python - 尽管明显存在可行的答案，但 scipy.optimize.linprog 无法找到可行的起点-6ren

python - 尽管明显存在可行的答案，但 scipy.optimize.linprog 无法找到可行的起点

转载作者：行者123 更新时间：2023-12-02 07:04:53

向量 k 似乎满足所有约束。我在这里缺少什么吗？谢谢。

import numpy as np
from scipy.optimize import linprog
A_ub=[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1, 0, 0, 1, -1], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1, 0, 0, -1, 1]]
b_ub=[ 10000.,    100.,  10000.,   1840.,  10000.,   4000.,  10000.,
      100.,  10000.,   5000.,  10000.,   5450.,  10000.,   3000.,
    10000.,   3000.,  10000.,   1000.,  40000.,   5000.,   5000.]
A_eq=[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, -5000.0, 13390.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, 0.0, 0.0, -1840.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, -1.0, 0.0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, 5000.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [13290.0, 0.0, -13390.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, -1.0, 0.0, 1.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, 0.0, 0.0, 0.0, -5450.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, -1.0, 0.0, 0.0, -1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0, 0, 0, 0, 0], [0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, -1.0, 1.0, -1.0, 1.0, 1.0, 1.0, -1.0, 1.0, -1.0, 0.0, 0.0, 0.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1, 0, 0, 0, 0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 1, -1], [-13290.0, 5000.0, 0.0, 1840.0, 5450.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, 0.0, -1.0, -1.0, 0.0, -1.0, -1.0, 0.0, 0.0, 1.0, -1.0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1]]
b_eq=[8390.0, 0, -1840.0, 0, 5000.0, 0, -100.0, 0, 0.0, 0, -5450.0, 0, 0.0, 0, 0.0, 0, -1000.0, 0]
c=[-1351.6146468256165, -99.629272305631787, -542.0389808700279, -0.0, 54.302887927385768, -0.043903442258601377, -0.10170162880553937, -0.043903442258601377, -0.043903442258601377, -0.043903442258601377, -0.11764394156352764, -0.043903442258601377, -0.056182133775492554, -0.043903442258601377, -0.043903442258601377, -0.033174575907634424, -0.081074546005202835, -0.043903442258601377, -0.057503980336247616, -0.040480879825992883, -0.046889515046147204, -0.10170162880553937, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0, 0.02, 0.02, 0, 0]
k=[1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 8390.0, 0, 0, 0, 0, 1840.0, 0, 0, 5000.0, 0, 0, 0, 0, 100.0, 0, 0, 0.0, 0.0, 0, 0, 0, 5450.0, 0, 0, 0.0, 0.0, 0, 0, 0.0, 0.0, 0, 0, 0, 1000.0]

print(all(np.dot(A_ub, k)<=b_ub))
print(all(np.dot(A_eq, k)==b_eq))
print(all(map(lambda x :x>=0, k)))
linprog(c, A_ub, b_ub, A_eq, b_eq)

最佳答案

这个答案没有解释它为什么有效。我希望更熟悉 linprog 代码或一般线性编程的人可以给出更彻底的答案。

<小时/>

如果我使用选项bland=True，我会得到一个解决方案(请参阅show_options以获取文档 - 滚动到底部的linprog选项):

In [130]: linprog(c, A_ub, b_ub, A_eq, b_eq, options=dict(bland=True))
Out[130]: 
  status: 0
   slack: array([  3610.,   6490.,  11840.,      0.,      0.,  14000.,  10100.,
            0.,  10000.,   5000.,  15450.,      0.,  13000.,      0.,
        10000.,   3000.,  11000.,      0.,  12220.,      0.,  10000.])
 success: True
     fun: -2683.6935269049131
       x: array([  1.22573363e+00,   2.00000000e+00,   1.22404780e+00,
         3.71739130e+00,   8.25688073e-02,   2.00000000e+03,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         5.00000000e+03,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   2.00000000e+03,
         6.39000000e+03,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   1.84000000e+03,
         5.00000000e+03,   0.00000000e+00,   1.00000000e+04,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   1.00000000e+02,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,  -1.11022302e-12,   0.00000000e+00,
         5.45000000e+03,   0.00000000e+00,   3.00000000e+03,
         0.00000000e+00,   3.00000000e+03,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         1.00000000e+03])
 message: 'Optimization terminated successfully.'
     nit: 50

一个分量略为负 (-1.11e-12)。据推测，这在默认容差范围内。这可以通过降低容差来清除(但请注意 x[19] 中的更改):

In [131]: linprog(c, A_ub, b_ub, A_eq, b_eq, options=dict(bland=True, tol=1e-15))
Out[131]: 
  status: 0
   slack: array([  3610.,   6490.,  11840.,      0.,      0.,  14000.,  10100.,
            0.,  10000.,   5000.,  15450.,      0.,  13000.,      0.,
        10000.,   3000.,  11000.,      0.,  12220.,      0.,  10000.])
 success: True
     fun: -2683.693526904935
       x: array([  1.22573363e+00,   2.00000000e+00,   0.00000000e+00,
         3.71739130e+00,   8.25688073e-02,   2.00000000e+03,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         5.00000000e+03,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   1.63900000e+04,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   2.00000000e+03,
         6.39000000e+03,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   1.84000000e+03,
         5.00000000e+03,   0.00000000e+00,   1.00000000e+04,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   1.00000000e+02,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         5.45000000e+03,   0.00000000e+00,   3.00000000e+03,
         0.00000000e+00,   3.00000000e+03,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
         1.00000000e+03])
 message: 'Optimization terminated successfully.'
     nit: 51

关于python - 尽管明显存在可行的答案，但 scipy.optimize.linprog 无法找到可行的起点，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29941958/

文章推荐： groovy - 如何使用groovy解析xml

文章推荐： java - 创建一个用于 json 响应的类

文章推荐： java - 如何使用 apache poi 在同一个文件中写入多个工作表

文章推荐： spring - 使用Spring批处理从HDFS读取文件

Matlab 问题 : linprog
晚上好我在使用 Matlab 的 linprog 函数时遇到问题，这是我收到的消息: Exiting due to infeasibility: an all-zero row in the con
matlab - Matlab Linprog 可以支持的最大矩阵
我想使用 MATLAB linprog 来解决一个问题，我通过一个更小、更简单的例子来检查它。但是我想知道MATLAB是否可以支持我的真实问题，可能有一个300*300*300*300矩阵... 也
python - scipy linprog 中的二元约束
我有一个线性不等式系统，我想使用 scipy.opttomize.linprog 来解决它。这是我调用 linprog 函数的代码: res = linprog(c, A_ub=A, b_ub=b,
python - Scipy 用更复杂的函数优化 linprog
我正在尝试以以下形式优化函数: 1*abs(x_0) + 1*abs(x_1) + .. + 1*abs(x_n) 函数中的系数始终为 1，但 xi 的值有条件，例如 x2 - x3 sum of
python - scipy.optimize linprog 不会返回我期望的最小解决方案
我读到 scipy 中的 linprog 返回最小解，并且可以通过将目标函数乘以 -1 来获得最佳解。我在这里读到的:https://realpython.com/linear-programmin
linprog 包中设置的 R 线性规划使用solveLP忽略约束(小于或等于)
我使用 linprog R 包中的solveLP 来解决一个简单的线性规划问题: minimize -x1-x2 subject to 2*x1+x2+x3 =12 x1+
python - 拉格朗日乘子与 scipy.optimize.linprog
是否可以从 scipy linprog 检索拉格朗日乘子就像在 Matlab linprog 中一样？如果是这样怎么办？我阅读了文档，但没有找到它。有一个 return 参数调用 slack 但我认
python - 拉格朗日乘子与 scipy.optimize.linprog
是否可以从 scipy linprog 检索拉格朗日乘子就像在 Matlab linprog 中一样？如果是这样怎么办？我阅读了文档，但没有找到它。有一个 return 参数调用 slack 但我认
scipy.optimize.linprog 似乎解决了任务但没有返回 x？
我正在尝试使用 scipy.optimize.linprog 来解决一个非常简单的线性程序，并且该函数似乎做了我想要它做的事情，但不知何故它不返回 'x'(它确实返回正确的最小函数值) 仅举一个简单的
matlab - 在 Matlab 中设置 linprog
我在 Matlab 中为 linprog 设置以下类型的约束时遇到问题 Max 9x1 + 8x2 + 7x3 Subject to: 2 = 0, x2 >= 0, x3 >= 0 Followin
python - scipy.optimize.linprog - 难以理解参数
我想最小化以下 LPP:c=60x+40y+50z受制于20x+10y+10z>=350 ,10x+10y+20z>=400, x,y,z>=0 我的代码片段如下(我是第一次使用scipy包) fro
python - Linprog 可以解决 LP 原始问题但不能解决对偶问题？
我能够使用 scipy linprog 和矩阵 A_ub 解决以下最小化问题: A_ub = [[ 1 10 0 3] [ 6 2 3 6] [ 3 5
matlab - linprog 可以给出 x 的整数值吗？
我有一个 linprog 代码，其目标函数中包含 x1、x2、x3 和 x4。我得到的结果以以下形式给出值: x = 6.6667 0.0420 0 0 在我尝试建模的情况下，这在物理上没有意义，
python - scipy.optimize.linprog 等式约束似乎不满足
我对该方法中的等式约束如何工作感到非常困惑。我在这里做错了什么？我希望 dot(A_eq, x) 等于 b_eq。我认为这就是等式约束的定义。然而， np.dot(A_eq, res.x) 给我 [0
python - Scipy.linprog 的 Gurobi 风格模型构建？
我想比较Gurobi和Scipy的线性编程工具，例如linprog。 Scipy 需要在 matrix-list-vector-form 中指定问题而 Gurobi 的工作方式类似于 here这样 m
python - 在 Python 中设置 linprog 时遇到问题
我正在使用下面的代码，但我一直无法设置运行的问题。 import numpy as np from scipy.optimize import linprog c = np.asarray([-0.0
python - 为什么 scipy.optimize.linprog 返回不满足约束的解决方案？
是我做错了什么还是一个错误？ c = np.array([-1., 0., 0., 0., 0., 0., 0., 0., 0.]) A_ub = np.array([[ 1.,
python - 如何使用 scipy.optimize.linprog 获得整数解？
当我解决线性规划问题时，如下式，我希望x的结果全部是int类型考虑以下问题: 最小化:f = -1*x[0] + 4*x[1] 服从于: -3*x[0] + 1*x[1] = -3 其中:-inf
python - 从 scipy 导入 linprog 模块
我正在尝试使用 SciPy 求解线性规划。我使用以下行导入我认为是相关模块的内容: import scipy.optimize.linprog 然后，我运行求解器: scipy.optimize.li
python - 使用 scipy.optimize.linprog 的线性规划返回次优解
我试图在 Python 2.7 中解决以下线性规划问题，但由于某种原因，linprog 没有返回正确的结果。 Minimize: -x2 -x3 这样: x0 + 0.33*x2 + 0.67*x3

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - 尽管明显存在可行的答案，但 scipy.optimize.linprog 无法找到可行的起点