时间戳

首页 > 解决方案 > 纸浆：卡在目标函数定义上

python - 纸浆：卡在目标函数定义上

问题描述

我是 PuLP 的第一次用户，而我最后一次进行线性编程时，Python 并不存在。我可以使用 LibreOffice 的 Solve 扩展（LP）解决这个问题

但我需要用代码来做。

我想优化一个选股问题。我们需要挑选一定数量的螺钉，比如 98 个。螺钉以 25 和 100 包的形式包装。我将这些包装尺寸命名为“25”和“100”。选择的成本需要最小化。挑选每包是有成本的，挑选的多余数量也有成本。约束是选择的数量 >= target_qty

例如，如果每个超出部分的成本是 0.1，挑选“25”包装的成本是 1，包装“100”包装的成本是 1.1。那么，挑选 1 x 100 包装的成本是

(100 - 98) *.1 + 0*1 + 1*1.1

这比挑选 4*'25' 包便宜。

假设有两个字典 pack_cost{} 和 pack_capacity{} 都具有密钥 pack_name，例如pack_cost = {'25':1,'100':1.1}，因此list_of_pack_names = ['25','100']

我试试这个：

lp_prob = pulp.LpProblem('PackSizes', pulp.LpMinimize)
packs_used = pulp.LpVariable.dicts("Packs",list_of_pack_names,lowBound=0,cat="Integer")
pack_cost = [pack_costs[pack_name]*packs_used[pack_name] for pack_name in list_of_pack_names]
excess_cost = cost_per_unit * ( sum([pack_sizes[pack_name]*packs_used[pack_name] for pack_name in list_of_pack_names])- original_qty)

lp_prob += pulp.lpSum(pack_cost) + pulp.lpSum(excess_cost)  #objective function

# and constraint: total picked >= needed
lp_prob +=   pulp.lpSum(sum([pack_sizes[pack_name]*packs_used[pack_name] for pack_name in list_of_pack_names]) >= target_qty)

结果：

 print("Status:",pulp.LpStatus[lp_prob.status])

显示最佳

lp_prob.objective是10*Packs_10 + 15*Packs_15 + 30*Packs_30 - 16.5

但解决方案是每个包装尺寸为 0

标签： pythonpulp

解决方案

你可以检查你的问题

print(lp_prob)

您不会添加任何防止所有变量变为零的基本约束。可能，您在约束语句中打印错误。这个约束使问题变得不简单（检查括号）：

lp_prob += pulp.lpSum(sum([pack_sizes[pack_name]*packs_used[pack_name] for pack_name in list_of_pack_names])) >= target_qty

推荐阅读