本篇内容主要讲解“python有什么求解线性规划的包”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“python有什么求解线性规划的包”吧!

创新互联公司主营甘德网站建设的网络公司,主营网站建设方案,重庆APP开发公司,甘德h5微信小程序定制开发搭建,甘德网站营销推广欢迎甘德等地区企业咨询

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

到此，相信大家对“python有什么求解线性规划的包”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！

分享题目：python有什么求解线性规划的包
网页URL：http://scyanting.com/article/gppiep.html