靠经验准则不断迭代改进来搜索最优解 ，如贪心法、模拟退火、遗传算法、神经网络。

虽然不一样的求解方法都是面对线性规划问题，也就必然会异曲同工，但它们在思想上就存在着本质区别，在求解方法和步骤上也就彻底不一样。

不夸张地说，对于不少小白，学没学过单纯性法，对于学习启发式方法可能彻底没有区别。

这意味着什么呢？这就是说，对于非数学专业的同窗，对于学习数学建模的同窗，针对每一类问题，彻底不必学习各类解决方法。即使是数学专业的同窗，也不可能在数模学习期间把各类方法都学会。

对于小白，本文推荐选择较为通用、相对简单（思路简单、程序简单）的方法来进行学习，不必贪多求新。

1.2 线性规划的最快算法

算法，跟方法有什么不一样呢？

算法的定义是“解题方案的准确而完整的描述”，是一系列解决问题的清晰指令，算法表明着用系统的方法描述解决问题的策略机制。

我对“方法”的理解是思想方法，是求解问题整体框架，而“算法”是具体和明确的实现步骤，在计算机编程中至关于详细的流程图。

在每一种方法的基本思想和方案提出后，每每都会有不少变形、改进和发展的算法。极少的改进算法具备实质贡献而成为主流的经典算法，即使如此每每也只是性能、效率上的提高，对于求解数模竞赛中的问题基本没有影响。

而绝大多数改进算法只是针对某些特殊状况、特殊问题（自称）有效，经常使用于大量的灌水论文。对于数学建模来讲，学习基本算法或者目前的经典算法就足够了，不须要听信改进算法中自称的优势，那都是莆田系的广告。

有一种例外状况，就是一些算法是有适用范围和限制条件的。举个例子，内点法的基本算法不能处理等式约束，最短路径问题中 Dijkstar算法不能处理负权边。这种状况下若是选错算法，问题是没法求解的。因此对咱们来讲，搞清楚算法的适用范围，比理解算法自己更重要。

回到本节的标题，对于线性规划问题，什么算法是最快的呢？答案是：猜。不是让你猜，而是说求解线性规划问题，猜起来比较快。不是开玩笑，我是认真的。

佐治亚理工学院彭泱教授在 2021年计算机理论顶会 SODA2021 得到最佳论文（Best paper award at ACM-SIAM symposium on discrete algorithms 2021），正是研究线性规划问题的求解——“Solving sparse linear systems faster than matrix multiplication”，所用的全新思路是：猜，反复猜，迭代猜。

固然，猜起来比较快只是在某些特殊条件下才有效的，至于在什么条件下猜，怎么猜，这不是咱们所要关心，所能理解的问题了。只是以此说明，简单的问题也有复杂的状况，每一个问题都有不少求解的思路、方法和算法。

1.3 选择适合本身的编程方案

编程方案是我杜撰的术语。我所要表达意思是，在选择了求解方法和算法之后，是本身按照算法步骤一步步编程实现，或者找到例程调试使用，仍是调用第三方工具包/库函数来完成呢？

首先，对于学习数学建模、参加数模竞赛，不建议本身按照算法步骤去编程。咱们在《01.新手必读》中讨论过这个问题，对于数学小白兼计算机小白，这样作既不可行也不必；即便你愿意挑战自我去试试，那其实已是走在学习另外一门计算机或算法课程的路上了。

其次，要不要找到例程本身调试、使用？不少数模培训就是这么说，这么作的，并且把这些收集的例程看成核心机密吸引同窗。我不反对这样作，这种学习方法对于理解算法、提升编程能力颇有帮助；可是并不推荐这样作，缘由是：（1）我认为学习数学建模、参加数模竞赛，重点应该放在识别问题、分析问题、解决问题，能使用算法和编程就足够了；（2）第三方库与例程没有本质区别，第三方库就是经典的、规范的、标准化的例程，既然选择例程为何不选择优秀的例程——第三方库呢？（3）大部分例程都存在不少问题，即便调试经过仍然有不少坑，并且新手难以识别。

因此我是明确推荐优选直接使用第三方库来解决问题，这也是 Python 语言“不要重复造轮子”的思想。

进一步地，不少工具包/库函数都能实现经常使用的算法，应该如何选择呢？

若是你对某个工具包已经很熟悉，又能实现所要的算法，这固然是理想的选择。若是你是小白，就跟着我走吧。

本系列选择第三方工具包的原则是：（1）优选经常使用的工具包；（2）优选通用功能的工具包和函数（例如，最好既能实现线性规划，又能实现整数规划、非线性规划）；（3）优选安装简单、使用简单、配置灵活的工具包；（4）优选兼模型检验、图形绘制的工具包。

---

2. PuLP库求解线性规划问题

2.1 线性规划问题的描述

线性规划是研究线性等式或不等式约束条件下求解线性目标函数的极值问题，经常使用于解决资源分配、生产调度和混合问题。

通常线性规划问题的标准形式为：

\[max\;f(x) = \sum_{j=1} ^n c_j x_j\\ s.t.:\begin{cases} \sum_{j=1} ^n a_{ij} x_j = b_i, \\ x_j \geq 0 \end{cases} \]

知足全部约束条件的解，称为线性规划问题的可行解；全部可行解构成的集合，称为可行域。

使目标函数达到最小值的解，称为最优解。

线性规划问题的建模和求解，一般按照如下步骤进行：

1. 问题定义，肯定决策变量、目标函数和约束条件；
2. 模型构建，由问题描述创建数学方程，并转化为标准形式的数学模型；
3. 模型求解，用标准模型的优化算法对模型求解，获得优化结果。

不少 Python 的第三方包，都提供求解线性规划问题的算法，有的工具包还提供整数规划、非线性规划的算法。例如：

• Scipy 库提供了解简单线性或非线性规划问题，可是不能求解如背包问题的0-1规划问题，或整数规划问题，混合整数规划问题。
• PuLP 能够求解线性规划、整数规划、0-1规划、混合整数规划问题，提供多种针对不一样类型问题的求解器。
• Cvxpy 是一种凸优化工具包，能够求解线性规划、整数规划、0-1规划、混合整数规划、二次规划和几何规划问题。

此外，SKlearn、DOcplex、Pymprog 等不少第三方工具包也都能求解线性规划问题。

2.2 PuLP 求解线性规划问题的步骤

例题 1：

\[max\;f(x)=2x_1+3x_2-5x_3\\ s.t.:\begin{cases} x_1+3x_2+x_3 \leq 12\\ 2x_1-5x_2+x_3\geq 10\\ x_1+x_2+x_3 = 7\\ x1,x2,x3\geq 0 \end{cases} \]

下面以该题为例讲解 PuLP 求解线性规划问题的步骤：

（0）导入 PuLP库函数

import pulp

（1）定义一个规划问题

MyProbLP = pulp.LpProblem("LPProbDemo1", sense=pulp.LpMaximize)

pulp.LpProblem 是定义问题的构造函数。
"LPProbDemo1"是用户定义的问题名（用于输出信息）。
参数 sense 用来指定求最小值/最大值问题，可选参数值：LpMinimize、LpMaximize 。本例 “sense=pulp.LpMaximize” 表示求目标函数的最大值。

（2）定义决策变量

x1 = pulp.LpVariable('x1', lowBound=0, upBound=7, cat='Continuous') 
    x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Continuous')
    x3 = pulp.LpVariable('x3', lowBound=0, upBound=7, cat='Continuous')

pulp.LpVariable 是定义决策变量的函数。
'x1' 是用户定义的变量名。
参数 lowBound、upBound 用来设定决策变量的下界、上界；能够不定义下界/上界，默认的下界/上界是负无穷/正无穷。本例中 x1,x2,x3 的取值区间为 [0,7]。
参数 cat 用来设定变量类型，可选参数值：'Continuous' 表示连续变量（默认值）、' Integer ' 表示离散变量（用于整数规划问题）、' Binary ' 表示0/1变量（用于0/1规划问题）。

（3）添加目标函数

MyProbLP += 2*x1 + 3*x2 - 5*x3  	# 设置目标函数

添加目标函数使用 "问题名 += 目标函数式" 格式。

（4）添加约束条件

MyProbLP += (2*x1 - 5*x2 + x3 >= 10)  # 不等式约束
    MyProbLP += (x1 + 3*x2 + x3 <= 12)  # 不等式约束
    MyProbLP += (x1 + x2 + x3 == 7)  # 等式约束

　　添加约束条件使用 "问题名 += 约束条件表达式" 格式。
　　约束条件能够是等式约束或不等式约束，不等式约束能够是 小于等于 或 大于等于，分别使用关键字">="、"<="和"=="。

（5）求解

MyProbLP.solve()
    print("Status:", pulp.LpStatus[MyProbLP.status]) # 输出求解状态
    for v in MyProbLP.variables():
        print(v.name, "=", v.varValue)  # 输出每一个变量的最优值
    print("F(x) = ", pulp.value(MyProbLP.objective))  #输出最优解的目标函数值

solve() 是求解函数。PuLP默认采用 CBC 求解器来求解优化问题，也能够调用其它的优化器来求解，如：GLPK，COIN CLP/CBC，CPLEX，和GUROBI，但须要另外安装。　

2.3 Python例程：线性规划问题

例程 1：求解线性规划问题

# mathmodel04_v1.py
# Demo01 of mathematical modeling algorithm
# Solving linear programming with PuLP.
# Copyright 2021 Youcans, XUPT
# Crated：2021-05-28

import pulp
MyProbLP = pulp.LpProblem("LPProbDemo1", sense=pulp.LpMaximize)  # 求最大值
x1 = pulp.LpVariable('x1', lowBound=0, upBound=7, cat='Continuous') 
x2 = pulp.LpVariable('x2', lowBound=0, upBound=7, cat='Continuous') 
x3 = pulp.LpVariable('x3', lowBound=0, upBound=7, cat='Continuous') 
MyProbLP += 2*x1 + 3*x2 - 5*x3  	# 设置目标函数
MyProbLP += (2*x1 - 5*x2 + x3 >= 10)  # 不等式约束
MyProbLP += (x1 + 3*x2 + x3 <= 12)  # 不等式约束
MyProbLP += (x1 + x2 + x3 == 7)  # 等式约束
MyProbLP.solve()  # youcans@xupt
print("Status:", pulp.LpStatus[MyProbLP.status]) # 输出求解状态
for v in MyProbLP.variables():  # youcans
    print(v.name, "=", v.varValue)  # 输出每一个变量的最优值
print("Max F(x) = ", pulp.value(MyProbLP.objective))  #输出最优解的目标函数值

例程 1 运行结果：

Welcome to the CBC MILP Solver 
Version: 2.9.0 
Build Date: Feb 12 2015 

Status: Optimal
x1 = 6.4285714
x2 = 0.57142857
x3 = 0.0
Max F(x) =  14.57142851

例程01 程序说明：

1. 用 PuLP 库求解线性规划问题，能够选择求最大值或最小值，能够按照问题的数学描述，直接输入目标函数、等式约束和不等式约束，不等式约束能够选择 <= 或 >=，不须要进行转换。这中方式简单直观，很是适合初学者掌握。
2. 对于较大规模线性规划问题， PuLP 库支持用字典类型（dict）创建多个变量，设置目标函数和约束条件。详见拙文《Python数模笔记-PuLP库（2）线性规划进阶》。

---

3. 小结

求解线性规划问题的方法很是简单，本文实际上并未讲解具体的算法。

但愿经过对求解方法、算法和编程方案的讲解，阐明做者对于数学建模学什么、怎么学的理解，也使读者能了解本系列教程的特色：本教程不打算详细讲解各类算法的具体方法，重点介绍如何使用第三方包实现算法、解决问题。

【本节完】

---

版权说明：

欢迎关注『Python小白的数学建模课 @ Youcans』 原创做品

原创做品，转载必须标注原文连接(https://www.cnblogs.com/youcans/p/14836629.html)。

Copyright 2021 Youcans, XUPT

Crated：2021-05-29

欢迎关注 『Python小白的数学建模课 @ Youcans』，每周更新数模笔记
Python小白的数学建模课-01.新手必读
Python小白的数学建模课-02.数据导入
Python小白的数学建模课-03.线性规划
Python小白的数学建模课-04.整数规划
Python小白的数学建模课-05.0-1规划
Python小白的数学建模课-06.固定费用问题
Python小白的数学建模课-07.选址问题
Python小白的数学建模课-09.微分方程模型
Python数模笔记-PuLP库
Python数模笔记-StatsModels统计回归
Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法