python中求解线性规划的包是什么

这篇文章主要介绍python中求解线性规划的包是什么，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

说明

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。

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。

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

以上是“python中求解线性规划的包是什么”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注编程网行业资讯频道！