用Python实现运筹学——Day 5: 单纯形法介绍

一、学习内容

1. 单纯形法的基本原理与步骤

单纯形法（Simplex Method）是求解线性规划问题的一种常用方法。它是一种迭代算法，用于在凸多边形的顶点上寻找目标函数的最优解，通常用于多变量的线性规划问题。单纯形法主要应用于线性规划的标准形式，即目标函数为线性形式，约束条件为线性不等式或等式。

基本步骤：

初始解的确定：首先找到可行解空间中的一个顶点（通常是基础解），该解满足所有约束条件。
迭代寻找改进解：从当前解出发，沿着可行解空间的边移动到一个新的顶点，使目标函数值改进（增加或减少）。
终止条件：如果找到的解不能再继续改进，则当前解即为最优解。

单纯形法利用了线性规划问题的性质，即目标函数的最优解总是在可行解空间的顶点上。通过系统地从一个顶点移动到另一个顶点，算法能够快速找到最优解。

2. 单纯形法与线性规划的关系

单纯形法是线性规划问题最经典和最广泛应用的解法之一。它通过寻找目标函数最大值或最小值来解决线性规划问题，尤其适用于有多个变量和约束条件的复杂问题。

二、实战案例：通过单纯形法优化原材料分配问题

2.1 问题描述

假设一家工厂生产两种产品 A 和 B。公司希望最大化利润，并且每种产品的生产消耗不同的原材料和时间资源。如下表所示：

产品	每单位利润（元）	每单位劳动时间（小时）	每单位原材料需求（单位）
A	40	1	2
B	50	2	1

每天最多可提供 100 小时劳动时间和 80 单位原材料。如何安排生产 AAA 和 BBB 的数量使得利润最大化？

2.2 线性规划模型

决策变量：
- ：每天生产的产品 A 的数量。
- ：每天生产的产品 B 的数量。
目标函数：最大化利润：
约束条件：

劳动时间约束：
原材料约束：
非负性约束：

三、Python 实现：使用 `scipy.optimize.linprog` 单纯形法求解

在 Python 中，我们可以使用 scipy 库的 linprog 函数来实现单纯形法。

python 复制代码

import numpy as np
from scipy.optimize import linprog

# 目标函数系数 (最大化问题转为最小化，通过乘 -1)
c = [-40, -50]  # 每单位产品A和产品B的利润

# 约束条件系数矩阵 (左边部分)
A = [
    [1, 2],   # 劳动时间约束
    [2, 1]    # 原材料约束
]

# 约束条件右侧常数项
b = [100, 80]  # 劳动时间和原材料的上限

# 变量的边界（非负性约束）
x_bounds = [(0, None), (0, None)]  # x1 和 x2 均为非负数

# 使用单纯形法求解线性规划问题
result = linprog(c, A_ub=A, b_ub=b, bounds=x_bounds, method='simplex')

# 输出结果
if result.success:
    print("优化成功！")
    print(f"每天生产产品 A 的数量：{result.x[0]:.2f}")
    print(f"每天生产产品 B 的数量：{result.x[1]:.2f}")
    print(f"最大每日利润：{-result.fun:.2f} 元")
else:
    print("优化失败。")

3.1 代码解释

目标函数 ：我们需要最大化目标函数。在 scipy.optimize.linprog 中只能处理最小化问题，因此将目标函数的系数乘以 -1，使得最大化问题转化为最小化问题。
约束条件：
- A_ub 表示不等式约束的系数矩阵。
- b_ub 表示不等式约束的右边常数。
- x_bounds 限制变量和为非负数。
求解方法 ：使用 method='simplex' 指定求解方法为单纯形法。

3.2 运行结果分析

程序运行后，将输出每天应生产多少单位的产品 A 和 B，以及最大化的利润。

示例运行结果