国产片侵犯亲女视频播放_亚洲精品二区_在线免费国产视频_欧美精品一区二区三区在线_少妇久久久_在线观看av不卡

腳本之家，腳本語言編程技術及教程分享平臺！
分類導航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服務器之家 - 腳本之家 - Python - Python數學建模PuLP庫線性規劃實際案例編程詳解

Python數學建模PuLP庫線性規劃實際案例編程詳解

2022-02-10 13:04youcans Python

本節以一個實際數學建模案例，來為大家講解PuLP求解線性規劃問題的建模與編程。來鞏固加深大家對Python數學建模PuLP庫線性規劃的運用理解

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，又由于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？
?。?）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？
?。?）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？
?。?）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？
?。?）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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
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
# = 關注 Youcans，分享原創系列 https://blog.csdn.net/youcans =

（3）運行結果

?
1
2
3
4
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
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

?
1
2
3
4
5
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
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

?
1
2
3
4
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
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
# = 關注 Youcans，分享原創系列 https://blog.csdn.net/youcans =

（3）運行結果

?
1
2
3
4
5
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提供了整數規劃的

（2）Python 編程

?
1
2
3
4
5
6
7
8
9
10
11
12
13
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

?
1
2
3
4
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，更多關于PuLP庫線性規劃實際編程案例的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/youcans/article/details/116371509

延伸 · 閱讀

精彩推薦
主站蜘蛛池模板： 色日韩 | 欧美精品一区二区三区在线播放 | 蜜桃一区二区 | 亚洲激情av | 亚洲午夜精品片久久www慈禧 | 欧美一区二区三区在线 | 中文字幕亚洲综合 | 亚洲精选一区二区 | 亚洲男女在线 | 国产成人精品一区二区三区四区 | 欧美成人精品激情在线观看 | 最近韩国日本免费高清观看 | 精品综合久久 | 艹逼逼视频 | 国产剧情一区二区 | 中文日韩在线 | 国产中文字幕在线 | 日日摸天天做天天添天天欢 | 久久久人成影片免费观看 | 午夜视频在线观看免费视频 | 亚洲欧美综合精品久久成人 | 亚洲精品久 | 亚洲精品久久久久久下一站 | 狠狠操一区二区三区 | 精品在线一区二区 | 高清视频一区 | 先锋影音男人 | 热99精品| 毛片一卡 | av网站推荐 | 国产成人精品一区二 | 国产视频二区 | 超级碰在线视频 | 中文字幕在线三区 | 亚洲国产婷婷香蕉久久久久久99 | 日韩精品www | 亚洲成av人片在线观看无码 | 成人在线精品视频 | 中文字幕天堂 | 欧美资源在线 | 亚洲综合欧美 |