代数模型(Algebraic Models)---线性规划------ + 案例 + Python源码求解(见文中)

news2024/11/23 2:57:45

目录

  • 一、代数模型(Algebraic Models)详解
    • 1.1什么是代数模型?
    • 1.2代数模型的基本形式
    • 1.3 安装所需要的Python包--运行下述案例
    • 1.4代数模型的应用案例
      • 案例 1:市场供需平衡模型
        • Python求解代码
        • Python求解结果如下图:
      • 案例 2:运输问题中的线性规划模型
        • 进行数学建模分析
          • 1. 目标函数
          • 2. 约束条件
        • Python求解代码
        • Python求解结果如下图:
      • 案例 3:电路分析中的欧姆定律应用
        • 进行数学建模分析
          • 1. 目标函数
          • 2. 约束条件
        • Python求解代码
        • Python求解结果如下图:

一、代数模型(Algebraic Models)详解

这个线性规划的数学模型很少,但是大家可以培养自己建模的思路,可以参考案例2、案例3,使用pulp非常直观的可以表示所建立的模型以及添加的约束条件。

1.1什么是代数模型?

代数模型是一种利用代数方程(如线性方程、多项式方程等)描述变量之间关系的数学模型。它通常用于描述静态系统或在某一时刻的系统状态。代数模型可以是线性或非线性的,具体取决于变量之间的关系类型。

1.2代数模型的基本形式

代数模型可以用以下一般形式表示:

  • 线性模型
    线性代数模型通过线性方程来描述变量之间的线性关系。
    例如,一个典型的线性模型形式如下:

      y = a 1 x 1 + a 2 x 2 + ⋯ + a n x n + b \ y = a_1x_1 + a_2x_2 + \cdots + a_nx_n + b  y=a1x1+a2x2++anxn+b

    其中, y y y 是因变量, x 1 , x 2 , … , x n x_1, x_2, \ldots, x_n x1,x2,,xn 是自变量, a 1 , a 2 , … , a n a_1, a_2, \ldots, a_n a1,a2,,an 是系数, b b b 是常数项。

  • 多项式模型
    多项式模型是描述变量之间多项式关系的模型,其形式为:

      y = a 0 + a 1 x + a 2 x 2 + ⋯ + a n x n \ y = a_0 + a_1x + a_2x^2 + \cdots + a_nx^n  y=a0+a1x+a2x2++anxn

    其中, x x x 是自变量, a 0 , a 1 , … , a n a_0, a_1, \ldots, a_n a0,a1,,an 是多项式的系数。

1.3 安装所需要的Python包–运行下述案例

运行下述代码:

# 1.激活前文所配置的虚拟环境(不会的参考此专栏另一篇博客)
conda activate mathbuild2   # mathbuild2是你自己创建的虚拟环境,名字和你前面跟随教程创建的名字一样
# 2.安装所需的python包
pip install sympy scipy

运行结果如下:
在这里插入图片描述
验证是否成功安装:

# 复制下述代码,粘贴进anaconda prompt,然后回车

# 进入python
python

# 导入包
import sympy
import scipy

# 打印版本
print("SymPy 版本:", sympy.__version__)
print("SciPy 版本:", scipy.__version__)

运行结果如下图:,若出现版本号,则说明成功安装!
在这里插入图片描述

1.4代数模型的应用案例

案例 1:市场供需平衡模型

市场供需平衡模型用于描述市场上商品的供给量和需求量之间的关系。例如,设市场上的商品供给量 Q s Q_s Qs 和需求量 Q d Q_d Qd 分别由以下两个线性方程表示:

  Q s = c s + d s P \ Q_s = c_s + d_s P  Qs=cs+dsP

  Q d = c d − d d P \ Q_d = c_d - d_d P  Qd=cdddP

其中, P P P 是价格, c s , d s , c d , d d c_s, d_s, c_d, d_d cs,ds,cd,dd 是已知参数。市场均衡时,供给量等于需求量,即 Q s = Q d Q_s = Q_d Qs=Qd。求解上述方程可得市场均衡价格和数量。

Python求解代码

以下是使用Python求解该代数模型的代码示例:

from sympy import symbols, Eq, solve

# 定义符号变量
P = symbols('P')

# 已知参数
c_s = 50  # 供给的常数项
d_s = 3   # 供给的价格系数
c_d = 200 # 需求的常数项
d_d = 2   # 需求的价格系数

# 定义供给和需求方程
Q_s = c_s + d_s * P
Q_d = c_d - d_d * P

# 市场均衡条件 Q_s = Q_d
equation = Eq(Q_s, Q_d)

# 求解均衡价格
equilibrium_price = solve(equation, P)[0]
equilibrium_quantity = Q_s.subs(P, equilibrium_price)

# 输出结果
print(f"市场均衡价格: {equilibrium_price:.2f}")
print(f"市场均衡数量: {equilibrium_quantity:.2f}")
Python求解结果如下图:

在这里插入图片描述

案例 2:运输问题中的线性规划模型

在物流运输问题中,目标是找到最小成本的运输方案。该问题可以用线性规划模型表示,其中决策变量表示各运输路线的货物量,目标函数表示总运输成本,约束条件表示各个供应地和需求地的供需平衡。

假设有2个供应地和2个需求地,运输成本如下表:

需求地1需求地2
供应地146
供应地287

供应量和需求量分别为:

  • 供应地1:50单位
  • 供应地2:60单位
  • 需求地1:30单位
  • 需求地2:80单位
进行数学建模分析
1. 目标函数

我们希望最小化总运输成本:

Minimize  Z = 4 x 1 + 6 x 2 + 8 x 3 + 7 x 4 \text{Minimize } Z = 4x_1 + 6x_2 + 8x_3 + 7x_4 Minimize Z=4x1+6x2+8x3+7x4

其中:

  • x 1 x_1 x1是从供应地1到需求地1的运输量
  • x 2 x_2 x2是从供应地1到需求地2的运输量
  • x 3 x_3 x3是从供应地2到需求地1的运输量
  • x 4 x_4 x4 是从供应地2到需求地2的运输量
2. 约束条件

我们有如下约束条件:

  1. 供应地1的总供应量不超过50单位:

0 < x 1 + x 2 < = 50 0 < x_1 + x_2 <= 50 0<x1+x2<=50

  1. 供应地2的总供应量不超过60单位:

0 < x 3 + x 4 < = 60 0 < x_3 + x_4 <= 60 0<x3+x4<=60

  1. 需求地1的总需求量必须是30单位:

x 1 + x 3 = 30 x_1 + x_3 = 30 x1+x3=30

  1. 需求地2的总需求量必须是80单位:

x 2 + x 4 = 80 x_2 + x_4 = 80 x2+x4=80

Python求解代码

使用线性规划库 Pulp 求解此运输问题的代码如下:
Pulp非常好用,非常直观,安装代码如下:
pip install pulp
安装结果如下:
在这里插入图片描述

#导入pulp里面的子函数,库
from pulp import *

#创建求取问题的变量,也就是求取的函数的名字,+求取的是最大值还是最小值
# #Min:LpMinimiza;Max:LpMaximize
#Max_Z = LpProblem("Max",LpMaximize)
Min_Z = LpProblem("Min", LpMinimize)

#定义变量
# X = ['x1','x2','x3']
# sales = LpVariable.dicts("sales",X,lowBound=0,cat=LpInteger) #upBoard ,LpContinuous连续,LpInteger整数
x1 = LpVariable("x1",lowBound=0,upBound=None,cat=LpContinuous)
x2 = LpVariable("x2",lowBound=0,upBound=None,cat=LpContinuous)
x3 = LpVariable("x3",lowBound=0,upBound=None,cat=LpContinuous)
x4 = LpVariable("x4",lowBound=0,upBound=None,cat=LpContinuous)

#定义目标函数
Min_Z += 4*x1+6*x2+8*x3+7*x4

#添加约束条件
Min_Z += x1+x2 <=50
Min_Z += x3+x4 <=60
Min_Z += x1+x3 ==30
Min_Z += x2+x4 ==80
Min_Z += x1 >=0
Min_Z += x2 >=0
Min_Z += x3 >=0
Min_Z += x4 >=0

#求解问题
Min_Z.solve()

#输出求解结果
status = LpStatus[Min_Z.status]
#status 表示求解的状态,Optimal表示最优解,Infeasible表示无可行解,(Unbounded表示无界解)
solution = value(Min_Z.objective)
#,solution表示求解到解,Max_Z的值
print("Sales:",status)
print("Max_Z = ",solution)

#获取x1,x2,x3的值
x1 = value(x1)
x2 = value(x2)
x3 = value(x3)
x4 = value(x4)

print("x1 = ",x1)
print("x2 = ",x2)
print("x3 = ",x3)
print("x4 = ",x4)

print('Min_Z = ',4*x1+6*x2+8*x3+7*x4)

Python求解结果如下图:

在这里插入图片描述

案例 3:电路分析中的欧姆定律应用

在简单的电路分析中,欧姆定律( V = I R V = IR V=IR)描述了电阻 R R R 两端的电压 V V V 和电流 I I I 的线性关系。多个电阻组成的电路可以表示为一组线性方程,通过求解这些方程可以计算电路中的电流和电压分布。

进行数学建模分析
1. 目标函数

在这个问题中,目标函数可以是最小化或最大化通过电阻的电流,或者我们可以构造一个合适的目标函数来满足欧姆定律。这里,我们假设目标是最小化总电流 (I = I_1 + I_2),以满足给定的电压条件:

Minimize  I = I 1 + I 2 \text{Minimize } I = I_1 + I_2 Minimize I=I1+I2

2. 约束条件

根据欧姆定律和电路的特性,我们有以下约束条件:

对于电阻 (R_1) 和 (R_2) 的欧姆定律:

V = I 1 ⋅ R 1 和 V = I 2 ⋅ R 2 V = I_1 \cdot R_1 \quad \text{和} \quad V = I_2 \cdot R_2 V=I1R1V=I2R2
这两个条件表示每个电阻两端的电压必须等于总电压 (V = 15V)。

Python求解代码

假设电路中有两个电阻 R 1 = 5 Ω R_1 = 5 \Omega R1= R 2 = 10 Ω R_2 = 10 \Omega R2=10Ω,并联连接,总电压为 V = 15 V V = 15V V=15V。求解电路中各分支的电流。

from pulp import LpProblem, LpMinimize, LpVariable, lpSum, value

# 定义线性规划问题
Min_I = LpProblem("Minimize_Current", LpMinimize)

# 定义决策变量,I1 和 I2 为电流,通过每个电阻的电流
I1 = LpVariable('I1', lowBound=0)  # 电阻1中的电流
I2 = LpVariable('I2', lowBound=0)  # 电阻2中的电流

# 电压
V = 15
R1 = 5
R2 = 10

# 定义目标函数:最小化总电流 I = I1 + I2
Min_I += I1 + I2, "Total_Current"

# 添加约束条件:满足欧姆定律
Min_I += I1 * R1 == V, "Ohm_Law_R1"
Min_I += I2 * R2 == V, "Ohm_Law_R2"

# 求解问题
Min_I.solve()

# 输出结果
print("电阻1中的电流 I1: ", value(I1), "A")
print("电阻2中的电流 I2: ", value(I2), "A")
print("总电流 I: ", value(I1) + value(I2), "A")

Python求解结果如下图:

在这里插入图片描述

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/2134877.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

GDPU MySQL数据库 天码行空1 数据库的创建和基本操作

一、实验目的 1&#xff0e;熟知机房用机安全规则。 2&#xff0e;通过上机操作&#xff0c;加深对数据库系统理论知识的理解&#xff1b;通过使用具体的DBMS&#xff0c;了解一种实际的数据库管理系统&#xff0c;并掌握其操作技术&#xff1b;通过对实际题目的上机实验&…

Java8的函数式编程简介

文章目录 环境背景方法方法1&#xff1a;Java 7&#xff08;传统方法&#xff09;方法2&#xff1a;Java 7 &#xff08;策略模式&#xff09;方法3&#xff1a;Java 8的Lambda表达式方法4&#xff1a;Java 8内建的函数式接口Predicate方法5&#xff1a;Java 8的方法引用方法6&…

JavaSE:5、类与对象

1、类的定义与对象的创建 定义属性 创建对象 2、对象的使用 使用一个变量来指代某个对象&#xff0c;只不过引用类型的变量&#xff0c;存储的是对象的引用&#xff0c;而不是对象本身 public class Main {public static void main(String [] argv){Person p1new Person();P…

Oracle发送邮件功能:配置自动化发信指南?

Oracle发送邮件服务设置方法&#xff1f;怎么用Oracle数据库发信&#xff1f; Oracle数据库作为企业级应用的核心&#xff0c;其内置的发送邮件功能为企业提供了强大的自动化工具。AokSend将详细介绍如何配置Oracle发送邮件功能&#xff0c;以实现自动化发信&#xff0c;从而提…

C和指针:指针

内存和地址 程序视角看内存是一个大的字节数组&#xff0c;每个字节包含8个位&#xff0c;可以存储无符号值0至255,或有符号值-128至127。 多个字节可以合成一个字&#xff0c;许多机器以字为单位存储整数&#xff0c;每个字一般由2个或4个字节组成。 由于它们包含了更多的位&…

react native(expo)多语言适配

项目基于 expo框架 开发。请先配置好 expo 开发环境 1.引入i18n-js npx expo install i18n-js 2.新建languages文件夹&#xff0c;其中包括英文、中文等语种目录。结构如下&#xff1a; *.json文件为语种翻译后的json键值对&#xff0c;用于UI中引用; { "appName&q…

【C语言】(指针系列3)数组指针+函数指针+typedef+函数数组指针+转移表

前言&#xff1a;前言&#xff1a;开始之前先感谢一位大佬&#xff0c;清风~徐~来-CSDN博客&#xff0c;由于是时间久远&#xff0c;博主指针的系列忘的差不多了&#xff0c;所以有顺序部分借鉴了该播主的&#xff0c;同时也加入了博主自己的理解&#xff0c;有些地方如果解释的…

MySQL语句案例编写复习

先看我的表数据和结构 1.查询年龄为16,17,18,19岁的女性员工信息。 select * from emp where gender 女 and age in(16,17,18,19); 2.查询性别为 男 &#xff0c;并且年龄在 20-40 岁(含)以内的姓名为三个字的员工。 select * from emp where gender 男 and age between …

猫罐头多久喂一次?营养健康的罐头推荐

一&#xff0e;猫罐头多久喂一次 猫咪长期只食用干粮&#xff0c;容易饮水不足&#xff0c;从而引发上尿道或膀胱结石、堵塞等问题&#xff0c;所以最好每周喂至少2个猫罐头&#xff0c;帮助猫咪补充水分。如果条件允许&#xff0c;全罐喂养&#xff0c;每天都给猫咪吃猫罐头是…

车机中 Android Audio 音频常见问题分析方法实践小结

文章目录 前言1. 无声2. 断音3. 杂音4. 延迟播放5. 焦点问题6. 无声问题(连上 BT )其他完善中…… 前言 本文主要总结了一下车机开发中遇到的 Audio 有关的问题&#xff0c;同时参考网上的一案例&#xff0c;由于Audio 模块出现音频问题的场景很多&#xff0c;对每一个出现的问…

Blender渲染太慢怎么办?blender云渲染已开启

动画行业蓬勃发展&#xff0c;动画制作软件亦持续推陈出新&#xff0c;当制作平台日益丰富&#xff0c;创作难度降低&#xff0c;创作效率提升&#xff0c;如何高效完成复杂动画的渲染就成了从业者更关心的问题。 云渲染技术的出现&#xff0c;无疑为动画制作者提供了前所未有…

家庭理财管理系统

&#x1f449;文末查看项目功能视频演示获取源码sql脚本视频导入教程视频 1 、功能描述 家庭理财管理系统拥有多种角色&#xff0c;可以自行设置权限和用户等&#xff0c;主要功能有&#xff1a; 收入管理、支付管理、资产管理、负债详情、统计报表、家庭成员管理、用户管理等…

JavaSE - 易错题集 - 006

1. 哪个正确 A abstract类只能用来派生子类&#xff0c;不能用来创建abstract类的对象。 B final类不但可以用来派生子类&#xff0c;也可以用来创建final类的对象。 C abstract不能与final同时修饰一个类。 D abstract类定义中可以没有abstract方法。 正确答案&#xff1…

决策树算法上篇

决策树概述 决策树是属于有监督机器学习的一种&#xff0c;起源非常早&#xff0c;符合直觉并且非常直观&#xff0c;模仿人类做决策的过程&#xff0c;早期人工智能模型中有很多应用&#xff0c;现在更多的是使用基于决策树的一些集成学习的算法。 示例一&#xff1a; 上表根据…

1.C++中程序的基本结构

在教孩子的学习过程中&#xff0c;使用的开发IDE为小熊猫Dev-C 6.7.5版本&#xff0c;以后的复杂截图&#xff0c;基本上都是基于此版本进行的&#xff0c;同时在适当的时候&#xff0c;录制视频也会基于此版本来完成。 以下为一个最基本的C程序 int main() {// 程序主体retur…

无痛生娃,00后当妈啦

姐妹们&#xff0c;你们家开始催婚了吗&#xff1f;我是00后&#xff0c;大学也才毕业一年啊&#xff0c;我妈已经开始给我物色对象&#xff0c;过年让我去相亲了&#xff01;大学的时候不让谈&#xff0c;说怕异地以后感情不稳定&#xff0c;结果呢&#xff0c;一毕业要我结婚…

频域滤波为什么使用psf2otf函数?线性卷积和循环卷积等效的条件

线性卷积和循环卷积是本质不同的运算。然而&#xff0c;在某些条件下&#xff0c;线性卷积和循环卷积是等效的。建立这种等效关系具有重要意义。对于两个向量 x 和 y&#xff0c;循环卷积等于二者的离散傅里叶变换 (DFT) 之积的逆 DFT 变换。 禹晶、肖创柏、廖庆敏《数字图像处…

基于python+django+mysql+Nanodet检测模型的水稻虫害检测系统

博主介绍&#xff1a; 大家好&#xff0c;本人精通Java、Python、C#、C、C编程语言&#xff0c;同时也熟练掌握微信小程序、Php和Android等技术&#xff0c;能够为大家提供全方位的技术支持和交流。 我有丰富的成品Java、Python、C#毕设项目经验&#xff0c;能够为学生提供各类…

『功能项目』项目优化 - 框架加载资源【41】

我们打开上一篇40播放动画时禁止点击移动的项目&#xff0c; 本章要做的事情是搭建一个资源加载框架&#xff0c;让UI界面&#xff0c;人物模型以及场景都存放在资源文件夹中在运行时加载出来 首先在资源商店加载资源 将怪物模型放置场景中 将普通管线模型切换成URP 重命名为…

重学SpringBoot3-集成RocketMQ(二)

更多SpringBoot3内容请关注我的专栏&#xff1a;《SpringBoot3》 期待您的点赞&#x1f44d;收藏⭐评论✍ 重学SpringBoot3-集成RocketMQ&#xff08;二&#xff09; 1. 基础概念2. 准备工作3. 实现事务消息的生产者4. 事务监听器实现5. 消费者示例6. 发送事务消息7. 测试7.1 模…