python解線性規劃

㈠ 用python解決下列簡訊費用題目

定義條數計算函數：
def _counter(n):
....return int(n/70) + (1 if n%70==0 else 0)
讀出每次簡訊字數n,用_counter計算並求和，然後除以10。

㈡ Python有哪些可以做帶約束的二次線性規劃的包

線性規劃立足於求滿足所有約束條件的最優解,而在 實際問題中,可能存在相互矛盾的約束條件.目標規劃可 以在相互矛盾的約束條件下找到滿意解.

㈢ python有能解決層次線性規劃的庫嗎

約束條件沒時間細看了，根據你的代碼改了一下，沒有語法錯誤了！ !集部分; sets: month/1..12/: it, dt, st, rt, ht; endsets !目標函數; MAX=@sum(month(I): 5400*DT(I) + 2400.110*HT(I)); !約束條件; @for(month(I): Rt(I) - Dt(I) >=20; It(。

㈣ 單純形表法求解目標函數最小值時，有兩個非基變數的負檢驗數相同，如何選擇入基變數

因為基本可行解的個數有限，故經有限次轉換必能得出問題的最優解。從線性方程組找出一個個的單純形，每一個單純形可以求得一組解，然後再判斷該解使目標函數值是增大還是變小了，決定下一步選擇的單純形。通過優化迭代，直到目標函數實現最大或最小值。如果線性問題存在最優解，一定有一個基可行解是有最優解。因此單純形法迭代的基本思路是：先找出一個基可行解，判斷其是否為最優解。如為否，則轉換到相鄰的基可行解，並使目標函數值不斷增大，一直找到最優解為止。(4)python解線性規劃擴展閱讀：由於目標函數和約束條件內容和形式上的差別，線性規劃問題可以有多種表達式。因此，為了便於討論和制定統一的演算法，在制定單純形法時，規定使用單純形法求解的線性規劃問題需要有一個標准形式，它有下面三個特徵：(1) 標准形式目標函數統一為求極大值或極小值，但單純形法主要用來求解極大值；(2) 所有約束條件（除非負條件外）都是等式，約束條件右端常數項bi全為非負值；(3) 所有變數的取值全為非負值。

搜索
免費python全套教程
python必背100源代碼
編程入門教程300例
初學編程100個簡單教程
初中數學全套解題技巧
編程必背50個程序

㈤ Python裡面的scipy庫如何計算線性規劃問題呢

這里有一篇文章介紹了如何做，但是不是你的例子，你參考以下，應該很簡單就能寫出來了http://jingyan..com/article/e2284b2b5800e6e2e6118d97.html

㈥ 學習多目標優化需要掌握哪些python知識

多目標優化

目標優化問題一般地就是指通過一定的優化演算法獲得目標函數的最優化解。當優化的目標函數為一個時稱之為單目標優化(Single-
objective Optimization Problem,
SOP)。當優化的目標函數有兩個或兩個以上時稱為多目標優化(Multi-objective Optimization Problem,
MOP)。不同於單目標優化的解為有限解，多目標優化的解通常是一組均衡解。

多目標優化演算法歸結起來有傳統優化演算法和智能優化演算法兩大類。
1. 傳統優化演算法包括加權法、約束法和線性規劃法等，實質上就是將多目標函數轉化為單目標函數，通過採用單目標優化的方法達到對多目標函數的求解。
2. 智能優化演算法包括進化演算法（Evolutionary Algorithm, 簡稱EA）、粒子群演算法（Particle Swarm Optimization, PSO）等。

Pareto最優解：

若x*∈C*,且在C中不存在比x更優越的解x，則稱x*是多目標最優化模型式的Pareto最優解，又稱為有效解。
一般來說，多目標優化問題並不存在一個最優解，所有可能的解都稱為非劣解，也稱為Pareto解。傳統優化技術一般每次能得到Pareo解集中的一個，而
用智能演算法來求解，可以得到更多的Pareto解，這些解構成了一個最優解集，稱為Pareto最優解。它是由那些任一個目標函數值的提高都必須以犧牲其
他目標函數值為代價的解組成的集合,稱為Pareto最優域，簡稱Pareto集。

Pareto有效(最優)解非劣解集是指由這樣一些解組成的集合：與集合之外的任何解相比它們至少有一個目標函數比集合之外的解好。

求解多目標優化問題最有名的就是NSGA-II了，是多目標遺傳演算法，但其對解的選擇過程可以用在其他優化演算法上，例如粒子群，蜂群等等。這里簡單介紹一下NSGA-II的選擇演算法。主要包含三個部分：
1. 快速非支配排序
要先講一下支配的概念，對於解X1和X2，如果X1對應的所有目標函數都不比X2大（最小問題），且存在一個目標值比X2小，則X2被X1支配。
快速非支配排序是一個循環分級過程：首先找出群體中的非支配解集，記為第一非支配層，irank=1（irank是個體i的非支配值），將其從群體中除去，繼續尋找群體中的非支配解集，然後irank=2。
2. 個體擁擠距離
為了使計算結果在目標空間比較均勻的分布，維持種群多樣性，對每個個體計算擁擠距離，選擇擁擠距離大的個體，擁擠距離的定義為：
L[i]d=L[i]d+(L[i+1]m−L[i−1]m)/(fmaxm−fminm)
L[i+1]m是第i+1個個體的第m目標函數值，fmaxm 和 fminm是集合中第m個目標函數的最大和最小值。
3. 精英策略選擇
精英策略就是保留父代中的優良個體直接進入子代，防止獲得的Pareto最優解丟失。將第t次產生的子代種群和父代種群合並，然後對合並後的新種群進行非支配排序，然後按照非支配順序添加到規模為N的種群中作為新的父代。

㈦ python求解線性規劃問題，百度後發現了scipy模塊，optimize，新手希望大神能寫個實例，例子如下：

scipy做線性規劃不是很方便，推薦用pulp來做，這個模塊不屬於python的內置模塊，需要先安裝，pip install pulp
from pulp import *

# 設置對象
prob = LpProblem('myProblem', LpMinimize)

# 設置三個變數，並設置變數最小取值
x1 = LpVariable('x1', 0)
x2 = LpVariable('x2', 0)
x3 = LpVariable('x3', 0)
x4 = LpVariable('x4')

# 載入目標函數，默認是求最小值，因此這次對原目標函數乘以-1
prob += 3*x1 - 4*x2 + 2*x3 -5*x4

# 載入約束變數
prob += 4*x1 - x2 + 2*x3 -x4 == -2
prob += x1 + x2 -x3 + 2*x4 <= 14
prob += -2*x1 + 3*x2 + x3 -x4 >= 2

# 求解
status = prob.solve()

# 顯示結果
for i in prob.variables():
print(i.name + "=" + str(i.varValue))

計算結果為：
x1=0.0
x2=2.0
x3=4.0
x4=8.0

㈧ Python有哪些可以做帶約束的二次線性規劃的包

APM Python
- APM Python is free optimization software through a web service.
Nonlinear Programming problem are sent to the APMonitor server and
results are returned to the local Python script. A web-interface
automatically loads to help visualize solutions, in particular dynamic
optimization problems that include differential and algebraic equations.
Default solvers include APOPT, BPOPT, and IPOPT. Pre-configured modes
include optimization, parameter estimation, dynamic simulation, and
nonlinear control.
Coopr - The Coopr software project integrates a variety of Python optimization-related packages.
CVOXPT
- CVXOPT is a free software package for convex optimization based on
the Python programming language. It can be used with the interactive
Python interpreter, on the command line by executing Python scripts, or
integrated in other software via Python extension moles. Its main
purpose is to make the development of software for convex optimization
applications straightforward by building on Python』s extensive standard
library and on the strengths of Python as a high-level programming
language.
OpenOpt
(license: BSD) contains connections to tens of solvers and has some own
Python-written ones, e.g. nonlinear solver with specifiable accuracy: interalg, graphic output of convergence and some more numerical optimization "MUST HAVE" features. Also OpenOpt can solve FuncDesigner
problems with automatic differentiation, that usually work faster and
gives more precise results than finite-differences derivatives
approximation.
PuLP
- PuLP is an LP modeler written in python. PuLP can generate MPS or LP
files and call GLPK, COIN CLP/CBC, CPLEX, and GUROBI to solve linear
problems.
Pyomo
- The Python Optimization Modeling Objects (Pyomo) package is an open
source tool for modeling optimization applications in Python. Pyomo can
be used to define symbolic problems, create concrete problem instances,
and solve these instances with standard solvers. Pyomo provides a
capability that is commonly associated with algebraic modeling languages
such as AMPL, AIMMS, and GAMS, but Pyomo's modeling objects are
embedded within a full-featured high-level programming language with a
rich set of supporting libraries. Pyomo leverages the capabilities of
the Coopr software library, which integrates Python packages for
defining optimizers, modeling optimization applications, and managing
computational experiments.
scipy.optimize - some solvers written or connected by SciPy developers.
pyOpt
- pyOpt is a package for formulating and solving nonlinear constrained
optimization problems in an efficient, reusable and portable manner
(license: LGPL).

㈨ 使用python解決提到數學題

先設s=25x+20y+60z
再隨便設y=0,z=0.得到x<=60.
這說明解中的x的范圍在[0,60]內.
之後就是在[0,60]范圍內尋找這個解的過程了

簡單的可以讓x取遍從0到60這61個數,找出其中最大的就行了
y的值也做同樣遍歷.z只取最大的就可以了

max, maxy = 0, 0
for x in range(61):
maxy = 200 - x
if maxy > (180 - 3 * x):
maxy = 180 - 3 * x
for y in range(maxy + 1):
z = 200 - x - 2 * y
if z > (180 - 3 * x - y):
z = (180 - 3 * x - y)
if max < (25 * x + 20 * y + 60 * z):
max = (25 * x + 20 * y + 60 * z)
print "x = %d, y = %d, z = %d, max = %d" %(x, y, z, max)

好久沒寫python了..語法都是剛剛查的.可能有錯誤哈.效率看起來也不高

㈩ 線性規劃習題

同學，這是最基本的線性規劃問題，可以用基本的「單純形法」求解，網上應該有相應的教程的，我的圖片里列出了我親自筆算的詳細表格，最終的x1=2,x2=4,x3=0目標函數最大值為22