python培训之有哪些求解线性规划的包

　　python有哪些求解线性规划的包

　　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 -*-

　　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

　　以上就是python求解线性规划的包，希望对大家有所帮助。更多Python学习指路：请关注多测师。https://www.e70w.com/xwzx/