当前位置：首页 > article >正文

数学建模中的10大经典模型及其实际应用：从入门到精通！（一）线性规划模型

article 2024/11/29 16:51:53

线性规划（Linear Programming, LP）是数学建模中最基础、最经典的模型之一。它通过优化一个线性目标函数，在若干线性约束条件下求解最佳方案。无论是资源分配、物流调度，还是生产计划，线性规划都是建模人的“必修课”。今天，我们从数学原理、公式推导、代码实现到可视化展示，全面解析线性规划模型！

一、数学原理与公式

线性规划的定义

线性规划模型通常由以下三部分组成：

实际问题示例

假设我们有一个资源分配问题：

一家工厂生产两种产品 AA 和 BB，每种产品的单位利润分别是 40 和 30。
产品 A 和 B 需要两种资源 R1和 R2R2，每单位资源的需求如下：产品A: R1=2,R2=1产品B: R1=1,R2=2产品A: R1=2,R2=1产品B: R1=1,R2=2
可用资源数量：R1=40，R2=50。

目标：让总利润最大化。
数学模型：

二、代码实现与求解

我们使用 Python 的 PuLP 库来求解上述线性规划问题。

from pulp import LpMaximize, LpProblem, LpVariable, lpSum, LpStatus# 定义问题model = LpProblem(name="resource-allocation", sense=LpMaximize)# 定义决策变量x1 = LpVariable(name="x1", lowBound=0)x2 = LpVariable(name="x2", lowBound=0)# 定义目标函数model += 40 * x1 + 30 * x2, "Total Profit"# 定义约束条件model += (2 * x1 + x2 <= 40, "Resource_R1")model += (x1 + 2 * x2 <= 50, "Resource_R2")# 求解问题status = model.solve()# 输出结果print(f"Status: {LpStatus[model.status]}")  # 使用 LpStatus 来访问状态print(f"Optimal Solution: x1 = {x1.value()}, x2 = {x2.value()}")print(f"Maximum Profit: {model.objective.value()}")

运行结果：

Status: Optimal
Optimal Solution: x1 = 10.0, x2 = 20.0
Maximum Profit: 1000.0

三、结果可视化

我们可以用 Matplotlib 绘制约束条件及最优解的图示，帮助直观理解。

import matplotlib.pyplot as pltimport numpy as np# 约束直线x = np.linspace(0, 30, 400)r1 = (40 - 2 * x)  # 约束1r2 = (50 - x) / 2  # 约束2# 绘图plt.figure(figsize=(8, 6))plt.plot(x, r1, label="2x1 + x2 ≤ 40", color='blue')plt.plot(x, r2, label="x1 + 2x2 ≤ 50", color='green')# 填充可行区域plt.fill_between(x, 0, np.minimum(r1, r2), where=(np.minimum(r1, r2) >= 0), color='gray', alpha=0.3)# 标注最优解plt.scatter(15, 17.5, color='red', label='Optimal Solution (x1=15, x2=17.5)', zorder=5)plt.text(15, 17.5, "  (15, 17.5)", color='red', fontsize=10)# 图例与标题plt.title("Linear Programming: Feasible Region and Optimal Solution")plt.xlabel("x1")plt.ylabel("x2")plt.axhline(0, color='black', linewidth=0.5, linestyle="--")plt.axvline(0, color='black', linewidth=0.5, linestyle="--")plt.legend()plt.grid(alpha=0.3)plt.show()