标签: pulp

我正在尝试使用Python上的PuLP 来解决这个问题http://www.me.utexas.edu/~jensen/ORMM/models/unit/linear/subunits/workforce/.

这是我的代码:

from pulp import *

# Create the 'prob' variable to contain the problem data
prob = LpProblem("The Bus Problem",LpMinimize)

# The variables are created with a lower limit of zero
x0=LpVariable("Number of drivers at time 0",0,None,LpInteger)
x4=LpVariable("Number of drivers at time 4",0)
x8=LpVariable("Number of drivers at time 8",0)
x12=LpVariable("Number of drivers at time 12",0)
x16=LpVariable("Number of drivers at time 16",0)
x20=LpVariable("Number of drivers at time 20",0)

# The objective function is added to 'prob' first …

我必须解决纸浆的整数线性优化问题。我解决了问题，并获得了等于42的优化值。但是，当我编写更通用的代码时，例如在循环内声明变量，在循环内定义约束以及使用lpSum函数定义优化，我没有解决方案。我认为我的问题是定义下一个约束。

for a in itemset_dict.keys():
    for b in itemset_dict[a][0]:
        my_lp_program +=b  >=  a, "2Constraint"

我收到以下警告：

C:\Program Files\Python36\lib\site-packages\pulp\pulp.py:1353: UserWarning: Overwriting previously set objective.
  warnings.warn("Overwriting previously set objective.")
Status: Optimal
Total Optimum= None
__dummy = None
products_beer = 0.0
products_cheese = 0.0
products_cola = 0.0
products_peanuts = 0.0
The thread 'MainThread' (0xb30) has exited with code 0 (0x0).
The program '[10140] python.exe' has exited with code 0 (0x0).

谢谢。

      from pulp import *

# defining list of products
products = ['cola','peanuts', 'cheese', …

我已经在Python中构建了一个非常复杂的MIP PuLP。显然对我来说有点复杂。当我运行它时，它发出以下警告：

用户警告：覆盖先前设置的目标。warnings.warn（“覆盖先前设置的目标。”）

该问题进行了一些计算，但未达到预期的解决方案。

该LpStatus[prob.status]收益Optimal

该prob.objective收益None

当我prob.variables()用

for v in prob.variables():
    print(v.name, "=", v.varValue)

我__dummy = None介于其他变量之间。

谁能解释__dummy = None在这种情况下的含义？我在哪里可以找到解决方案？我非常确定我只有一个目标函数。

我想用库 Pulpe（或任何其他库）解决 Python 中的 LP 问题。

我想表达一个约束，说明我的所有变量必须具有不同的值，（对于给定的整数 N，它们的域是 {0, 1, 2, 3... N}。）即x_1 != x_2 != x_3 ... != x_N.

当我没有添加与我上面提到的内容相关的任何约束时，求解器会给我一个解决方案，但是当我这样做时，它告诉我该系统即使有一个解决方案也不可行。

为了添加“所有不同”约束，我执行了以下操作：

for x_i in variables:
    for x_j in variables:
        if the following constraint has not been already added and x_i != x_j:
            my_problem += x_i - x_j >= 1, "unique name for the constraint"

之前的代码不起作用。当我想添加约束时x_i != x_j，它不起作用。因此，当我使用一组有界整数时，我可以（我认为）将“不等于”重写为 x_i - x_j > 0。Pulpe 告诉我它不处理 ">" 运算符之间int，LpAffineExpression所以我写了x_i - x_j >= 1. …

我想优化以下代码，但我收到如下错误，涉及约束中的第四行（我认为）。任何帮助将不胜感激，谢谢：

 model += A[i] == min(P[i], C[i])\n    TypeError: \'<\' not supported between instances of \'int\' and \'LpVariable\'\n\n    P0 = [[1,0,4],[2,0,3],[4,6,2],[5,2,1],[1,0,0]]\nx = [2,3,0]\nxMax = [14,12,13]\nC = [122, 99,  158, 37, 44]\n\n\n# Instantiate our problem class\nmodel = pulp.LpProblem("Clem", pulp.LpMaximize)\n\n# Construct our decision variable lists\nx = pulp.LpVariable.dicts(\'pInstal\', (i for i in range(3)), lowBound = 0, cat = \'Continuous\')\ntx = pulp.LpVariable(\'tauxAutoconso\', 0)\nfor i in range(5):\nP = pulp.LpVariable.dicts(\'vectProduction\',(i for i in range(5)), lowBound = 0, cat = \'Continuous\')\nA = pulp.LpVariable.dicts(\'vectAutoConso\',(i for i in range(5)), …

解决线性规划问题后，我得到的状态代码为 -1。

status = problem.solve()
# status == -1

根据我的研究，-1 根本就不是一个可能的状态代码。向问题添加约束/变量时没有错误。我知道这个问题是可以解决的，因为我已经在其他地方解决了它（代码是垃圾，所以我正在重写它）。我尝试重新安装纸浆，但没有成功，而且我不知道如何开始解决此问题。为什么我会得到这个状态？

我是 PuLP 的新手，正在尝试将标准差编程为优化问题中的目标函数。我已阅读此答案，尽管我知道它是相关的，但无法将其应用于我的具体情况。

我正在尝试解决以下优化问题：最大化一组 3 个决策变量的标准差，其相关权重向量为 [0.25、0.40 和 0.35]。我的限制是每个决策变量的范围应在 0.5 到 2.0 之间。（这是一个简化的示例；实际上，我将拥有更大的决策变量集和更大的相应权重向量）。

到目前为止，我的代码如下：

from pulp import LpMaximize, LpProblem, LpVariable

# Create the model
model = LpProblem(name="max_stdev", sense=LpMaximize)

# Define the decision variables
x = {i: LpVariable(name=f"x{i}", lowBound=0.5, upBound=2.0) for i in range(3)}

# Add the constraints to the model
model += (0.25*x[0] + 0.40*x[1] + 0.35*x[2] == 1, "weight_constraint")

# Add the objective function to the model, which should be the standard deviation of the x vector …

我想知道我是否可以在PuLP 中创建一个多目标函数，通过这样做我可以在PuLP 中创建一个 Min Z = max(a,b,c)，但是在使用此代码时

    ilp_prob = pulp.LpProblem("Miniimize Problem", pulp.LpMinimize)
    x = []
    if m >3:
        return 1,1
    for i in range(m):
        temp = []
        for j in range(len(jobs)):
            temp += [pulp.LpVariable("x_%s_%s" %((i+1),(j+1)),0,1, cat = 'Binary')]
        x+= [temp]
    ilp_prob += max([pulp.lpSum([jobs[j]*x[i][j] for j in range(len(jobs))] for i in range(m))])
    for i in range(len(jobs)):
         ilp_prob += pulp.lpSum([x[j][i] for j in range(m)])==1 
    ilp_prob.solve()

它只返回 x[0] 中的所有 1，以及 x[0] 中的所有 0。

我目前使用 Excel 中的 Solver 来寻找制造的最佳解决方案。这是当前的设置：

它涉及在旋转机器上制造鞋子，也就是说，生产是分批重复进行的。例如，一批为“10x A1”（参见表中的 A1），这将产生 10x 尺寸 36、20x 尺寸 37...10x 尺寸 41。

有一些前缀设置；A1、A2；R7...如上表所示。

然后是一个requested变量（或者更确切地说是一个变量列表），它基本上说明了客户的要求，每个尺寸的数量。

目标函数是找到一组重复，使其尽可能匹配请求的数量。因此，在解算器中（抱歉，没有英文屏幕截图），您可以看到目标是N21（即每个大小的绝对差之和）。变量是N2:N9- 这是每次设置的重复次数，唯一的限制是它N2:N9是一个整数。

我如何用 python 模拟这种行为？我的开始：

from collections import namedtuple

from pulp import *


class Setup(namedtuple('IAmReallyLazy', 'name ' + ' '.join(f's{s}' for s in range(36, 47)))):
    # inits with name and sizes 's36', 's37'... 's46'
    repetitions = 0


setups = [
    Setup('A1', 1, 2, 3, 3, 2, 1, 0, 0, 0, 0, 0),
    Setup('A2', …

目前这是我第一次在 python 中使用 PuLP 库。深入研究这个库的目的是用Python制作一个梦幻足球解算器。我已经成功制作了求解器，但不知道如何添加我需要的一些约束。

我有一个 400 名球员的 Excel 表格以及我如何预测他们的比赛方式，并且我想在给定特定限制的情况下找到 9 名球员的最佳组合。Excel 表包含球员姓名、球员投射、球队球员在场、对手球员面对以及位置。下面是 panda 数据框的头部的样子。

              Name  Projection Position Team  Salary Opponent
0             Jets    3.528576      DST  NYJ    2000      IND
1           Texans    7.936528      DST  HOU    2100      PIT
2         Panthers    4.219883      DST  CAR    2200      LAC
3          Raiders    0.904948      DST  LVR    2300       NE

我成功完成的约束条件是：限制最多选择9名球员，QB位置仅1人，WR位置3-4人，TE位置1-2人，DST位置1人，RB位置2-3人。

raw_data = pd.read_csv(file_name,engine="python",index_col=False, header=0, delimiter=",", quoting = 3)

#create new columns that has binary numbers if player == a specific position
raw_data["RB"] = (raw_data["Position"] == 'RB').astype(float)
raw_data["WR"] = (raw_data["Position"] == …

我是优化问题的新手，正在研究一个简单的最大化问题，我可以在 Excel 中非常简单地解决这个问题。但是，我需要在 Python 中扩展它并需要一些帮助。

我有一份不同食物的菜单，我需要最大限度地提高我的能量输出。例子：

鉴于以下限制，我需要最大化能量（e）：

1. 每个 Macros(m) 只能消耗 1 个食物项目 (i)。所以我需要一个指示变量 (0/1) 来从 m - 蛋白质、脂肪和碳水化合物中的每一个中只选择 1 个。
2. 卡路里总数 (c) 不应超过一个恒定值假设每个项目有 1 份（对此没有限制）

问题表述：

变量： X (m,i) ? 二元变量 = {1 ，如果宏 m 和项目 i 被选择，0 否则}

最大化 …