运筹学

运筹学是一种科学的决策方法，它通常是在需要分配稀缺资源的条件下，寻求系统的优秀设计。科学的决策方法需要使用一个或多个数学模型(优化模型)来做出最优决策。

优化模型试图在满足给定约束的决策变量的所有值的集合中，找到优化(最大化或最小化)目标函数的决策变量的值。 它的三个主要组成部分是：

1. 目标函数:要优化的函数(最大化或最小化)。

2. 决策变量:影响系统性能的可控变量。

3. 约束:决策变量的一组约束(即线性不等式或等式)。非负性约束限制了决策变量取正值。

优化模型的解称为最优可行解。

建模步骤

对运筹学问题进行准确建模是很重要的任务，也是很困难的任务。错误的模型会导致错误的解决方案，从而不能解决原来的问题。团队成员应按照以下步骤进行建模：

1. 问题定义:定义项目的范围，并确定三个要素:决策变量、目标和限制(即约束)。

2. 模型构建:将问题定义转化为数学关系。

3. 模型求解:使用标准优化算法。在获得解后，需要进行灵敏度分析，以找出由于某些参数的变化而导致的解的行为。

4. 模型有效性:检查模型是否按预期工作。

5. 实现:将模型和结果转换为解决方案。

线性规划

线性规划(Linear  Programming，也称为LP)是一种运筹学技术，当当所有的目标和约束都是线性的(在变量中)并且当所有的决策变量都是连续的时使用。线性规划是最简单的运筹学方法。

Python的SciPy库包含用于解决线性编程问题的linprog函数。在使用linprog时，编写代码要考虑的两个注意事项：

1. 这个问题必须表述为一个最小化问题。

2. 不等式必须表示为≤。

最小化问题

让我们考虑以下要解决的最小化问题：

让我们看一下Python代码：

# Import required libraries import numpy as np from scipy.optimize import linprog  # Set the inequality constraints matrix # Note: the inequality constraints must be in the form of <= A = np.array([[-1, -1, -1], [-1, 2, 0], [0, 0, -1], [-1, 0, 0], [0, -1, 0], [0, 0, -1]])  # Set the inequality constraints vector b = np.array([-1000, 0, -340, 0, 0, 0])  # Set the coefficients of the linear objective function vector c = np.array([10, 15, 25])  # Solve linear programming problem res = linprog(c, A_ub=A, b_ub=b)  # Print results print('Optimal value:', round(res.fun, ndigits=2),       '\nx values:', res.x,       '\nNumber of iterations performed:', res.nit,       '\nStatus:', res.message)

输出结果：

# Optimal value: 15100.0  # x values: [6.59999996e+02 1.00009440e-07 3.40000000e+02]  # Number of iterations performed: 7  # Status: Optimization terminated successfully.

最大化问题

由于Python的SciPy库中的linprog函数是用来解决最小化问题的，因此有必要对原始目标函数进行转换。通过将目标函数的系数乘以-1(即通过改变其符号)，可以将最小化问题转化为一个最大化问题。

让我们考虑下面需要解决的最大化问题:

让我们看一下Python的实现：

# Import required libraries import numpy as np from scipy.optimize import linprog  # Set the inequality constraints matrix # Note: the inequality constraints must be in the form of <= A = np.array([[1, 0], [2, 3], [1, 1], [-1, 0], [0, -1]])  # Set the inequality constraints vector b = np.array([16, 19, 8, 0, 0])  # Set the coefficients of the linear objective function vector # Note: when maximizing, change the signs of the c vector coefficient c = np.array([-5, -7])  # Solve linear programming problem res = linprog(c, A_ub=A, b_ub=b)  # Print results print('Optimal value:', round(res.fun*-1, ndigits=2),       '\nx values:', res.x,       '\nNumber of iterations performed:', res.nit,       '\nStatus:', res.message)

上述代码的输出结果为：

# Optimal value: 46.0  # x values: [5. 3.]  # Number of iterations performed: 5  # Status: Optimization terminated successfully.