Я первый раз пользуюсь PuLP и в последний раз, когда я занимался линейным программированием, Python не существовало. Я могу решить эту проблему с помощью расширения Solve LibreOffice (которое выполняет LP)
Но мне нужно сделать это в коде.
Я хочу оптимизировать проблему выбора акций. Нам нужно выбрать определенное количество винтов, скажем, 98. Винты упакованы в пачки по 25 и 100 штук. Я называю эти размеры пачек «25» и «100». Стоимость выбора должна быть минимизирована. За каждую упаковку взимается плата, а за избыточное количество взимается плата. Ограничение состоит в том, что выбранное количество> = target_qty
Например, если стоимость каждой единицы превышения составляла 0,1, а стоимость выбора пакета «25» была равна 1, а стоимость упаковки пакета «100» пачка 1.1., стоимость комплектации 1 x 100 пачка
(100 - 98) * .1 + 0 * 1 + 1 * 1.1
Это дешевле, чем комплектация 4 * Пакет 25
Предполагая, что существуют dicts pack_cost {} и pack_capacity {}, которые оба имеют имя пакета pack_name, например, pack_cost = {'25':1,'100':1.1} и, следовательно, list_of_pack_names = ['25','100']
Я пытаюсь это сделать:
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)
Результаты:
print("Status:",pulp.LpStatus[lp_prob.status])
показывает Оптимальный
lp_prob.objective равен 10*Packs_10 + 15*Packs_15 + 30*Packs_30 - 16.5
, но решение равно 0 для каждого размера упаковки