python編寫2個(gè)函數(shù)代碼，實(shí)現(xiàn)求最小公倍數(shù)和最大公約數(shù)的功能

函數(shù)定義：

創(chuàng)新互聯(lián)是一家專業(yè)提供浪卡子企業(yè)網(wǎng)站建設(shè),專注與網(wǎng)站建設(shè)、成都網(wǎng)站設(shè)計(jì)、html5、小程序制作等業(yè)務(wù)。10年已為浪卡子眾多企業(yè)、政府機(jī)構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站設(shè)計(jì)公司優(yōu)惠進(jìn)行中。

Common_multiple(number1, number2):? # 求兩個(gè)數(shù)的最小公倍數(shù)

Maximum_common_divisor(*number):? # 求任意多個(gè)數(shù)的最小公倍數(shù)

Minimum_common_multiple(*number):? # 求任意多個(gè)數(shù)的最大公因數(shù)

程序縮進(jìn)如下：

程序縮進(jìn)

運(yùn)行結(jié)果展示：

運(yùn)行結(jié)果

函數(shù)具體代碼：縮進(jìn)版本點(diǎn)擊自取

def Common_multiple(number1, number2):? # 求兩個(gè)數(shù)的最小公倍數(shù)

while number1 % number2 != 0:

number1, number2 = number2, (number1 % number2)

return number2

def Maximum_common_divisor(*number):? # 求任意多個(gè)數(shù)的最小公倍數(shù)

while len(number) 1:

number = [Common_multiple(number[i], number[i+1]) for i in range(0, len(number)-1)]

return number[0]

def Minimum_common_multiple(*number):? # 求任意多個(gè)數(shù)的最大公因數(shù)

while len(number) 1:

number = [number[i]*number[i+1]/Common_multiple(number[i], number[i+1]) for i in range(0, len(number)-1)]

return number[0]

Python怎么做最優(yōu)化

一、概觀

scipy中的optimize子包中提供了常用的最優(yōu)化算法函數(shù)實(shí)現(xiàn)。我們可以直接調(diào)用這些函數(shù)完成我們的優(yōu)化問(wèn)題。optimize中函數(shù)最典型的特點(diǎn)就是能夠從函數(shù)名稱上看出是使用了什么算法。下面optimize包中函數(shù)的概覽：

1.非線性最優(yōu)化

fmin -- 簡(jiǎn)單Nelder-Mead算法

fmin_powell -- 改進(jìn)型Powell法

fmin_bfgs -- 擬Newton法

fmin_cg -- 非線性共軛梯度法

fmin_ncg -- 線性搜索Newton共軛梯度法

leastsq -- 最小二乘

2.有約束的多元函數(shù)問(wèn)題

fmin_l_bfgs_b ---使用L-BFGS-B算法

fmin_tnc ---梯度信息

fmin_cobyla ---線性逼近

fmin_slsqp ---序列最小二乘法

nnls ---解|| Ax - b ||_2 for x=0

3.全局優(yōu)化

anneal ---模擬退火算法

brute --強(qiáng)力法

4.標(biāo)量函數(shù)

fminbound

brent

golden

bracket

5.擬合

curve_fit-- 使用非線性最小二乘法擬合

6.標(biāo)量函數(shù)求根

brentq ---classic Brent (1973)

brenth ---A variation on the classic Brent（1980）ridder ---Ridder是提出這個(gè)算法的人名

bisect ---二分法

newton ---牛頓法

fixed_point

7.多維函數(shù)求根

fsolve ---通用

broyden1 ---Broyden’s first Jacobian approximation.

broyden2 ---Broyden’s second Jacobian approximationnewton_krylov ---Krylov approximation for inverse Jacobiananderson ---extended Anderson mixing

excitingmixing ---tuned diagonal Jacobian approximationlinearmixing ---scalar Jacobian approximationdiagbroyden ---diagonal Broyden Jacobian approximation8.實(shí)用函數(shù)

line_search ---找到滿足強(qiáng)Wolfe的alpha值

check_grad ---通過(guò)和前向有限差分逼近比較檢查梯度函數(shù)的正確性二、實(shí)戰(zhàn)非線性最優(yōu)化

fmin完整的調(diào)用形式是：

fmin(func, x0, args=(), xtol=0.0001, ftol=0.0001, maxiter=None, maxfun=None, full_output=0, disp=1, retall=0, callback=None)不過(guò)我們最常使用的就是前兩個(gè)參數(shù)。一個(gè)描述優(yōu)化問(wèn)題的函數(shù)以及初值。后面的那些參數(shù)我們也很容易理解。如果您能用到，請(qǐng)自己研究。下面研究一個(gè)最簡(jiǎn)單的問(wèn)題，來(lái)感受這個(gè)函數(shù)的使用方法：f(x)=x**2-4*x+8，我們知道，這個(gè)函數(shù)的最小值是4，在x=2的時(shí)候取到。

from scipy.optimize import fmin #引入優(yōu)化包def myfunc(x):

return x**2-4*x+8 #定義函數(shù)

x0 = [1.3] #猜一個(gè)初值

xopt = fmin(myfunc, x0) #求解

print xopt #打印結(jié)果

運(yùn)行之后，給出的結(jié)果是：

Optimization terminated successfully.

Current function value: 4.000000

Iterations: 16

Function evaluations: 32

[ 2.00001953]

程序準(zhǔn)確的計(jì)算得出了最小值，不過(guò)最小值點(diǎn)并不是嚴(yán)格的2，這應(yīng)該是由二進(jìn)制機(jī)器編碼誤差造成的。

除了fmin_ncg必須提供梯度信息外，其他幾個(gè)函數(shù)的調(diào)用大同小異，完全類似。我們不妨做一個(gè)對(duì)比：

from scipy.optimize import fmin,fmin_powell,fmin_bfgs,fmin_cgdef myfunc(x):

return x**2-4*x+8

x0 = [1.3]

xopt1 = fmin(myfunc, x0)

print xopt1

print

xopt2 = fmin_powell(myfunc, x0)

print xopt2

print

xopt3 = fmin_bfgs(myfunc, x0)

print xopt3

print

xopt4 = fmin_cg(myfunc,x0)

print xopt4

給出的結(jié)果是：

Optimization terminated successfully.

Current function value: 4.000000

Iterations: 16

Function evaluations: 32

[ 2.00001953]

Optimization terminated successfully.

Current function value: 4.000000

Iterations: 2

Function evaluations: 53

1.99999999997

Optimization terminated successfully.

Current function value: 4.000000

Iterations: 2

Function evaluations: 12

Gradient evaluations: 4

[ 2.00000001]

Optimization terminated successfully.

Current function value: 4.000000

Iterations: 2

Function evaluations: 15

Gradient evaluations: 5

[ 2.]

我們可以根據(jù)給出的消息直觀的判斷算法的執(zhí)行情況。每一種算法數(shù)學(xué)上的問(wèn)題，請(qǐng)自己看書學(xué)習(xí)。個(gè)人感覺(jué)，如果不是純研究數(shù)學(xué)的工作，沒(méi)必要搞清楚那些推導(dǎo)以及定理云云。不過(guò)，必須了解每一種算法的優(yōu)劣以及能力所及。在使用的時(shí)候，不妨多種算法都使用一下，看看效果分別如何，同時(shí)，還可以互相印證算法失效的問(wèn)題。

在from scipy.optimize import fmin之后，就可以使用help(fmin)來(lái)查看fmin的幫助信息了。幫助信息中沒(méi)有例子，但是給出了每一個(gè)參數(shù)的含義說(shuō)明，這是調(diào)用函數(shù)時(shí)候的最有價(jià)值參考。

有源碼研究癖好的，或者當(dāng)你需要改進(jìn)這些已經(jīng)實(shí)現(xiàn)的算法的時(shí)候，可能需要查看optimize中的每種算法的源代碼。在這里：https:/ / github. com/scipy/scipy/blob/master/scipy/optimize/optimize.py聰明的你肯定發(fā)現(xiàn)了，順著這個(gè)鏈接往上一級(jí)、再往上一級(jí)，你會(huì)找到scipy的幾乎所有源碼！

萬(wàn)字教你如何用 Python 實(shí)現(xiàn)線性規(guī)劃

想象一下，您有一個(gè)線性方程組和不等式系統(tǒng)。這樣的系統(tǒng)通常有許多可能的解決方案。線性規(guī)劃是一組數(shù)學(xué)和計(jì)算工具，可讓您找到該系統(tǒng)的特定解，該解對(duì)應(yīng)于某些其他線性函數(shù)的最大值或最小值。

混合整數(shù)線性規(guī)劃是 線性規(guī)劃 的擴(kuò)展。它處理至少一個(gè)變量采用離散整數(shù)而不是連續(xù)值的問(wèn)題。盡管乍一看混合整數(shù)問(wèn)題與連續(xù)變量問(wèn)題相似，但它們?cè)陟`活性和精度方面具有顯著優(yōu)勢(shì)。

整數(shù)變量對(duì)于正確表示自然用整數(shù)表示的數(shù)量很重要，例如生產(chǎn)的飛機(jī)數(shù)量或服務(wù)的客戶數(shù)量。

一種特別重要的整數(shù)變量是 二進(jìn)制變量 。它只能取 零 或 一 的值，在做出是或否的決定時(shí)很有用，例如是否應(yīng)該建造工廠或者是否應(yīng)該打開或關(guān)閉機(jī)器。您還可以使用它們來(lái)模擬邏輯約束。

線性規(guī)劃是一種基本的優(yōu)化技術(shù)，已在科學(xué)和數(shù)學(xué)密集型領(lǐng)域使用了數(shù)十年。它精確、相對(duì)快速，適用于一系列實(shí)際應(yīng)用。

混合整數(shù)線性規(guī)劃允許您克服線性規(guī)劃的許多限制。您可以使用分段線性函數(shù)近似非線性函數(shù)、使用半連續(xù)變量、模型邏輯約束等。它是一種計(jì)算密集型工具，但計(jì)算機(jī)硬件和軟件的進(jìn)步使其每天都更加適用。

通常，當(dāng)人們?cè)噲D制定和解決優(yōu)化問(wèn)題時(shí)，第一個(gè)問(wèn)題是他們是否可以應(yīng)用線性規(guī)劃或混合整數(shù)線性規(guī)劃。

以下文章說(shuō)明了線性規(guī)劃和混合整數(shù)線性規(guī)劃的一些用例：

隨著計(jì)算機(jī)能力的增強(qiáng)、算法的改進(jìn)以及更多用戶友好的軟件解決方案的出現(xiàn)，線性規(guī)劃，尤其是混合整數(shù)線性規(guī)劃的重要性隨著時(shí)間的推移而增加。

解決線性規(guī)劃問(wèn)題的基本方法稱為，它有多種變體。另一種流行的方法是。

混合整數(shù)線性規(guī)劃問(wèn)題可以通過(guò)更復(fù)雜且計(jì)算量更大的方法來(lái)解決，例如，它在幕后使用線性規(guī)劃。這種方法的一些變體是，它涉及使用 切割平面 ，以及。

有幾種適用于線性規(guī)劃和混合整數(shù)線性規(guī)劃的合適且眾所周知的 Python 工具。其中一些是開源的，而另一些是專有的。您是否需要免費(fèi)或付費(fèi)工具取決于問(wèn)題的規(guī)模和復(fù)雜性，以及對(duì)速度和靈活性的需求。

值得一提的是，幾乎所有廣泛使用的線性規(guī)劃和混合整數(shù)線性規(guī)劃庫(kù)都是以 Fortran 或 C 或 C++ 原生和編寫的。這是因?yàn)榫€性規(guī)劃需要對(duì)（通常很大）矩陣進(jìn)行計(jì)算密集型工作。此類庫(kù)稱為求解器。Python 工具只是求解器的包裝器。

Python 適合圍繞本機(jī)庫(kù)構(gòu)建包裝器，因?yàn)樗梢院芎玫嘏c C/C++ 配合使用。對(duì)于本教程，您不需要任何 C/C++（或 Fortran），但如果您想了解有關(guān)此酷功能的更多信息，請(qǐng)查看以下資源：

基本上，當(dāng)您定義和求解模型時(shí)，您使用 Python 函數(shù)或方法調(diào)用低級(jí)庫(kù)，該庫(kù)執(zhí)行實(shí)際優(yōu)化工作并將解決方案返回給您的 Python 對(duì)象。

幾個(gè)免費(fèi)的 Python 庫(kù)專門用于與線性或混合整數(shù)線性規(guī)劃求解器交互：

在本教程中，您將使用SciPy和PuLP來(lái)定義和解決線性規(guī)劃問(wèn)題。

在本節(jié)中，您將看到線性規(guī)劃問(wèn)題的兩個(gè)示例：

您將在下一節(jié)中使用 Python 來(lái)解決這兩個(gè)問(wèn)題。

考慮以下線性規(guī)劃問(wèn)題：

你需要找到X和?使得紅色，藍(lán)色和黃色的不平等，以及不平等X 0和? 0，是滿意的。同時(shí)，您的解決方案必須對(duì)應(yīng)于z的最大可能值。

您需要找到的自變量（在本例中為 x 和 y ）稱為 決策變量 。要最大化或最小化的決策變量的函數(shù)（在本例中為 z） 稱為 目標(biāo)函數(shù) 、 成本函數(shù) 或僅稱為 目標(biāo) 。您需要滿足的 不等式 稱為 不等式約束 。您還可以在稱為 等式約束 的約束中使用方程。

這是您如何可視化問(wèn)題的方法：

紅線代表的功能2 X + Y = 20，和它上面的紅色區(qū)域示出了紅色不等式不滿足。同樣，藍(lán)線是函數(shù) 4 x + 5 y = 10，藍(lán)色區(qū)域被禁止，因?yàn)樗`反了藍(lán)色不等式。黃線是 x + 2 y = 2，其下方的黃色區(qū)域是黃色不等式無(wú)效的地方。

如果您忽略紅色、藍(lán)色和黃色區(qū)域，則僅保留灰色區(qū)域?；疑珔^(qū)域的每個(gè)點(diǎn)都滿足所有約束，是問(wèn)題的潛在解決方案。該區(qū)域稱為 可行域 ，其點(diǎn)為 可行解 。在這種情況下，有無(wú)數(shù)可行的解決方案。

您想最大化z。對(duì)應(yīng)于最大z的可行解是 最優(yōu)解 。如果您嘗試最小化目標(biāo)函數(shù)，那么最佳解決方案將對(duì)應(yīng)于其可行的最小值。

請(qǐng)注意，z是線性的。你可以把它想象成一個(gè)三維空間中的平面。這就是為什么最優(yōu)解必須在可行區(qū)域的 頂點(diǎn) 或角上的原因。在這種情況下，最佳解決方案是紅線和藍(lán)線相交的點(diǎn)，稍后您將看到。

有時(shí)，可行區(qū)域的整個(gè)邊緣，甚至整個(gè)區(qū)域，都可以對(duì)應(yīng)相同的z值。在這種情況下，您有許多最佳解決方案。

您現(xiàn)在已準(zhǔn)備好使用綠色顯示的附加等式約束來(lái)擴(kuò)展問(wèn)題：

方程式 x + 5 y = 15，以綠色書寫，是新的。這是一個(gè)等式約束。您可以通過(guò)向上一張圖像添加相應(yīng)的綠線來(lái)將其可視化：

現(xiàn)在的解決方案必須滿足綠色等式，因此可行區(qū)域不再是整個(gè)灰色區(qū)域。它是綠線從與藍(lán)線的交點(diǎn)到與紅線的交點(diǎn)穿過(guò)灰色區(qū)域的部分。后一點(diǎn)是解決方案。

如果插入x的所有值都必須是整數(shù)的要求，那么就會(huì)得到一個(gè)混合整數(shù)線性規(guī)劃問(wèn)題，可行解的集合又會(huì)發(fā)生變化：

您不再有綠線，只有沿線的x值為整數(shù)的點(diǎn)。可行解是灰色背景上的綠點(diǎn)，此時(shí)最優(yōu)解離紅線最近。

這三個(gè)例子說(shuō)明了 可行的線性規(guī)劃問(wèn)題 ，因?yàn)樗鼈兙哂杏薪缈尚袇^(qū)域和有限解。

如果沒(méi)有解，線性規(guī)劃問(wèn)題是 不可行的 。當(dāng)沒(méi)有解決方案可以同時(shí)滿足所有約束時(shí)，通常會(huì)發(fā)生這種情況。

例如，考慮如果添加約束x + y 1會(huì)發(fā)生什么。那么至少有一個(gè)決策變量（x或y）必須是負(fù)數(shù)。這與給定的約束x 0 和y 0相沖突。這樣的系統(tǒng)沒(méi)有可行的解決方案，因此稱為不可行的。

另一個(gè)示例是添加與綠線平行的第二個(gè)等式約束。這兩行沒(méi)有共同點(diǎn)，因此不會(huì)有滿足這兩個(gè)約束的解決方案。

一個(gè)線性規(guī)劃問(wèn)題是 無(wú)界的 ，如果它的可行區(qū)域是無(wú)界，將溶液不是有限。這意味著您的變量中至少有一個(gè)不受約束，可以達(dá)到正無(wú)窮大或負(fù)無(wú)窮大，從而使目標(biāo)也無(wú)限大。

例如，假設(shè)您采用上面的初始問(wèn)題并刪除紅色和黃色約束。從問(wèn)題中刪除約束稱為 放松 問(wèn)題。在這種情況下，x和y不會(huì)在正側(cè)有界。您可以將它們?cè)黾拥秸裏o(wú)窮大，從而產(chǎn)生無(wú)限大的z值。

在前面的部分中，您研究了一個(gè)與任何實(shí)際應(yīng)用程序無(wú)關(guān)的抽象線性規(guī)劃問(wèn)題。在本小節(jié)中，您將找到與制造業(yè)資源分配相關(guān)的更具體和實(shí)用的優(yōu)化問(wèn)題。

假設(shè)一家工廠生產(chǎn)四種不同的產(chǎn)品，第一種產(chǎn)品的日產(chǎn)量為x ?，第二種產(chǎn)品的產(chǎn)量為x 2，依此類推。目標(biāo)是確定每種產(chǎn)品的利潤(rùn)最大化日產(chǎn)量，同時(shí)牢記以下條件：

數(shù)學(xué)模型可以這樣定義：

目標(biāo)函數(shù)（利潤(rùn)）在條件 1 中定義。人力約束遵循條件 2。對(duì)原材料 A 和 B 的約束可以從條件 3 和條件 4 中通過(guò)對(duì)每種產(chǎn)品的原材料需求求和得出。

最后，產(chǎn)品數(shù)量不能為負(fù)，因此所有決策變量必須大于或等于零。

與前面的示例不同，您無(wú)法方便地將其可視化，因?yàn)樗兴膫€(gè)決策變量。但是，無(wú)論問(wèn)題的維度如何，原理都是相同的。

在本教程中，您將使用兩個(gè)Python 包來(lái)解決上述線性規(guī)劃問(wèn)題：

SciPy 設(shè)置起來(lái)很簡(jiǎn)單。安裝后，您將擁有開始所需的一切。它的子包 scipy.optimize 可用于線性和非線性優(yōu)化。

PuLP 允許您選擇求解器并以更自然的方式表述問(wèn)題。PuLP 使用的默認(rèn)求解器是COIN-OR Branch and Cut Solver (CBC)。它連接到用于線性松弛的COIN-OR 線性規(guī)劃求解器 (CLP)和用于切割生成的COIN-OR 切割生成器庫(kù) (CGL)。

另一個(gè)偉大的開源求解器是GNU 線性規(guī)劃工具包 (GLPK)。一些著名且非常強(qiáng)大的商業(yè)和專有解決方案是Gurobi、CPLEX和XPRESS。

除了在定義問(wèn)題時(shí)提供靈活性和運(yùn)行各種求解器的能力外，PuLP 使用起來(lái)不如 Pyomo 或 CVXOPT 等替代方案復(fù)雜，后者需要更多的時(shí)間和精力來(lái)掌握。

要學(xué)習(xí)本教程，您需要安裝 SciPy 和 PuLP。下面的示例使用 SciPy 1.4.1 版和 PuLP 2.1 版。

您可以使用pip以下方法安裝兩者：

您可能需要運(yùn)行pulptest或sudo pulptest啟用 PuLP 的默認(rèn)求解器，尤其是在您使用 Linux 或 Mac 時(shí)：

或者，您可以下載、安裝和使用 GLPK。它是免費(fèi)和開源的，適用于 Windows、MacOS 和 Linux。在本教程的后面部分，您將看到如何將 GLPK（除了 CBC）與 PuLP 一起使用。

在 Windows 上，您可以下載檔案并運(yùn)行安裝文件。

在 MacOS 上，您可以使用 Homebrew：

在 Debian 和 Ubuntu 上，使用apt來(lái)安裝glpk和glpk-utils：

在Fedora，使用dnf具有g(shù)lpk-utils：

您可能還會(huì)發(fā)現(xiàn)conda對(duì)安裝 GLPK 很有用：

安裝完成后，可以查看GLPK的版本：

有關(guān)詳細(xì)信息，請(qǐng)參閱 GLPK 關(guān)于使用Windows 可執(zhí)行文件和Linux 軟件包進(jìn)行安裝的教程。

在本節(jié)中，您將學(xué)習(xí)如何使用 SciPy優(yōu)化和求根庫(kù)進(jìn)行線性規(guī)劃。

要使用 SciPy 定義和解決優(yōu)化問(wèn)題，您需要導(dǎo)入scipy.optimize.linprog()：

現(xiàn)在您已經(jīng)linprog()導(dǎo)入，您可以開始優(yōu)化。

讓我們首先解決上面的線性規(guī)劃問(wèn)題：

linprog()僅解決最小化（而非最大化）問(wèn)題，并且不允許具有大于或等于符號(hào) ( ) 的不等式約束。要解決這些問(wèn)題，您需要在開始優(yōu)化之前修改您的問(wèn)題：

引入這些更改后，您將獲得一個(gè)新系統(tǒng)：

該系統(tǒng)與原始系統(tǒng)等效，并且將具有相同的解決方案。應(yīng)用這些更改的唯一原因是克服 SciPy 與問(wèn)題表述相關(guān)的局限性。

下一步是定義輸入值：

您將上述系統(tǒng)中的值放入適當(dāng)?shù)牧斜?、元組或NumPy 數(shù)組中：

注意：請(qǐng)注意行和列的順序！

約束左側(cè)和右側(cè)的行順序必須相同。每一行代表一個(gè)約束。

來(lái)自目標(biāo)函數(shù)和約束左側(cè)的系數(shù)的順序必須匹配。每列對(duì)應(yīng)一個(gè)決策變量。

下一步是以與系數(shù)相同的順序定義每個(gè)變量的界限。在這種情況下，它們都在零和正無(wú)窮大之間：

此語(yǔ)句是多余的，因?yàn)閘inprog()默認(rèn)情況下采用這些邊界（零到正無(wú)窮大）。

注：相反的float("inf")，你可以使用math.inf，numpy.inf或scipy.inf。

最后，是時(shí)候優(yōu)化和解決您感興趣的問(wèn)題了。你可以這樣做linprog()：

參數(shù)c是指來(lái)自目標(biāo)函數(shù)的系數(shù)。A_ub和b_ub分別與不等式約束左邊和右邊的系數(shù)有關(guān)。同樣，A_eq并b_eq參考等式約束。您可以使用bounds提供決策變量的下限和上限。

您可以使用該參數(shù)method來(lái)定義要使用的線性規(guī)劃方法。有以下三種選擇：

linprog() 返回具有以下屬性的數(shù)據(jù)結(jié)構(gòu)：

您可以分別訪問(wèn)這些值：

這就是您獲得優(yōu)化結(jié)果的方式。您還可以以圖形方式顯示它們：

如前所述，線性規(guī)劃問(wèn)題的最優(yōu)解位于可行區(qū)域的頂點(diǎn)。在這種情況下，可行區(qū)域只是藍(lán)線和紅線之間的綠線部分。最優(yōu)解是代表綠線和紅線交點(diǎn)的綠色方塊。

如果要排除相等（綠色）約束，只需刪除參數(shù)A_eq并b_eq從linprog()調(diào)用中刪除：

解決方案與前一種情況不同。你可以在圖表上看到：

在這個(gè)例子中，最優(yōu)解是紅色和藍(lán)色約束相交的可行（灰色）區(qū)域的紫色頂點(diǎn)。其他頂點(diǎn)，如黃色頂點(diǎn)，具有更高的目標(biāo)函數(shù)值。

您可以使用 SciPy 來(lái)解決前面部分所述的資源分配問(wèn)題：

和前面的例子一樣，你需要從上面的問(wèn)題中提取必要的向量和矩陣，將它們作為參數(shù)傳遞給.linprog()，然后得到結(jié)果：

結(jié)果告訴您最大利潤(rùn)是1900并且對(duì)應(yīng)于x ? = 5 和x ? = 45。在給定條件下生產(chǎn)第二和第四個(gè)產(chǎn)品是沒(méi)有利潤(rùn)的。您可以在這里得出幾個(gè)有趣的結(jié)論：

opt.statusis0和opt.successis True，說(shuō)明優(yōu)化問(wèn)題成功求解，最優(yōu)可行解。

SciPy 的線性規(guī)劃功能主要用于較小的問(wèn)題。對(duì)于更大和更復(fù)雜的問(wèn)題，您可能會(huì)發(fā)現(xiàn)其他庫(kù)更適合，原因如下：

幸運(yùn)的是，Python 生態(tài)系統(tǒng)為線性編程提供了幾種替代解決方案，這些解決方案對(duì)于更大的問(wèn)題非常有用。其中之一是 PuLP，您將在下一節(jié)中看到它的實(shí)際應(yīng)用。

PuLP 具有比 SciPy 更方便的線性編程 API。您不必在數(shù)學(xué)上修改您的問(wèn)題或使用向量和矩陣。一切都更干凈，更不容易出錯(cuò)。

像往常一樣，您首先導(dǎo)入您需要的內(nèi)容：

現(xiàn)在您已經(jīng)導(dǎo)入了 PuLP，您可以解決您的問(wèn)題。

您現(xiàn)在將使用 PuLP 解決此系統(tǒng)：

第一步是初始化一個(gè)實(shí)例LpProblem來(lái)表示你的模型：

您可以使用該sense參數(shù)來(lái)選擇是執(zhí)行最小化（LpMinimize或1，這是默認(rèn)值）還是最大化（LpMaximize或-1）。這個(gè)選擇會(huì)影響你的問(wèn)題的結(jié)果。

一旦有了模型，就可以將決策變量定義為L(zhǎng)pVariable類的實(shí)例：

您需要提供下限，lowBound=0因?yàn)槟J(rèn)值為負(fù)無(wú)窮大。該參數(shù)upBound定義了上限，但您可以在此處省略它，因?yàn)樗J(rèn)為正無(wú)窮大。

可選參數(shù)cat定義決策變量的類別。如果您使用的是連續(xù)變量，則可以使用默認(rèn)值"Continuous"。

您可以使用變量x和y創(chuàng)建表示線性表達(dá)式和約束的其他 PuLP 對(duì)象：

當(dāng)您將決策變量與標(biāo)量相乘或構(gòu)建多個(gè)決策變量的線性組合時(shí)，您會(huì)得到一個(gè)pulp.LpAffineExpression代表線性表達(dá)式的實(shí)例。

注意：您可以增加或減少變量或表達(dá)式，你可以乘他們常數(shù)，因?yàn)榧垵{類實(shí)現(xiàn)一些Python的特殊方法，即模擬數(shù)字類型一樣__add__()，__sub__()和__mul__()。這些方法用于像定制運(yùn)營(yíng)商的行為+，-和*。

類似地，您可以將線性表達(dá)式、變量和標(biāo)量與運(yùn)算符 ==、=以獲取表示模型線性約束的紙漿.LpConstraint實(shí)例。

注：也有可能與豐富的比較方法來(lái)構(gòu)建的約束.__eq__()，.__le__()以及.__ge__()定義了運(yùn)營(yíng)商的行為==，=。

考慮到這一點(diǎn)，下一步是創(chuàng)建約束和目標(biāo)函數(shù)并將它們分配給您的模型。您不需要?jiǎng)?chuàng)建列表或矩陣。只需編寫 Python 表達(dá)式并使用+=運(yùn)算符將它們附加到模型中：

在上面的代碼中，您定義了包含約束及其名稱的元組。LpProblem允許您通過(guò)將約束指定為元組來(lái)向模型添加約束。第一個(gè)元素是一個(gè)LpConstraint實(shí)例。第二個(gè)元素是該約束的可讀名稱。

設(shè)置目標(biāo)函數(shù)非常相似：

或者，您可以使用更短的符號(hào)：

現(xiàn)在您已經(jīng)添加了目標(biāo)函數(shù)并定義了模型。

注意：您可以使用運(yùn)算符將 約束或目標(biāo)附加到模型中，+=因?yàn)樗念怢pProblem實(shí)現(xiàn)了特殊方法.__iadd__()，該方法用于指定 的行為+=。

對(duì)于較大的問(wèn)題，lpSum()與列表或其他序列一起使用通常比重復(fù)+運(yùn)算符更方便。例如，您可以使用以下語(yǔ)句將目標(biāo)函數(shù)添加到模型中：

它產(chǎn)生與前一條語(yǔ)句相同的結(jié)果。

您現(xiàn)在可以看到此模型的完整定義：

模型的字符串表示包含所有相關(guān)數(shù)據(jù)：變量、約束、目標(biāo)及其名稱。

注意：字符串表示是通過(guò)定義特殊方法構(gòu)建的.__repr__()。有關(guān) 的更多詳細(xì)信息.__repr__()，請(qǐng)查看Pythonic OOP 字符串轉(zhuǎn)換：__repr__vs__str__ .

最后，您已準(zhǔn)備好解決問(wèn)題。你可以通過(guò)調(diào)用.solve()你的模型對(duì)象來(lái)做到這一點(diǎn)。如果要使用默認(rèn)求解器 (CBC)，則不需要傳遞任何參數(shù)：

.solve()調(diào)用底層求解器，修改model對(duì)象，并返回解決方案的整數(shù)狀態(tài)，1如果找到了最優(yōu)解。有關(guān)其余狀態(tài)代碼，請(qǐng)參閱LpStatus[]。

你可以得到優(yōu)化結(jié)果作為 的屬性model。該函數(shù)value()和相應(yīng)的方法.value()返回屬性的實(shí)際值：

model.objective持有目標(biāo)函數(shù)model.constraints的值，包含松弛變量的值，以及對(duì)象x和y具有決策變量的最優(yōu)值。model.variables()返回一個(gè)包含決策變量的列表：

如您所見，此列表包含使用 的構(gòu)造函數(shù)創(chuàng)建的確切對(duì)象LpVariable。

結(jié)果與您使用 SciPy 獲得的結(jié)果大致相同。

注意：注意這個(gè)方法.solve()——它會(huì)改變對(duì)象的狀態(tài)，x并且y！

您可以通過(guò)調(diào)用查看使用了哪個(gè)求解器.solver：

輸出通知您求解器是 CBC。您沒(méi)有指定求解器，因此 PuLP 調(diào)用了默認(rèn)求解器。

如果要運(yùn)行不同的求解器，則可以將其指定為 的參數(shù).solve()。例如，如果您想使用 GLPK 并且已經(jīng)安裝了它，那么您可以solver=GLPK(msg=False)在最后一行使用。請(qǐng)記住，您還需要導(dǎo)入它：

現(xiàn)在你已經(jīng)導(dǎo)入了 GLPK，你可以在里面使用它.solve()：

該msg參數(shù)用于顯示來(lái)自求解器的信息。msg=False禁用顯示此信息。如果要包含信息，則只需省略msg或設(shè)置msg=True。

您的模型已定義并求解，因此您可以按照與前一種情況相同的方式檢查結(jié)果：

使用 GLPK 得到的結(jié)果與使用 SciPy 和 CBC 得到的結(jié)果幾乎相同。

一起來(lái)看看這次用的是哪個(gè)求解器：

正如您在上面用突出顯示的語(yǔ)句定義的那樣model.solve(solver=GLPK(msg=False))，求解器是 GLPK。

您還可以使用 PuLP 來(lái)解決混合整數(shù)線性規(guī)劃問(wèn)題。要定義整數(shù)或二進(jìn)制變量，只需傳遞cat="Integer"或cat="Binary"到LpVariable。其他一切都保持不變：

在本例中，您有一個(gè)整數(shù)變量并獲得與之前不同的結(jié)果：

Nowx是一個(gè)整數(shù)，如模型中所指定。（從技術(shù)上講，它保存一個(gè)小數(shù)點(diǎn)后為零的浮點(diǎn)值。）這一事實(shí)改變了整個(gè)解決方案。讓我們?cè)趫D表上展示這一點(diǎn)：

如您所見，最佳解決方案是灰色背景上最右邊的綠點(diǎn)。這是兩者的最大價(jià)值的可行的解決方案x和y，給它的最大目標(biāo)函數(shù)值。

GLPK 也能夠解決此類問(wèn)題。

現(xiàn)在你可以使用 PuLP 來(lái)解決上面的資源分配問(wèn)題：

定義和解決問(wèn)題的方法與前面的示例相同：

在這種情況下，您使用字典 x來(lái)存儲(chǔ)所有決策變量。這種方法很方便，因?yàn)樽值淇梢詫Q策變量的名稱或索引存儲(chǔ)為鍵，將相應(yīng)的LpVariable對(duì)象存儲(chǔ)為值。列表或元組的LpVariable實(shí)例可以是有用的。

上面的代碼產(chǎn)生以下結(jié)果：

如您所見，該解決方案與使用 SciPy 獲得的解決方案一致。最有利可圖的解決方案是每天生產(chǎn)5.0第一件產(chǎn)品和45.0第三件產(chǎn)品。

讓我們把這個(gè)問(wèn)題變得更復(fù)雜和有趣。假設(shè)由于機(jī)器問(wèn)題，工廠無(wú)法同時(shí)生產(chǎn)第一種和第三種產(chǎn)品。在這種情況下，最有利可圖的解決方案是什么？

現(xiàn)在您有另一個(gè)邏輯約束：如果x ? 為正數(shù)，則x ? 必須為零，反之亦然。這是二元決策變量非常有用的地方。您將使用兩個(gè)二元決策變量y ? 和y ?，它們將表示是否生成了第一個(gè)或第三個(gè)產(chǎn)品：

除了突出顯示的行之外，代碼與前面的示例非常相似。以下是差異：

這是解決方案：

事實(shí)證明，最佳方法是排除第一種產(chǎn)品而只生產(chǎn)第三種產(chǎn)品。

就像有許多資源可以幫助您學(xué)習(xí)線性規(guī)劃和混合整數(shù)線性規(guī)劃一樣，還有許多具有 Python 包裝器的求解器可用。這是部分列表：

其中一些庫(kù)，如 Gurobi，包括他們自己的 Python 包裝器。其他人使用外部包裝器。例如，您看到可以使用 PuLP 訪問(wèn) CBC 和 GLPK。

您現(xiàn)在知道什么是線性規(guī)劃以及如何使用 Python 解決線性規(guī)劃問(wèn)題。您還了解到 Python 線性編程庫(kù)只是本機(jī)求解器的包裝器。當(dāng)求解器完成其工作時(shí)，包裝器返回解決方案狀態(tài)、決策變量值、松弛變量、目標(biāo)函數(shù)等。

在python中如何求解函數(shù)在定義域內(nèi)的最大值？如f(x)=-2x^2-8x+3在[-5,5]區(qū)間內(nèi)的最大值

（1）由表中可知f（x）在（0，2]為減函數(shù)，

[2，+∞）為增函數(shù)，并且當(dāng)x=2時(shí)，f（x）min=5．

（2）證明：設(shè)0＜x1＜x2≤2，

因?yàn)閒（x1）-f（x2）=2x1+

8

x1

-3-（2x2+

8

x2

-3）=2（x1-x2）+

8(x2?x1)

x1x2

=

2(x1?x2)(x1x2?4)

x1x2

，

因?yàn)?＜x1＜x2≤2，所以x1-x2＜0，0＜x1x2＜4，即x1x2-4＜0，

所以f（x1）-f（x2）＞0，即f（x1）＞f（x2），所以f（x）在（0，2]為減函數(shù)．

（3）由（2）可證：函數(shù)f（x）=2x+

8

x

-3在區(qū)間（0，2]上單調(diào)遞減，在區(qū)間[2，+∞）上單調(diào)遞增．

則①當(dāng)0＜a＜2時(shí)，（0，a]?（0，2]，所以函數(shù)f（x）=2x+

8

x

-3在區(qū)間（0，a]上單調(diào)遞減，

故f（x）min=f（a）=2a+

8

a

-3．

②當(dāng)a≥2時(shí)，函數(shù)f（x）=2x+

8

x

-3在區(qū)間（0，2]上單調(diào)遞減，[2，a]上單調(diào)遞增，

故f（x）min=f（2）=5．

綜上所述，函數(shù)f（x）=2x+

8

x

-3在區(qū)間（0，a]上的最小值為 g（a）=

2a+

8

a

?3，0＜a＜2

5，a≥2

分享名稱：python約束函數(shù)求解,約束方程求解
標(biāo)題路徑：http://chinadenli.net/article20/hdooco.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站策劃、網(wǎng)站維護(hù)、網(wǎng)站營(yíng)銷、做網(wǎng)站、外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站導(dǎo)航

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)