锐客网

  1. 首页 > 睿知 > it技术 > >

python的线性函数吗 python求线性方程组( 五 )

IT技术变量


您可以使用变量x和y创建表示线性表达式和约束的其他 PuLP 对象：
当您将决策变量与标量相乘或构建多个决策变量的线性组合时，您会得到一个pulp.LpAffineExpression代表线性表达式的实例 。
注意：您可以增加或减少变量或表达式，你可以乘他们常数，因为纸浆类实现一些Python的特殊方法 ， 即模拟数字类型一样__add__() ， __sub__()和__mul__() 。这些方法用于像定制运营商的行为+，-和* 。
类似地，您可以将线性表达式、变量和标量与运算符 ==、=以获取表示模型线性约束的纸浆.LpConstraint实例 。
注：也有可能与丰富的比较方法来构建的约束.__eq__()，.__le__()以及.__ge__()定义了运营商的行为==，= 。
考虑到这一点，下一步是创建约束和目标函数并将它们分配给您的模型 。您不需要创建列表或矩阵 。只需编写 Python 表达式并使用+=运算符将它们附加到模型中：
在上面的代码中，您定义了包含约束及其名称的元组 。LpProblem允许您通过将约束指定为元组来向模型添加约束 。第一个元素是一个LpConstraint实例 。第二个元素是该约束的可读名称 。
设置目标函数非常相似：
或者，您可以使用更短的符号：
现在您已经添加了目标函数并定义了模型 。
注意：您可以使用运算符将 约束或目标附加到模型中，+=因为它的类LpProblem实现了特殊方法.__iadd__()，该方法用于指定 的行为+= 。
对于较大的问题，lpSum()与列表或其他序列一起使用通常比重复+运算符更方便 。例如，您可以使用以下语句将目标函数添加到模型中：
它产生与前一条语句相同的结果 。
您现在可以看到此模型的完整定义：
模型的字符串表示包含所有相关数据：变量、约束、目标及其名称 。
注意：字符串表示是通过定义特殊方法构建的.__repr__() 。有关 的更多详细信息.__repr__()，请查看Pythonic OOP 字符串转换：__repr__vs__str__ .
最后，您已准备好解决问题 。你可以通过调用.solve()你的模型对象来做到这一点 。如果要使用默认求解器 (CBC)，则不需要传递任何参数：
.solve()调用底层求解器，修改model对象，并返回解决方案的整数状态，1如果找到了最优解 。有关其余状态代码 ， 请参阅LpStatus[] 。
你可以得到优化结果作为 的属性model 。该函数value()和相应的方法.value()返回属性的实际值：
model.objective持有目标函数model.constraints的值 ， 包含松弛变量的值，以及对象x和y具有决策变量的最优值 。model.variables()返回一个包含决策变量的列表：
如您所见 ， 此列表包含使用 的构造函数创建的确切对象LpVariable 。
结果与您使用 SciPy 获得的结果大致相同 。
注意：注意这个方法.solve()——它会改变对象的状态，x并且y！
您可以通过调用查看使用了哪个求解器.solver：
输出通知您求解器是 CBC 。您没有指定求解器，因此 PuLP 调用了默认求解器 。
如果要运行不同的求解器，则可以将其指定为 的参数.solve() 。例如，如果您想使用 GLPK 并且已经安装了它，那么您可以solver=GLPK(msg=False)在最后一行使用 。请记住 ， 您还需要导入它：
现在你已经导入了 GLPK，你可以在里面使用它.solve()：
该msg参数用于显示来自求解器的信息 。msg=False禁用显示此信息 。如果要包含信息，则只需省略msg或设置msg=True 。
您的模型已定义并求解，因此您可以按照与前一种情况相同的方式检查结果：
使用 GLPK 得到的结果与使用 SciPy 和 CBC 得到的结果几乎相同 。
一起来看看这次用的是哪个求解器：

推荐阅读


上一篇：有什么cpu是vga接口，vga接口什么样的

下一篇：公众号加入我们怎么做，公众号加入我们怎么写