【pulp库】混合问题

news2024/9/19 19:19:15

问题描述

image

Whiskas 猫粮由 Uncle Ben’s 生产。 本叔叔希望尽可能便宜地生产他们的猫粮产品，同时确保它们符合规定的营养分析要求显示在罐头上。因此，他们希望改变每个的数量 使用的成分（主要成分是鸡肉、牛肉、羊肉、 大米、小麦和凝胶），同时仍符合其营养标准。

image

鸡肉、牛肉和羊肉的成本为 0.013 美元、0.008 美元和0.010 美元，而大米、小麦和凝胶的成本为 分别为 0.002 美元、0.005 美元和 0.001 美元。（所有费用均为每克，忽略维生素和矿物质成分，这些成本可能非常小）

每种成分都有助于蛋白质、脂肪、 最终产品中的纤维和盐。每份贡献（以克为单位） 下表给出了成分的克数。

东西蛋白脂肪纤维盐
鸡0.1000.0800.0010.002
牛肉0.2000.1000.0050.005
羊肉0.1500.1100.0030.007
米0.0000.0100.1000.002
麦麸0.0400.0100.1500.008
凝胶0.0000.0000.0000.000

简化配方

首先，我们将考虑一个简化的问题来构建一个简单的 Python 模型。

识别决策变量

假设 Whiskas 只想用两种成分制作他们的猫粮： 鸡肉和牛肉。我们将首先定义我们的决策变量：

x 1 =  猫粮中鸡肉的占比 x 2 =  猫粮中牛肉的占比 \begin{split}x_1 &= \text{ 猫粮中鸡肉的占比}\\ x_2 &= \text{ 猫粮中牛肉的占比}\end{split} x1​x2​​= 猫粮中鸡肉的占比= 猫粮中牛肉的占比​

必须注意这些变量的限制（大于零），但 对于 Python 实现，它们不会单独输入或列出，也不会与其他约束一起输入或列出。

制定目标函数

要求成本最低

目标函数为：   min   0.013 x 1 + 0.008 x 2 \textbf{ min } 0.013 x_1 + 0.008 x_2  min 0.013x1​+0.008x2​

制约因素

变量的约束条件是它们的总和必须为 100，并且满足营养需求：

1.000 x 1 + 1.000 x 2 = 100.0 0.100 x 1 + 0.200 x 2 ≥ 8.0 0.080 x 1 + 0.100 x 2 ≥ 6.0 0.001 x 1 + 0.005 x 2 ≤ 2.0 0.002 x 1 + 0.005 x 2 ≤ 0.4 \begin{split}1.000 x_1 + 1.000 x_2 &= 100.0\\ 0.100 x_1 + 0.200 x_2 &\ge 8.0\\ 0.080 x_1 + 0.100 x_2 &\ge 6.0\\ 0.001 x_1 + 0.005 x_2 &\le 2.0\\ 0.002 x_1 + 0.005 x_2 &\le 0.4\\\end{split} 1.000x1​+1.000x2​0.100x1​+0.200x2​0.080x1​+0.100x2​0.001x1​+0.005x2​0.002x1​+0.005x2​​=100.0≥8.0≥6.0≤2.0≤0.4​

简化问题的解决方案

为了获得这个线性规划的解，我们可以写一个简短的 在 Python 中编程来调用 PuLP 的建模函数，然后 调用求解器。这将逐步解释如何编写此 Python 程序。建议您自己重复练习。代码 对于此示例，可以在WhiskasModel1.py

导入pulp库

导入 PuLP 的函数以在代码中使用：

# Import PuLP modeler functions
from pulp import *
创建问题变量

使用该函数创建一个名为prob（虽然它的名字并不重要）的变量。它有两个参数，第一个参数是此问题的任意名称（作为字符串），第二个参数取决于您要解决的 LP 类型：LpMinimize（求最小值） 或 LpMaximize（求最大值）

# 创建'prob' 变量包含该问题数据
prob = LpProblem("The Whiskas Problem", LpMinimize)
创建决策变量

决策变量是使用类创建的。

example表示decision variable name，决策变量名，
lowBound和upBound:下界和上界， 默认分别是负无穷到正无穷,
参数 cat 用来设定变量类型，可选参数值：
‘Continuous’ 表示连续变量（默认值）、
‘Integer ’ 表示离散变量（用于整数规划问题）、
‘Binary ’ 表示0/1变量（用于0/1规划问题）

如果输入了前几个参数，其余的参数 被忽略（如图所示），它们采用其默认值。但是，如果您希望指定第三个参数，但您希望第二个参数是 默认值，您需要专门将第二个参数设置为默认值。即您不能将参数条目留空。 例如：

LpVariable("example", None, 100)

或：

LpVariable("example", upBound = 100)

要显式创建此问题所需的两个决策变量，请执行以下操作：

# 牛肉和鸡肉的两个变量的下限设为0
x1 = LpVariable("鸡肉占比", 0, None, LpInteger)
x2 = LpVariable("牛肉占比", 0)
目标函数

决策变量现在开始与问题变量一起收集问题数据。

首先通过prob+=输入目标函数，其中语句末尾的重要逗号和短字符串解释这个目标函数是什么：

# 这个目标函数先加到'prob'
prob += 0.013 * x1 + 0.008 * x2, "每个罐头的总花费"
约束条件

现在输入约束条件（注意：在定义变量时已经包含了任何“非负数”的约束条件）。再次使用 ‘+=’ 运算符完成，因为我们要向变量添加更多数据。在此之后逻辑上输入约束，并使用约束方程末尾的逗号和短字符串解释该约束的原因：

# 这五个约束条件已输入
prob += x1 + x2 == 100, "总克数"
prob += 0.100 * x1 + 0.200 * x2 >= 8.0, "蛋白质需求"
prob += 0.080 * x1 + 0.100 * x2 >= 6.0, "脂肪需求"
prob += 0.001 * x1 + 0.005 * x2 <= 2.0, "纤维需求"
prob += 0.002 * x1 + 0.005 * x2 <= 0.4, "盐需求"
写入

现在输入了所有问题数据，函数可用于将此信息复制到 .lp 文件中，并放入目录中。代码成功运行后，可以使用文本编辑器打开这个.lp文件。

# 问题数据被写入一个 .lp 文件文件
prob.writeLP("WhiskasModel.lp")
求解

使用 PuLP 选择的求解器求解 LP。输入 在这种情况下，后面的括号留空，但它们可以是用于指定要使用的求解器（例如）：prob.solve(CPLEX())

# 这个问题是使用 PuLP 选择的求解器来解决的
prob.solve()
状态

我们请求解决方案的状态，可以是 “未解决”、“不可行”、“无界”、“未定义”或“最佳”。状态的值以整数形式返回，必须使用字典转换成对其重要文本的含义。由于是 dictionary（），因此其输入必须放在方括号中：

# 该解决方案的状态被打印到屏幕上 
print("Status:", LpStatus[prob.status])
打印结果

现在可以打印变量及其解析的最优值到屏幕。

# 每个变量都打印出其解析出的最优值
for v in prob.variables():
    print(v.name, "=", v.varValue)

循环遍历所有问题变量名称（在本例中为x1和x2 ）。然后，它打印每个变量名称，后跟一个 等号，后跟其最佳值。 并且是对象的属性。

优化的目标函数值被打印到屏幕上， 使用 value 函数。这确保了数字以正确的格式打印：

# 优化的目标函数值被打印到屏幕上
print("Total Cost of Ingredients per can = ", value(prob.objective))

然后，运行此文件应生成输出以显示 鸡肉占33.33%，牛肉占66.67%，鸡肉占66.67%。 每罐原料的总成本为 96 美分。

状态 Optimal
x1 = 34.0
x2 = 66.0
总花费 =  0.97

最终代码

from pulp import *
#创建问题变量prob
prob = LpProblem("混合问题",LpMinimize)
#创建决策变量
x1=LpVariable('x1',0,100,LpInteger)
x2=LpVariable('x2',0,100,LpInteger)
#定义目标函数
prob+=0.013*x1+0.008*x2
#定义约束条件
prob += x1 + x2 == 100, "总克数"
prob += 0.100 * x1 + 0.200 * x2 >= 8.0, "蛋白质需求"
prob += 0.080 * x1 + 0.100 * x2 >= 6.0, "脂肪需求"
prob += 0.001 * x1 + 0.005 * x2 <= 2.0, "纤维需求"
prob += 0.002 * x1 + 0.005 * x2 <= 0.4, "盐需求"
#求解
prob.solve()
print("状态", LpStatus[prob.status])
# 每个变量都打印出其解析出的最优值
for v in prob.variables():
    print(v.name, "=", v.varValue)
# 打印目标函数的最优值
print("总花费 = ", value(prob.objective))

全配方

现在我们将用所有变量。虽然它可以用 Python 实现，除了上面的方法之外，我们将研究一种更好的方法，这种方法不会过多地混合问题数据和公式表述。这将可以更轻松地为其他测试更改任何问题数据。我们将以同样的方式通过代数定义问题：

  1. 识别决策变量
    对于 Whiskas 猫粮问题，决策变量是我们在罐头中包含的不同成分。 由于罐头是 100 克，因此这些百分比也代表了每种成分包含的克数。 我们必须正式定义我们的决策变量，确保说明我们正在使用的单位。
    请注意，这些百分比必须介于 0 和 100 之间。

    x 1 = 一罐猫粮中鸡肉占比 x 2 = 一罐猫粮中牛肉占比 x 3 = 一罐猫粮中羊肉占比 x 4 = 一罐猫粮中米占比 x 5 = 一罐猫粮中小麦占比 x 6 = 一罐猫粮中凝胶占比 \begin{split}x_1 &= \text{一罐猫粮中鸡肉占比}\\ x_2 &= \text{一罐猫粮中牛肉占比}\\ x_3 &= \text{一罐猫粮中羊肉占比}\\ x_4 &= \text{一罐猫粮中米占比}\\ x_5 &= \text{一罐猫粮中小麦占比}\\ x_6 &= \text{一罐猫粮中凝胶占比}\end{split} x1​x2​x3​x4​x5​x6​​=一罐猫粮中鸡肉占比=一罐猫粮中牛肉占比=一罐猫粮中羊肉占比=一罐猫粮中米占比=一罐猫粮中小麦占比=一罐猫粮中凝胶占比​

  2. 制定目标函数
    对于 Whiskas 猫粮问题，目标是将总成本降至最低，每罐猫粮的成分。 我们知道每种成分的每克成本。我们决定每个的百分比 罐头中的成分，所以我们必须除以 100 再乘以 G中的罐头。这将为我们提供每个的重量（以 g 为单位） 成分：

    min ⁡ 0.013 x 1 + 0.008 x 2 + 0.010 x 3 + 0.002 x 4 + 0.005 x 5 + 0.001 x 6 \min 0.013 x_1 + 0.008 x_2 + 0.010 x_3 + 0.002 x_4 + 0.005 x_5 + 0.001 x_6 min0.013x1​+0.008x2​+0.010x3​+0.002x4​+0.005x5​+0.001x6​

  3. 制定约束条件 威士忌猫粮问题的制约因素是：

    1. 百分比的总和必须构成整个罐头 （= 100%）。

      x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 100 x_1 + x_2 + x_3 + x_4 + x_5 +x _6 = 100 x1​+x2​+x3​+x4​+x5​+x6​=100

    2. 符合规定的营养分析要求。“整罐”的约束是：为了满足营养分析要求，我们需要具备 每 100 克至少含 8 克蛋白质，6 克脂肪，但不超过 2 克纤维 和 0.4 克盐。为了制定这些约束，我们利用每种成分的贡献表。这允许我们对来自成分的蛋白质、脂肪、纤维和盐的总贡献制定以下限制条件：

      0.100 x 1 + 0.200 x 2 + 0.150 x 3 + 0.000 x 4 + 0.040 x 5 + 0.0 x 6 0 ≥ 8.0 0.080 x 1 + 0.100 x 2 + 0.110 x 3 + 0.010 x 4 + 0.010 x 5 0 + 0.0 x 6 ≥ 6.0 0.001 x 1 + 0.005 x 2 + 0.003 x 3 + 0.100 x 4 0 + 0.150 x 5 + 0.0 x 6 ≤ 2.0 0.002 x 1 + 0.005 x 2 + 0.007 x 3 0 + 0.002 x 4 + 0.008 x 5 + 0.0 x 6 ≤ 0.4 \begin{split}0.100 x_1 +0.200 x_2 +0.150 x_3 +0.000 x_4 +0.040 x_5 +0.0 x_6 0&\ge 8.0 \\ 0.080 x_1 +0.100 x_2 +0.110 x_3 +0.010 x_4 +0.010 x_5 0+0.0 x_6 &\ge 6.0 \\ 0.001 x_1 +0.005 x_2 +0.003 x_3 +0.100 x_4 0+0.150 x_5 +0.0 x_6 &\le 2.0 \\ 0.002 x_1 +0.005 x_2 +0.007 x_3 0+0.002 x_4 +0.008 x_5 +0.0 x_6 &\le 0.4\end{split} 0.100x1​+0.200x2​+0.150x3​+0.000x4​+0.040x5​+0.0x6​00.080x1​+0.100x2​+0.110x3​+0.010x4​+0.010x5​0+0.0x6​0.001x1​+0.005x2​+0.003x3​+0.100x4​0+0.150x5​+0.0x6​0.002x1​+0.005x2​+0.007x3​0+0.002x4​+0.008x5​+0.0x6​​≥8.0≥6.0≤2.0≤0.4​

完整问题的解决方案

为了得到这个线性规划的解，我们再次编写一个 Python 中的短程序来调用 PuLP 的建模函数，然后调用求解器。此示例的代码发现于WhiskasModel2.py

与上次一样，建议在文件开头评论其 目的，以及作者姓名和日期。PuLP 函数的导入也以相同的方式完成：

"""
The Full Whiskas Model Python Formulation for the PuLP Modeller

Authors: Antony Phillips, Dr Stuart Mitchell  2007
"""

# Import PuLP modeler functions
from pulp import *

字典

接下来，在定义变量或问题类型之前，关键问题数据被输入到字典中。这包括成分列表，随后是每种成分的成本，以及它对四种营养素的百分比。这些值清晰地列出，即使是对编程知识不多的人也可以轻松更改。成分是键，数字是数据。

# 创建成分列表
Ingredients = ["CHICKEN", "BEEF", "MUTTON", "RICE", "WHEAT", "GEL"]

# 包括每种成分成本的字典
costs = {
    "CHICKEN": 0.013,
    "BEEF": 0.008,
    "MUTTON": 0.010,
    "RICE": 0.002,
    "WHEAT": 0.005,
    "GEL": 0.001,
}

# 包括每种成分对四种营养素贡献的字典
# 包括每种成分对蛋白质贡献的字典
proteinPercent = {
    "CHICKEN": 0.100,
    "BEEF": 0.200,
    "MUTTON": 0.150,
    "RICE": 0.000,
    "WHEAT": 0.040,
    "GEL": 0.000,
}
# 包括每种成分对脂肪贡献的字典
fatPercent = {
    "CHICKEN": 0.080,
    "BEEF": 0.100,
    "MUTTON": 0.110,
    "RICE": 0.010,
    "WHEAT": 0.010,
    "GEL": 0.000,
}
# 包括每种成分对纤维贡献的字典
fibrePercent = {
    "CHICKEN": 0.001,
    "BEEF": 0.005,
    "MUTTON": 0.003,
    "RICE": 0.100,
    "WHEAT": 0.150,
    "GEL": 0.000,
}
# 包括每种成分对盐贡献的字典
saltPercent = {
    "CHICKEN": 0.002,
    "BEEF": 0.005,
    "MUTTON": 0.007,
    "RICE": 0.002,
    "WHEAT": 0.008,
    "GEL": 0.000,
}
创建问题变量

创建变量以包含公式，并且通常的参数被传递到prob。

# 创建'prob' 变量包含该问题数据
prob = LpProblem("The Whiskas Problem", LpMinimize)

创建一个名为ingredient_vars的字典，其中包含 LP 变量，这些变量的下界被定义为零。字典的键是成分名称，数据是与每种成分相关联的变量名称。（例如羊肉：Ingr_MUTTON）

# 创建了一个名为 'ingredient_vars' 的字典，用于包含引用的变量
ingredient_vars = LpVariable.dicts("Ingr", Ingredients, 0)

由于和现在是带有 参考键作为成分名称，可以简单地提取数据 具有如图所示的列表推导。该函数将添加 元素。因此，目标函数很简单 输入并分配了一个名称：costsingredient_vars

# The objective function is added to 'prob' first
prob += (
    lpSum([costs[i] * ingredient_vars[i] for i in Ingredients]),
    "Total Cost of Ingredients per can",
)

进一步的列表推导式用于定义其他 5 个约束，这些约束也是描述它们的给定名称。

# The five constraints are added to 'prob'
prob += lpSum([ingredient_vars[i] for i in Ingredients]) == 100, "PercentagesSum"
prob += (
    lpSum([proteinPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 8.0,
    "ProteinRequirement",
)
prob += (
    lpSum([fatPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 6.0,
    "FatRequirement",
)
prob += (
    lpSum([fibrePercent[i] * ingredient_vars[i] for i in Ingredients]) <= 2.0,
    "FibreRequirement",
)
prob += (
    lpSum([saltPercent[i] * ingredient_vars[i] for i in Ingredients]) <= 0.4,
    "SaltRequirement",
)

在此之后，行等遵循与 在简化的示例中。

最佳解决方案是 60% 牛肉和 40% 凝胶，从而实现目标 功能价值为每罐 52 美分。

最终代码

from pulp import *
#创建问题变量prob
prob = LpProblem("混合问题",LpMinimize)
#字典导入
# 创建成分列表
Ingredients = ["CHICKEN", "BEEF", "MUTTON", "RICE", "WHEAT", "GEL"]

# 包括每种成分成本的字典
costs = {
    "CHICKEN": 0.013,
    "BEEF": 0.008,
    "MUTTON": 0.010,
    "RICE": 0.002,
    "WHEAT": 0.005,
    "GEL": 0.001,
}

# 包括每种成分对四种营养素贡献的字典
# 包括每种成分对蛋白质贡献的字典
proteinPercent = {
    "CHICKEN": 0.100,
    "BEEF": 0.200,
    "MUTTON": 0.150,
    "RICE": 0.000,
    "WHEAT": 0.040,
    "GEL": 0.000,
}
# 包括每种成分对脂肪贡献的字典
fatPercent = {
    "CHICKEN": 0.080,
    "BEEF": 0.100,
    "MUTTON": 0.110,
    "RICE": 0.010,
    "WHEAT": 0.010,
    "GEL": 0.000,
}
# 包括每种成分对纤维贡献的字典
fibrePercent = {
    "CHICKEN": 0.001,
    "BEEF": 0.005,
    "MUTTON": 0.003,
    "RICE": 0.100,
    "WHEAT": 0.150,
    "GEL": 0.000,
}
# 包括每种成分对盐贡献的字典
saltPercent = {
    "CHICKEN": 0.002,
    "BEEF": 0.005,
    "MUTTON": 0.007,
    "RICE": 0.002,
    "WHEAT": 0.008,
    "GEL": 0.000,
}
# 创建了一个名为 'ingredient_vars' 的字典，用于包含引用的变量
ingredient_vars = LpVariable.dicts("Ingr", Ingredients, 0,100)
#定义目标函数
prob += (
    lpSum([costs[i] * ingredient_vars[i] for i in Ingredients]),
    "Total Cost of Ingredients per can",
)
#定义约束条件
# The five constraints are added to 'prob'
prob += lpSum([ingredient_vars[i] for i in Ingredients]) == 100, "PercentagesSum"
prob += (
    lpSum([proteinPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 8.0,
    "ProteinRequirement",
)
prob += (
    lpSum([fatPercent[i] * ingredient_vars[i] for i in Ingredients]) >= 6.0,
    "FatRequirement",
)
prob += (
    lpSum([fibrePercent[i] * ingredient_vars[i] for i in Ingredients]) <= 2.0,
    "FibreRequirement",
)
prob += (
    lpSum([saltPercent[i] * ingredient_vars[i] for i in Ingredients]) <= 0.4,
    "SaltRequirement",
)
#求解
prob.solve()


#输出结果
for v in prob.variables():
    print(v.name, "=", v.varValue)
print("Status:", LpStatus[prob.status])
print("Total Cost of Ingredients per can = ", value(prob.objective))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1906098.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

VPN 的入门介绍

VPN 的入门介绍

VPN&#xff08;虚拟专用网络&#xff09; 简介 虚拟专用网络&#xff0c;简称虚拟专网&#xff08;VPN&#xff09;&#xff0c;其主要功能是在公用网络上建立专用网络&#xff0c;进行加密通讯。在企业网络中有广泛应用。VPN网关通过对数据包的加密和数据包目标地址的转换实…
阅读更多...
AI机器人在企业拓客上常见的功能有哪些

AI机器人在企业拓客上常见的功能有哪些

AI机器人具备多种功能&#xff0c;这些功能主要基于其被设计和训练的目的。整理了一些常见的AI机器人功能&#xff1a; 1. 语音识别与自然语言处理&#xff1a; - 语音识别&#xff1a;将用户的语音输入转换为文本&#xff0c;以便机器人可以理解和处理。 - 自然语言处理…
阅读更多...
Xilinx FPGA:vivado关于fifo的一些零碎知识

Xilinx FPGA:vivado关于fifo的一些零碎知识

一、FIFO概念 先进先出&#xff0c;是一种组织和操作数据结构的方法。在硬件应用中&#xff0c;FIFO一般由一些读写指针&#xff0c;存储和控制的逻辑组成。 二、xilinx中生成的FIFO的存储类型 &#xff08;1&#xff09;shift register FIFO : 移位寄存器FIFO&#xff0c;这…
阅读更多...
Java锁升级：无锁 → 偏向锁 → 轻量级锁 → 重量级锁

Java锁升级：无锁 → 偏向锁 → 轻量级锁 → 重量级锁

说明 JDK1.6为了减少获得锁和释放锁所带来的性能消耗&#xff0c;引入了“偏向锁”和“轻量级锁”&#xff0c;所以在JDK1.6里锁一共有四种状态&#xff0c;无锁状态&#xff0c;偏向锁状态&#xff0c;轻量级锁状态和重量级锁状态&#xff0c;它会随着竞争情况逐渐升级。锁可以…
阅读更多...
2 ECMAScript

2 ECMAScript

JavaScript 概述 JavaScript 编程语言允许你在 Web 页面上实现复杂的功能;如果你看到一个网页不仅仅显示静态的信息,而是显示依时间更新的内容,或者交互式地图,或者 2D/3D 动画图像,或者滚动的视频播放器,等等——你基本可以确定,这需要 JavaScript 的参与 JavaScript 编程语言…
阅读更多...
如何为你的PCB选择最佳的阻焊覆盖工艺？

如何为你的PCB选择最佳的阻焊覆盖工艺？

随着电子产品向“轻、薄、短、小”的方向发展&#xff0c;PCB也向高密度、高难度的发展&#xff0c;因此有很多SMT、PCB&#xff0c;客户在安装元件时需要插孔&#xff1b;其工艺流程长&#xff0c;过程控制困难。那么&#xff0c;PCB电路板插接工艺为何这么重要&#xff1f; 通…
阅读更多...
B端设计：任何不顾及用户体验的设计，都是在装样子，花架子

B端设计：任何不顾及用户体验的设计，都是在装样子，花架子

B端设计是指面向企业客户的设计&#xff0c;通常涉及产品、服务或系统的界面和功能设计。与C端设计不同&#xff0c;B端设计更注重实用性和专业性&#xff0c;因为它直接影响企业的效率和利益。 在B端设计中&#xff0c;用户体验同样至关重要。不顾及用户体验的设计只是空洞的表…
阅读更多...
【Proteus仿真】基于Stm32的八路抢答器~

【Proteus仿真】基于Stm32的八路抢答器~

【Proteus仿真】基于Stm32的八路抢答器~ 文档资料在购买后即可获得&#xff08;如有问题可通过微信公号或b站私信联系我&#xff09; 资料包括&#xff1a; 1. Proteus仿真源文件2. keil源代码功能描述: 1. 抢答时间设置显示2. 选手得分用时显示3. 选手数据查询/清楚4.抢答…
阅读更多...
排产排程问题【数学规划的应用（含代码）】阿里达摩院MindOpt

排产排程问题【数学规划的应用（含代码）】阿里达摩院MindOpt

本文主要讲述使用MindOpt工具优化排产排程的数学规划问题。 视频讲解&#x1f448;&#x1f448;&#x1f448;&#x1f448;&#x1f448;&#x1f448;&#x1f448;&#x1f448;&#x1f448; 一、排产排程问题 在实际生产过程中存在着各种各样的排产排程问题&#xff0c;…
阅读更多...
【数据分析】Pandas_DataFrame读写详解：案例解析（第24天）

【数据分析】Pandas_DataFrame读写详解：案例解析（第24天）

系列文章目录 一、 读写文件数据 二、df查询数据操作 三、df增加列操作 四、df删除行列操作 五、df数据去重操作 六、df数据修改操作 文章目录 系列文章目录前言一、 读写文件数据1.1 读写excel文件1.2 读写csv文件1.3 读写mysql数据库 二、df查询数据操作2.1 查询df子集基本方…
阅读更多...
移动UI： 什么特征会被认为是简洁风格，用案例告诉你

移动UI： 什么特征会被认为是简洁风格，用案例告诉你

什么是简洁风格&#xff0c;恐怕一百个人有一百个是理解&#xff0c;本文通过理论分析案例的方式进行探讨。 移动 UI 中的简洁风格通常具有以下几个特征&#xff1a; 1. 平面化设计&#xff1a; 简洁风格的移动 UI 善于运用平面化设计&#xff0c;即去除过多的阴影、渐变和立…
阅读更多...
一家互联网 Web3 研发团队繁忙的一天

一家互联网 Web3 研发团队繁忙的一天

早晨&#xff1a;规划与准备 7:00 AM - 起床与新闻 Web3研发团队的成员们早起&#xff0c;通过区块链相关的新闻网站、论坛和社交媒体&#xff0c;了解最新的行业动态和技术发展。重点关注去中心化金融&#xff08;DeFi&#xff09;、NFT、DAO等领域的最新进展。 8:00 AM - …
阅读更多...
Java | Leetcode Java题解之第219题存在重复元素II

Java | Leetcode Java题解之第219题存在重复元素II

题目&#xff1a; 题解&#xff1a; class Solution {public boolean containsNearbyDuplicate(int[] nums, int k) {Set<Integer> set new HashSet<Integer>();int length nums.length;for (int i 0; i < length; i) {if (i > k) {set.remove(nums[i - …
阅读更多...
✅深入理解InnoDB中的页分裂与页合并

✅深入理解InnoDB中的页分裂与页合并

想要了解什么是页分裂&#xff0c;页合并&#xff0c;那么就要想知道 InnoDB 中的数据页是什么。 InnoDB 的数据页 InnoDB 的数据页是存储引擎中用于保存数据的基本单位。每个数据页是磁盘上的一个连续区域&#xff0c;通常大小为 16KB&#xff0c;当然&#xff0c;这个大小可…
阅读更多...
map和set的原理、优劣势、应用场景和示例代码，统统告诉你。

map和set的原理、优劣势、应用场景和示例代码，统统告诉你。

map和set的原理都是基于哈希表实现的&#xff0c;通过哈希值来快速查找和插入元素&#xff0c;从而实现高效的数据存储和管理&#xff0c;那么他们之间有什么不同呢&#xff0c;该如何选择&#xff0c;本文带你了解。 一、map和set的原理 map和set都是数据结构&#xff0c;用…
阅读更多...
新浪API系列：微博API探索社交数据价值（1）

新浪API系列：微博API探索社交数据价值（1）

微博API为创作者和开发者提供了一个探索社交数据价值的宝贵机会&#xff0c;助力他们在创新发展中取得成功。通过微博API&#xff0c;用户可以轻松访问和获取微博平台上丰富的社交数据。这些数据包括用户信息、关注列表、粉丝互动等&#xff0c;为创作者和开发者提供了深入了解…
阅读更多...
基于CesiumJs的可视化大屏，效果不是一般的震撼。

基于CesiumJs的可视化大屏，效果不是一般的震撼。

CesiumJS是一个用于创建三维地理信息系统&#xff08;GIS&#xff09;应用程序的开源JavaScript库。它提供了强大的地理空间数据可视化和交互功能&#xff0c;可以用于构建虚拟地球、地图、飞行模拟等应用。 1. 三维地理空间可视化&#xff1a; CesiumJS支持将地理空间数据以三…
阅读更多...
【紫外线发光器件小结】 UV-B LED 308nm

【紫外线发光器件小结】 UV-B LED 308nm

之前有介绍光的波长和频率计算。 波长小于390nm,频率高于770太赫兹的电磁波忙&#xff0c;或者光。基本有一段就叫做紫外线。 紫外线有分为UV-A/B/C;三小段&#xff1b; 如下图&#xff1a; 高压汞灯与UV LED的光谱&#xff1b;黑色线汞灯&#xff0c;蓝色LED
阅读更多...
CentOS 安装 annie/lux，以及 annie/lux 的使用

CentOS 安装 annie/lux，以及 annie/lux 的使用

annie 介绍 如果第一次听到 annie 想必都会觉得陌生&#xff0c;annie 被大家称为视频下载神器&#xff0c;annie 作者介绍说可以下载抖音、哔哩哔哩、优酷、爱奇艺、芒果TV、YouTube、Tumblr、Vimeo 等平台的视频。 githup&#xff1a;https://github.com/pingf/annie 支持…
阅读更多...
HTML5实现我的音乐网站源码

HTML5实现我的音乐网站源码

文章目录 作者&#xff1a;[xcLeigh](https://blog.csdn.net/weixin_43151418) 1.设计来源1.1 界面效果1.2 轮播图界面1.3 音乐播放界面1.4 视频播放界面 2.效果和源码2.1 动态效果2.2 源代码 源码下载万套模板&#xff0c;程序开发&#xff0c;在线开发&#xff0c;在线沟通 作…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023