您当前的位置:首页 > 美文欣赏 > 内容

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

关于【230是多大的鞋】,250是多大的鞋,今天乾乾小编给您分享一下,如果对您有所帮助别忘了关注本站哦。

内容导航:1、230是多大的鞋2、用Python进行线性编程

1、230是多大的鞋

一般来讲,230的鞋码是36。

230表示鞋子的长度是230毫米,脚的长度是230毫米,经过换算后也就是36码,鞋子内长的国际单位都是毫米,每增加一个鞋码,表示长度就要增加5毫米。鞋码的种类非常多,包括国际尺码、美国尺码、日本尺码等,不同的尺码的换算公式也是不同的。

鞋码又被叫做鞋号,是一种用来衡量人类脚的形状和长度,从而来方便配鞋的标准单位系统。世界上每个国家的鞋码是不同的,但是都会包括长度和宽度这两个测量数据,此外,不同用途的鞋,对其尺码的定义也是不同的。

2、用Python进行线性编程

使用谷歌OR-工具的数学优化指南

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

图片由作者提供,表情符号由 OpenMoji(CC BY-SA 4.0)

线性编程是一种优化具有多个变量约束条件的任何问题的技术。这是一个简单但强大的工具,每个数据科学家都应该掌握

想象一下,你是一个招募军队的战略家。你有

三种资源食物木材黄金三个单位:️剑客弓箭手,和马兵

骑士比弓箭手更强,而弓箭手又比剑客更强。下表提供了每个单位的成本和力量

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

图片由作者提供

现在我们有1200食物,800木材,600黄金。考虑到这些资源,我们应该如何最大化我们的军队的力量

我们可以简单地找到能效/成本比最好的单元,尽可能多地取用它们,然后用另外两个单元重复这一过程。但这种 "猜测和检查 "的解决方案甚至可能不是最优的......

现在想象一下,我们有数以百万计的单位和资源:以前的贪婪策略很可能完全错过了最佳解决方案使用机器学习算法(如遗传算法)来解决这个问题是可能的,但我们也不能保证解决方案是最优的

幸运的是,有一种方法可以以最佳方式解决我们的问题线性编程(或称线性优化),它属于 operations research(OR)的一部分。在这篇文章中,我们将用它来寻找剑客、弓箭手和骑兵的最佳数量,以建立具有最高力量的军队

I. 求解器

在Python中,有不同的线性编程,如多用途的SciPy、适合初学者的PuLP、详尽的Pyomo,以及其他许多库。

今天,我们将使用 Google OR-Tools,它对用户非常友好,带有几个预包装的求解器,可以通过以下方式运行本教程中的代码 Google Colab notebook.

如果安装不成功,请重新启动内核并再试一次:它有时会失败。¯\_(ツ)_/¯

!python -m pip install --upgrade --user -q ortools

所有这些库都有一个隐藏的好处:它们作为接口,可以用不同的求解器使用同一个模型。解算器如 Gurobi, Cplex,或 SCIP有他们自己的API,但是他们所创建的模型是与特定的求解器相联系的

OR-Tools允许我们使用一种抽象的(而且是相当pythonic的)方式来为我们的问题建模。然后我们可以选择一个或几个求解器来找到一个最佳解决方案。因此,我们建立的模型是高度可重复使用的

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

图片由作者提供

OR-Tools带有自己的线性规划求解器,称为GLOP(谷歌线性优化包)。它是一个开源项目,由谷歌的运筹学团队创建,用C++编写。

其他求解器也是可用的,比如SCIP,这是一个优秀的非商业求解器,创建于2005年,并更新和维护至今。我们也可以使用流行的商业选项,如GurobiCplex。然而,我们需要将它们安装在OR-Tools之上,并获得适当的许可(这可能相当昂贵)。现在,让我们试试GLOP。

# Import OR-Tools wrapper for linear programmingfrom ortools.linear_solver import pywraplp# Create a solver using the GLOP backendsolver = pywraplp.Solver('Maximize army power', pywraplp.Solver.GLOP_LINEAR_PROGRAMMING)

II.变量

我们使用GLOP创建了一个OR-Tools求解器的实例。现在,如何使用线性编程?我们要定义的第一件事是我们要优化的变量

在我们的例子中,我们有三个变量:军队中的️剑士弓箭手马兵的数量。OR-Tools接受三种类型的变量。

NumVar用于连续变量。IntVar用于整数变量。BoolVar用于布尔变量。

我们正在寻找单位的整数,所以让我们选择IntVar。然后我们需要为这些变量指定下限和上限。我们希望至少有0个单位,但我们并没有真正的上限。所以我们可以说,我们的上界是无穷大(或任何我们永远不会达到的大数字)。它可以被写成。

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

让我们把它翻译成代码。在OR-Tools中,Infinity被solver.infinity()所取代。除此以外,语法是非常直接的

# Create the variables we want to optimizeswordsmen = solver.IntVar(0, solver.infinity(), 'swordsmen')bowmen = solver.IntVar(0, solver.infinity(), 'bowmen')horsemen = solver.IntVar(0, solver.infinity(), 'horsemen')

⛓️III.限制条件

我们定义了我们的变量,但约束条件也同样重要。

也许与直觉相反的是,增加更多的约束条件有助于求解器更快地找到最优解。为什么会出现这种情况呢?把求解器想象成一棵树:约束条件帮助它修剪分支减少搜索空间

在我们的案例中,我们可以用来生产单位的资源数量有限。换句话说,我们不能花费超过我们所拥有的资源:例如,用于招募单位的食物不能高于1200木材(800)和黄金(600)的情况也是如此。

根据我们的表格,单位有以下成本。

1个剑客= 60 + 20。1弓箭手= 80 + 10 + 40。1个骑士=140 + 100。

我们可以为每个资源写一个约束条件,如下所示。

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

在OR-Tools中,我们只需用solver.Add()将约束添加到我们的求解器实例中。

# Add constraints for each resourcesolver.Add(swordsmen*60 + bowmen*80 + horsemen*140 <= 1200) # Foodsolver.Add(swordsmen*20 + bowmen*10 <= 800) # Woodsolver.Add(bowmen*40 + horsemen*100 <= 600) # Gold

IV.目标

现在我们有了我们的变量和约束条件,我们要定义我们的目标(或目标函数)。

在线性编程中,这个函数必须是线性的(就像约束条件一样),所以形式为ax + by + cz + d。在我们的例子中,目标很明确:我们想招募具有最高力量的军队。表格给了我们以下的力量值。

1个剑客=70。1个弓箭手=95。1个骑士=230。

军队力量的最大化相当于每个单位的力量之和的最大化。我们的目标函数可以写成。

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

一般来说,只有两种类型的目标函数:最大化最小化。在OR-Tools中,我们用以下方式声明这个目标 solver.Maximize()或 solver.Minimize().

solver.Maximize(swordsmen*70 + bowmen*95 + horsemen*230)

然后我们就完成了!对任何线性优化问题进行建模三个步骤

用下限和上限声明要优化的变量。为这些变量添加约束定义最大化或最小化的目标函数

现在已经很清楚了,我们可以要求求解器为我们找到一个最佳解决方案。

五、优化!

计算最优解是通过 solver.Solve() .这个函数返回一个状态,可以用来检查解决方案是否确实是最优的

让我们以最佳的军队配置来打印我们能得到的最高总能效

status = solver.Solve()# If an optimal solution has been found, print resultsif status == pywraplp.Solver.OPTIMAL: print('================= Solution =================') print(f'Solved in {solver.wall_time():.2f} milliseconds in {solver.iterations()} iterations') print() print(f'Optimal power = {solver.Objective().Value()} power') print('Army:') print(f' - ️Swordsmen = {swordsmen.solution_value()}') print(f' - Bowmen = {bowmen.solution_value()}') print(f' - Horsemen = {horsemen.solution_value()}')else: print('The solver could not find an optimal solution.')

================= Solution =================Solved in 87.00 milliseconds in 2 iterationsOptimal power = 1800.0 powerArmy: - ️Swordsmen = 6.0000000000000036 - Bowmen = 0.0 - Horsemen = 5.999999999999999

很好!解算器找到了一个最优解:我们的军队总兵力为1800,有6个剑士和6个骑兵(对不起,弓箭手!)。

让我们来解读这个结果。

解算器决定采取最大数量的骑兵(6,因为我们只有600,而且他们每个人都要花费100)。剩余的资源用于剑客:我们还有1200-6*140=360食物,这就是为什么解算器选择6剑客的原因 。我们可以推断出,骑兵是最好的单位,而弓箭手是最差的,因为他们根本没有被选中。

好的,但有一点很奇怪:这些数字不是圆的,尽管我们指定要整数(IntVar)。那么发生了什么?

不幸的是,回答这个问题需要深入研究线性编程......为了在这个介绍中保持简单,让我们说这是因为GLOP的原因。解算器有我们必须考虑到的特性,而GLOP并不处理整数。这又证明了建立可重复使用的模型不仅仅是方便。

我们将解释为什么GLOP会有这种奇怪的行为,以及如何在 "我的 "中修复它

总结

我们通过这个例子看到了任何线性优化问题的五个主要步骤

选择一个求解器:在我们的案例中,为了方便,我们选择了GLOP。声明变量:要优化的参数是剑士、弓箭手和骑兵的数量。宣布约束条件:这些单位中的每一个都有成本。总成本不能超过我们有限的资源。定义目标:要最大化的标准是这支军队的总力量。它也可以是其他的东西,比如单位的数量。优化。GLOP在不到一秒钟的时间内找到了这个问题的最佳解决方案。

230是多大的鞋,250是多大的鞋(用Python进行线性编程)

图片由作者提供

这是线性规划的主要好处:算法给我们一个保证,即找到的解决方案是最优的(有一定误差)。这种保证很强大,但也有代价:模型可能非常复杂,以至于求解器需要花费数年(或更多)的时间来找到一个最优解。在这种情况下,我们有两个选择。

我们可以在一定时间后停止求解器(并可能得到一个次优答案)。我们可以使用像遗传算法这样的元启发式方法在短时间内计算出一个优秀的解决方案

在下一篇文章中,我们将谈论不同类型的优化问题,并将我们的方法推广到整类问题中。

本文关键词:250是多大的鞋,230是多大的鞋女,230是多大的鞋1.5,240是多大的鞋,225是多大的鞋。这就是关于《230是多大的鞋,250是多大的鞋(用Python进行线性编程)》的所有内容,希望对您能有所帮助!


声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,谢谢。

上一篇: 开一家咖啡店大概需要多少钱,开咖啡店需要多少钱投入(售价23.29-52.99万元)

下一篇: 百米赛跑作文300字(百米赛跑作文)



推荐阅读

网站内容来自网络,如有侵权请联系我们,立即删除! | 软文发布 | 粤ICP备2021106084号