一、学习内容
线性规划模型构建的步骤与技巧
线性规划（Linear Programming, LP）模型构建是运筹学中的核心内容，通常用于求解资源的最优分配问题。要从实际问题中提取出一个线性规划模型，需要按照以下步骤进行：
-
问题描述与分析： 首先，明确问题的实际背景，并识别问题的关键要素，如目标、限制条件和可控变量。
-
定义决策变量： 决策变量是影响目标函数值的变量。要明确哪些量是可以调整的，并将其设为变量。
-
构建目标函数： 目标函数是需要最大化或最小化的量，通常是与经济效益、成本、效率等相关的指标。目标函数应该是一个关于决策变量的线性表达式。
-
构建约束条件： 实际问题中的限制条件通常来源于资源的有限性、生产能力、市场需求等。这些条件通常以不等式或等式的形式表示，并且是线性的。
-
确定变量的非负性或其他约束： 决策变量通常有一些范围限制，如生产数量不能为负数。
二、实战案例：生产计划中的线性规划
2.1 问题描述
一家工厂生产两种产品：产品 A和产品 B。每种产品的利润、生产时间以及材料需求如下表所示：
| 产品 | 每单位利润（元） | 每单位所需生产时间（小时） | 每单位材料需求（单位） |
|---|---|---|---|
| A | 50 | 4 | 3 |
| B | 40 | 3 | 2 |
公司每天最多可提供 240 小时的生产时间和 180 单位的原材料。公司希望最大化利润，决定每天生产多少单位的产品 A 和产品 B。
2.2 构建线性规划模型
-
定义决策变量：
：每天生产的产品 A 的数量。
：每天生产的产品 B 的数量。
-
构建目标函数： 目标是最大化利润。利润来自生产 A 和 B，每单位 A 的利润为 50 元，每单位 B 的利润为 40 元。因此，目标函数为：
其中， Z 表示总利润。
-
构建约束条件：
- 生产时间限制：每单位 A 需要 4 小时，每单位 B需要 3 小时。总生产时间不能超过 240 小时，因此：
- 材料限制：每单位 A需要 3 单位原材料，每单位 B 需要 2 单位原材料。总材料消耗不能超过 180 单位，因此：
- 非负性约束：生产数量不能为负数：
2.3 Python 实现
我们将使用 scipy.optimize.linprog 函数求解这个线性规划问题。
python">import numpy as np
from scipy.optimize import linprog# 目标函数系数 (将最大化问题转为最小化，通过乘 -1)
c = [-50, -40] # 每单位产品A和产品B的利润# 约束条件系数矩阵 (左边部分)
A = [[4, 3], # 生产时间约束[3, 2] # 材料需求约束
]# 约束条件右侧常数项
b = [240, 180] # 最大生产时间和最大材料使用量# 变量的边界（非负性约束）
x_bounds = [(0, None), (0, None)] # x1 和 x2 均为非负数# 求解线性规划问题
result = linprog(c, A_ub=A, b_ub=b, bounds=x_bounds, method='highs')# 输出结果
if result.success:print("优化成功！")print(f"每天生产产品 A 的数量：{result.x[0]:.2f}")print(f"每天生产产品 B 的数量：{result.x[1]:.2f}")print(f"最大每日利润：{-result.fun:.2f} 元")
else:print("优化失败。")
2.4 代码解释
-
目标函数：
- 我们需要最大化目标函数
。在
scipy.optimize.linprog中只能处理最小化问题，因此我们将目标函数的系数乘以 -1，使得最大化问题转为最小化问题。
- 我们需要最大化目标函数
-
约束条件：
A_ub表示不等式约束的系数矩阵，其中每一行代表一个约束条件。b_ub表示不等式约束右边的常数值。x_bounds限制变量
-
求解方法：
method='highs'是一种稳定且高效的线性规划求解方法。
2.5 运行结果分析
运行代码后，系统会输出每天生产产品 A 和 B 的最优数量，以及最大化的利润。运行结果（示例）
python">优化成功！
每天生产产品 A 的数量：30.00
每天生产产品 B 的数量：40.00
最大每日利润：3700.00 元
分析结果：
- 最优生产方案是每天生产 30 单位的产品 A和 40 单位的产品 B。
- 此时的最大利润为 3700 元。
- 这个结果满足生产时间和材料的限制，既没有超出资源限制，也能实现利润最大化。
三、总结
通过这个案例，我们展示了如何从实际问题中提取线性规划模型。构建模型时，需要明确决策变量、目标函数以及约束条件。该模型求解问题清晰，并且可以通过 Python 实现自动化求解，能够有效地帮助决策者优化资源配置并实现目标（如最大化利润或最小化成本）。
