【学习笔记】Matlab和python双语言的学习(整数规划和0-1规划）

望月121382024-08-09 18:23

文章目录

前言

通过模型算法，熟练对Matlab和python的应用。

学习视频链接：
https://www.bilibili.com/video/BV1EK41187QF?p=26&vd_source=67471d3a1b4f517b7a7964093e62f7e6

一、整数规划和0-1规划

  • 在规划问题中，有些最优解可能是分数或小数，但对于某些具体问题，常要求某些变量（全部或部分）的解必须是整数。例如，当变量代表的是机器的台数 ，工作的人数 或装货的车数 等。为了满足整数的要求，初看起来似乎只要把已得的非整数解舍入化整就可以了。实际上化整后的数不见得是可行解和最优解，所以应该有特殊的方法来求解整数规划。在整数规划中，如果所有变量都限制为整数，则称为纯整数规划 ；如果仅一部分变量限制为整数，则称为混合整数规划 。整数规划的一种特殊情形是0-1规划 ，它的变数仅限于0或1。
  • 本文讨论的整数规划和0-1规划都在线性规划的范畴

二、典型示例

1.背包问题

  • 有10件货物要从甲地运送到乙地，每件货物的重量（单位： 吨）和利润（单位： 元）如下表所示

  • 由于只有一辆最大载重为30t的货车能用来运送货物，所以只能选择部分货物进行运送。

  • 要求确定运送哪些货物，使得运送这些货物的总利润最大。

    记 x i = { 1 , 运送了第 i 件货物 0 , 没有运送第 i 件货物 , i = 1 , 2 , ... , 10 \left.\text{记}\quad x_{i}=\begin{cases}1,\text{运送了第}i\text{件货物}\\0,\text{没有运送第}i\text{件货物}\end{cases}\right.,i=1,2,\ldots,10 记xi={1,运送了第i件货物0,没有运送第i件货物,i=1,2,...,10

    记 w i w_i wi 表示第 i 件物品的重量， p i p_i pi 表示第 i 件物品的利润

    模型建立：
    m a x ∑ i = 1 10 p i x i s . t . { ∑ i = 1 10 w i x i ≤ 30 x i ∈ { 0 , 1 } \begin{aligned}max\sum_{i=1}^{10}p_ix_i\end{aligned}\\s.t.\begin{cases}\sum_{i=1}^{10}w_ix_i\leq30\\x_i\in\{0,1\}\end{cases} maxi=1∑10pixis.t.{∑i=110wixi≤30xi∈{0,1}

2.指派问题

  • 已知5名游泳候选人的百米成绩，怎么选拔队员组成 4×100 米混合泳接力队伍

    （表中的数据是各运动员百米游泳的耗时）

  • 候选人： i = 1 , 2 , 3 , 4 , 5 i = 1,2,3,4,5 i=1,2,3,4,5

  • 泳姿： j = 1 , 2 , 3 , 4 j = 1,2,3,4 j=1,2,3,4

  • x i j = { 1 , 队员 i 参加第 j 种泳姿 0 , 队员 i 不参加第 j 种泳姿 x_{ij}=\begin{cases}&1 ,\text{队员} i\text{参加第}j\text{种泳姿}\\&0 ,\text{队员} i\text{不参加第}j\text{种泳姿}\end{cases} xij={1,队员i参加第j种泳姿0,队员i不参加第j种泳姿

  • t i j t_{ij} tij：队员 i 参加第 j 种泳姿的耗时

    模型建立：
    m i n ∑ j = 1 4 ∑ i = 1 5 t i j x i j s . I . { ∑ j = 1 4 x i j ≤ 1 , i = 1 , 2 , 3 , 4 , 5 (每个人只能入选4种泳姿之一) ∑ i = 1 5 x i j = 1 , 2 , 3 , 4 (每种泳姿有且仅有1人参加) x i j ∈ { 0 , 1 } \begin{aligned}min\quad\sum_{j=1}^{4}\sum_{i=1}^{5}t_{ij}x_{ij}\end{aligned}\\[1em]\\s.I.\begin{cases}\sum_{j=1}^{4}x_{ij}\leq1,i=1,2,3,4,5&\text{(每个人只能入选4种泳姿之一)}\\[0em]\\\sum_{i=1}^{5}x_{ij}=1,2,3,4&\text{(每种泳姿有且仅有1人参加)}\\[0em]\\x_{ij}\in\{0,1\}\end{cases} minj=1∑4i=1∑5tijxijs.I.⎩ ⎨ ⎧∑j=14xij≤1,i=1,2,3,4,5∑i=15xij=1,2,3,4xij∈{0,1}(每个人只能入选4种泳姿之一)(每种泳姿有且仅有1人参加)

三、代码实现----Matlab

1.Matlab 的 intlinprog 函数

intlinprog 是 MATLAB 中用于求解混合整数线性规划（MILP）问题的函数。混合整数线性规划问题是指在线性约束条件下，求解线性目标函数的最优解，其中部分或全部决策变量被限制为整数。

线性整数规划
intlinprog 函数的基本语法如下：

matlab 复制代码 
[x, fval] = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub, options)

各参数的含义如下：

  • f：目标函数的系数向量。
  • intcon：一个向量，指定哪些决策变量是整数变量。例如，如果 intcon = [1, 3]，则表示第一个和第三个决策变量是整数变量。
  • A：不等式约束矩阵。
  • b：不等式约束向量。
  • Aeq：等式约束矩阵。
  • beq：等式约束向量。
  • lb：决策变量的下界。
  • ub：决策变量的上界。
  • options：一个结构体，包含求解器的选项。

返回值的含义如下：

  • x：最优解。
  • fval：目标函数在最优解处的值。

线性0-1规划

  • 仍然使用intlinprog函数求解，只需要限定 lb 和 ub 即可
  • 例如： 三个决策变量： x1,x2,x3， x1 和 x3 是0-1变量，x2 不限制，则 intcon=[1,3],lb=[0;-inf;0],ub =[1;+inf;1]

2.Matlab 代码

背包问题

matlab 复制代码 
%% 背包问题

% 线性整数规划
% [x,fval] = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub,x0)
% f :目标函数的系数向量(最小值形式下)
% intcon :intcon中的值指示决策变量x中应取整数值的分量
% A,b :不等式约束条件的变量系数矩阵和常数项矩阵(必须是≤形式)
% Aeq,beq :等式约束条件的系数矩阵和常数项矩阵
% lb,ub :决策变量的最小取值和最大取值
% intcon 的用法:决策变量如果有三个:x1,x2,x3;若x1和x3是整数,则intcon = [1,3]

% 线性0-1规划
% 仍然使用intlinprog函数求解,只需限定lb和ub即可
% 决策变量如果有三个:x1,x2,x3;若x1和x3是0-1变量,x2不限制,则intcon = [1,3],lb = [0;-inf;0],ub = [1;+inf;1]
clc;clear
f = [-540 -200 -180 -350 -60 -150 -280 -450 -320 -120];
A = [6 3 4 5 1 2 3 5 4 2];
b = 30;
intcon = [1:10];
lb = zeros(10,1);
ub = ones(10,1);
[x,fval] = intlinprog(f,intcon,A,b,[],[],lb,ub)
res = -fval

运行结果：


即：运送1、2、4、6、7、8、9、10货物，运送这些货物的总利润最大为 2410 元

指派问题

matlab 复制代码 
%% 指派问题

% 线性整数规划
% [x,fval] = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub,x0)
% f :目标函数的系数向量(最小值形式下)
% intcon :intcon中的值指示决策变量x中应取整数值的分量
% A,b :不等式约束条件的变量系数矩阵和常数项矩阵(必须是≤形式)
% Aeq,beq :等式约束条件的系数矩阵和常数项矩阵
% lb,ub :决策变量的最小取值和最大取值
% intcon 的用法:决策变量如果有三个:x1,x2,x3;若x1和x3是整数,则intcon = [1,3]

% 线性0-1规划
% 仍然使用intlinprog函数求解,只需限定lb和ub即可
% 决策变量如果有三个:x1,x2,x3;若x1和x3是0-1变量,x2不限制,则intcon = [1,3],lb = [0;-inf;0],ub = [1;+inf;1]

clc;clear
f = [66.8 75.6 87 58.6 57.2 66 66.4 53 78 67.8 84.6 59.4 70 74.2 69.6 57.2 67.4 71 83.8 62.4];
A = zeros(5,20);
for i = 1:5
    A(i,4*i-3:4*i) = 1;
end
b = ones(5,1);
Aeq = [eye(4), eye(4), eye(4), eye(4), eye(4)];
beq = ones(4,1);
intcon = [1:20];
lb = zeros(20,1);
ub = ones(20,1);
[x,fval] = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)
reshape(x,4,5)'

运行结果：


即：甲自由泳；乙蝶泳；丙仰泳；丁蛙泳；戊不参加

四、代码实现----python

在Python中，虽然没有直接对应于MATLAB中intlinprog函数的内置函数，但可以使用以下第三方库来解决混合整数线性规划（MILP）问题，这些库提供了类似的功能：

  1. PuLP
  2. ORTools
  3. Gurobi
  4. CVXPY

本文选用 PuLP 库求解

背包问题

python 复制代码 
# 背包问题
import pulp
import numpy as np


# 定义问题规模
# 变量数
n_variables = 10
# 限制条件数
n_constraints = 1

# 创建问题实例
prob = pulp.LpProblem("BinaryVectorLP", pulp.LpMaximize)

# 创建0-1变量（向量）
x = [pulp.LpVariable(f'x{i}', cat='Binary') for i in range(n_variables)]

# 定义目标函数向量
c = np.array([540, 200, 180, 350, 60, 150, 280, 450, 320, 120])  # 目标函数系数

# 定义约束矩阵和向量
A = np.array([6, 3, 4, 5, 1, 2, 3, 5, 4, 2])  # 约束矩阵
b = np.array([30])     # 约束向量

# 设置目标函数
prob += pulp.lpSum([c[i] * x[i] for i in range(n_variables)]), "Objective"

# 添加约束条件
prob += (pulp.lpSum([A[j] * x[j] for j in range(n_variables)]) <= b[0]), f"Constraint_{0+1}"

# 求解
prob.solve()

# 输出结果
print("Status:", pulp.LpStatus[prob.status])
for i in range(n_variables):
    print(f"x{i} =", pulp.value(x[i]))
print("Objective =", pulp.value(prob.objective))

运行结果：

指派问题

python 复制代码 
# 指派问题

import pulp
import numpy as np


# 定义问题规模
# 变量数
n_variables = 20
# 限制条件数
n_constraints_1 = 5
n_constraints_2 = 4

# 创建问题实例
prob = pulp.LpProblem("BinaryVectorLP", pulp.LpMinimize)

# 创建0-1变量（向量）
x = [pulp.LpVariable(f'x{i}', cat='Binary') for i in range(n_variables)]

# 定义目标函数向量
c = np.array([66.8, 75.6, 87, 58.6, 57.2, 66, 66.4, 53, 78, 67.8, 84.6, 59.4, 70, 74.2, 69.6, 57.2, 67.4, 71, 83.8, 62.4])

# 定义约束矩阵和向量
A_1 = np.zeros((5,20))
for i in range(1,6):
    A_1[i-1,4*i-4:4*i] = 1 # 约束矩阵
b_1 = np.ones((5,))     # 约束向量

# 定义约束矩阵和向量
A_2 = np.hstack([np.eye(4), np.eye(4), np.eye(4), np.eye(4), np.eye(4)])# 约束矩阵
b_2 = np.ones((4,))     # 约束向量


# 设置目标函数
prob += pulp.lpSum([c[i] * x[i] for i in range(n_variables)]), "Objective"

# 添加约束条件
for i in range(n_constraints_1):
    prob += (pulp.lpSum([A_1[i, j] * x[j] for j in range(n_variables)]) <= b_1[i]), f"Constraint_{i+1}"

for i in range(n_constraints_2):
    prob += (pulp.lpSum([A_2[i, j] * x[j] for j in range(n_variables)]) == b_2[i]), f"Constraint_{i+6}"

# 求解
prob.solve()

# 输出结果
res = np.zeros((20,1))
print("Status:", pulp.LpStatus[prob.status])
for i in range(n_variables):
    res[i] = pulp.value(x[i])
    print(f"x{i} =", pulp.value(x[i]))
print("Objective =", pulp.value(prob.objective))
res = res.reshape((5,4))
print(res)

运行结果：

总结

本文介绍了整数规划和0-1规划，并通过背包问题和指派问题两个典型示例建立模型，分别使用Matlab和python进行代码编写。

相关推荐
胡西风_foxww5 分钟前
【ES6复习笔记】let 和 const 命令（1）
笔记·学习·es6·const·let
胡西风_foxww6 分钟前
【ES6复习笔记】Spread 扩展运算符（8）
前端·笔记·es6·扩展·运算符·spread
网络安全（king）18 分钟前
网络安全之接入控制
网络·学习·安全·web安全
小王子102419 分钟前
数据结构与算法Python版 二叉查找树
数据结构·python·算法·二叉查找树
编程阿布28 分钟前
Python基础——多线程编程
java·数据库·python
又蓝30 分钟前
使用 Python 操作 MySQL 数据库的实用工具类：MySQLHandler
数据库·python·mysql
dundunmm32 分钟前
机器学习之pandas
人工智能·python·机器学习·数据挖掘·pandas
好学近乎知o32 分钟前
常用的Django模板语言
python·django·sqlite
小火炉Q42 分钟前
16 循环语句——for循环
人工智能·python·网络安全
segwyang1 小时前
Maven 项目模板
java·python·maven
热门推荐
01大模型国产化适配7-华为昇腾LLM落地可选解决方案（MindFormers、ModelLink、MindIE）02Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO03玄机平台应急响应—webshell查杀04电赛2024年H题智能小车基于MSPM0G3507主控MCU（利用8路灰度加上MPU6050的解决方式）具体项目报告05组基轨迹建模 GBTM的介绍与实现（Stata 或 R）06支付宝短视频平台创作分成激励项目07怎么找小红书美食探店博主合作？08【一文读懂】NTN（非地面网络）技术介绍09优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间10校验 GPT-4 真实性的三个经典问题：快速区分 GPT-3.5 与 GPT-4，并提供免费测试网站