Python 3.10 + Cplex 12.10 保姆级安装与第一个线性规划模型实战

Python 3.10与Cplex 12.10环境配置及线性规划实战指南

1. 环境准备与安装

在开始使用Cplex进行优化计算之前，确保你的开发环境已经正确配置。我们将从Python环境搭建开始，逐步完成整个安装过程。

1.1 Python 3.10安装

首先需要安装Python 3.10版本。虽然Cplex支持多个Python版本，但3.10提供了更好的性能和一些新特性：

# 在Linux/macOS上使用pyenv安装特定版本 pyenv install 3.10.6 # 在Windows上可以从官网下载安装包 # https://www.python.org/downloads/

安装完成后，验证Python版本：

python --version # 应该显示 Python 3.10.x

1.2 Cplex 12.10安装

Cplex提供了学术版和商业版，对于学习用途，我们可以使用免费的学术版或试用版：

pip install cplex==12.10

安装完成后，可以通过以下命令验证是否安装成功：

import cplex print(cplex.__version__) # 应该输出 12.10.0.0 或类似版本号

常见安装问题解决方案：

• 网络连接问题：如果下载速度慢，可以尝试使用国内镜像源：

  pip install cplex -i https://pypi.tuna.tsinghua.edu.cn/simple

• 版本冲突：确保没有其他优化求解器如Gurobi同时安装，可能会引起冲突

• 权限问题：在Linux/macOS上可能需要使用sudo，但建议使用虚拟环境

2. 开发环境配置

2.1 PyCharm项目设置

在PyCharm中创建一个新项目，并配置Python解释器：

1. 打开PyCharm，选择"New Project"
2. 在"Location"中选择项目路径
3. 在"Python Interpreter"中选择已安装的Python 3.10
4. 点击"Create"完成项目创建

2.2 虚拟环境配置

为避免包冲突，建议使用虚拟环境：

# 创建虚拟环境 python -m venv cplex_env # 激活虚拟环境 # Windows: cplex_env\Scripts\activate # Linux/macOS: source cplex_env/bin/activate

在虚拟环境中安装Cplex：

pip install cplex

3. 第一个线性规划模型

让我们从一个简单的生产计划问题开始，这是线性规划的经典案例。

3.1 问题描述

假设一家工厂生产两种产品A和B，每单位产品A利润为3元，产品B为5元。生产受到以下限制：

• 原材料限制：产品A消耗4kg，产品B消耗2kg，总原材料不超过80kg
• 工时限制：产品A需要2小时，产品B需要3小时，总工时不超过100小时
• 市场需求：产品A最多可销售20单位，产品B最多可销售30单位

我们的目标是最大化总利润。

3.2 模型构建

首先导入Cplex库并创建问题实例：

import cplex # 创建Cplex实例 problem = cplex.Cplex() # 设置问题名称 problem.set_problem_name("Production_Planning")

3.3 添加决策变量

定义产品A和B的生产量作为决策变量：

# 添加变量：产品A和B的生产量 # 参数说明：names, lower bounds, upper bounds, types, objective coefficients problem.variables.add( names=["Product_A", "Product_B"], lb=[0, 0], # 生产量不能为负 ub=[20, 30], # 市场需求上限 types=["I", "I"], # 整数变量 obj=[3, 5] # 单位利润 )

3.4 添加约束条件

添加原材料和工时约束：

# 添加原材料约束：4*A + 2*B <= 80 problem.linear_constraints.add( lin_expr=[[["Product_A", "Product_B"], [4.0, 2.0]]], senses=["L"], # Less than or equal rhs=[80.0], # Right-hand side value names=["Material_Constraint"] ) # 添加工时约束：2*A + 3*B <= 100 problem.linear_constraints.add( lin_expr=[[["Product_A", "Product_B"], [2.0, 3.0]]], senses=["L"], rhs=[100.0], names=["Labor_Constraint"] )

3.5 设置优化目标

设置最大化利润的目标：

# 设置优化方向为最大化 problem.objective.set_sense(problem.objective.sense.maximize)

4. 模型求解与结果分析

4.1 求解模型

调用求解器进行计算：

# 求解问题 problem.solve() # 检查求解状态 status = problem.solution.get_status() print(f"Solution status: {problem.solution.status[status]}")

4.2 结果提取与分析

获取并分析求解结果：

# 获取最优解 if problem.solution.is_primal_feasible(): print("Optimal solution found!") print(f"Total profit: {problem.solution.get_objective_value():.2f}元") # 获取各变量值 values = problem.solution.get_values() print(f"Produce {values[0]:.0f} units of Product A") print(f"Produce {values[1]:.0f} units of Product B") # 计算资源使用情况 material_used = 4 * values[0] + 2 * values[1] labor_used = 2 * values[0] + 3 * values[1] print(f"Material used: {material_used:.1f}kg / 80kg") print(f"Labor used: {labor_used:.1f} hours / 100 hours") else: print("No feasible solution found")

4.3 结果可视化

虽然Cplex本身不提供可视化功能，但我们可以使用Matplotlib进行简单的图形展示：

import matplotlib.pyplot as plt import numpy as np # 绘制可行域 A = np.linspace(0, 20, 400) B_material = (80 - 4*A)/2 B_labor = (100 - 2*A)/3 plt.figure(figsize=(10, 6)) plt.plot(A, B_material, label='Material Constraint') plt.plot(A, B_labor, label='Labor Constraint') plt.axvline(x=20, color='r', linestyle='--', label='Demand A') plt.axhline(y=30, color='g', linestyle='--', label='Demand B') # 标记最优解 optimal_A = values[0] optimal_B = values[1] plt.scatter(optimal_A, optimal_B, color='red', s=100, label='Optimal Solution') plt.xlabel('Product A') plt.ylabel('Product B') plt.title('Feasible Region and Optimal Solution') plt.legend() plt.grid(True) plt.xlim(0, 25) plt.ylim(0, 45) plt.show()

5. 高级功能与技巧

5.1 参数调优

Cplex提供了大量参数可以调整求解过程：

# 设置求解参数 problem.parameters.timelimit.set(60) # 限制求解时间为60秒 problem.parameters.mip.tolerances.mipgap.set(0.01) # 设置最优间隙为1% problem.parameters.threads.set(4) # 使用4个线程

5.2 模型导出与导入

可以将模型导出为LP或SAV格式，便于分享或后续分析：

# 导出模型为LP文件 problem.write("production_model.lp") # 从文件加载模型 new_problem = cplex.Cplex() new_problem.read("production_model.lp")

5.3 灵敏度分析

分析约束条件的影子价格和变量的缩减成本：

if problem.solution.is_primal_feasible(): # 获取影子价格(对偶变量) shadow_prices = problem.solution.get_dual_values() print(f"Material constraint shadow price: {shadow_prices[0]:.4f}") print(f"Labor constraint shadow price: {shadow_prices[1]:.4f}") # 获取缩减成本 reduced_costs = problem.solution.get_reduced_costs() print(f"Product A reduced cost: {reduced_costs[0]:.4f}") print(f"Product B reduced cost: {reduced_costs[1]:.4f}")

6. 常见问题与调试技巧

6.1 典型错误与解决方案

1. 变量添加格式错误：

   # 错误写法 - 会报TypeError x = problem.variables.add(names='x', types='I') # 正确写法 - 所有参数都应该是列表 x = problem.variables.add(names=['x'], types=['I'])

2. 约束表达式括号层级错误：

   # 错误写法 - 缺少一层括号 problem.linear_constraints.add( lin_expr=[[['x', 'y'], [1.0, 2.0]]], senses=['L'], rhs=[30] ) # 正确写法 - 注意三层括号结构 problem.linear_constraints.add( lin_expr=[[[['x', 'y'], [1.0, 2.0]]]], senses=['L'], rhs=[30] )

3. 内存不足问题：

   • 对于大规模问题，可能需要增加内存限制：

     problem.parameters.workmem.set(2048) # 设置工作内存为2GB

6.2 性能优化建议

1. 模型预处理：

   # 启用预处理 problem.parameters.preprocessing.presolve.set( problem.parameters.preprocessing.presolve.values.on)

2. 使用惰性约束：

   # 对于某些复杂约束，可以设置为惰性约束 problem.parameters.mip.strategy.lazyconstraints.set(1)

3. 并行求解：

   # 启用并行求解 problem.parameters.parallel.set(1) # 1=确定性并行，-1=自动

7. 实际应用案例扩展

7.1 运输问题建模

让我们考虑一个更复杂的例子：运输问题。假设有三个工厂和四个仓库，需要最小化运输成本。

# 创建运输问题实例 transport = cplex.Cplex() transport.set_problem_name("Transportation_Problem") # 添加变量：从工厂i到仓库j的运输量 transport.variables.add( names=[f"x_{i}_{j}" for i in range(3) for j in range(4)], lb=[0]*12, # 运输量不能为负 types=["C"]*12, # 连续变量 obj=[ # 运输成本 10, 8, 12, 6, # 工厂0到各仓库 9, 11, 13, 7, # 工厂1到各仓库 14, 10, 7, 8 # 工厂2到各仓库 ] ) # 添加工厂产能约束 for i in range(3): transport.linear_constraints.add( lin_expr=[[ [f"x_{i}_{j}" for j in range(4)], [1]*4 ]], senses=["L"], rhs=[100, 150, 200][i], # 各工厂产能 names=[f"Supply_{i}"] ) # 添加仓库需求约束 for j in range(4): transport.linear_constraints.add( lin_expr=[[ [f"x_{i}_{j}" for i in range(3)], [1]*3 ]], senses=["E"], # 必须满足需求 rhs=[80, 90, 110, 70][j], # 各仓库需求 names=[f"Demand_{j}"] ) # 设置最小化目标 transport.objective.set_sense(transport.objective.sense.minimize) # 求解问题 transport.solve() # 输出结果 if transport.solution.is_primal_feasible(): print(f"Total transportation cost: {transport.solution.get_objective_value():.2f}") for i in range(3): for j in range(4): val = transport.solution.get_values(f"x_{i}_{j}") if val > 1e-6: # 只显示有运输量的路径 print(f"Factory {i} -> Warehouse {j}: {val:.1f} units")

7.2 混合整数规划示例

考虑一个固定成本生产问题，需要使用二进制变量表示是否生产某种产品：

# 创建混合整数规划实例 mip = cplex.Cplex() mip.set_problem_name("Fixed_Cost_Production") # 添加生产量变量(连续) mip.variables.add( names=["Prod_A", "Prod_B"], lb=[0, 0], ub=[100, 100], types=["C", "C"], obj=[5, 8] # 单位利润 ) # 添加是否生产的二进制变量 mip.variables.add( names=["Use_A", "Use_B"], types=["B", "B"] # 二进制变量 ) # 添加固定成本项到目标函数 mip.objective.set_linear([("Use_A", -20), ("Use_B", -30)]) # 固定成本 # 添加逻辑约束：如果生产量>0，则必须使用对应的二进制变量 mip.linear_constraints.add( lin_expr=[ [[["Prod_A"], [1]], [["Use_A"], [-100]]], # Prod_A <= 100*Use_A [[["Prod_B"], [1]], [["Use_B"], [-100]]] # Prod_B <= 100*Use_B ], senses=["L", "L"], rhs=[0, 0] ) # 添加资源约束 mip.linear_constraints.add( lin_expr=[[["Prod_A", "Prod_B"], [2, 3]]], senses=["L"], rhs=[120] # 总资源限制 ) # 设置最大化利润 mip.objective.set_sense(mip.objective.sense.maximize) # 求解问题 mip.solve() # 输出结果 if mip.solution.is_primal_feasible(): print(f"Total profit: {mip.solution.get_objective_value():.2f}") print(f"Produce A: {mip.solution.get_values('Prod_A'):.1f} units") print(f"Produce B: {mip.solution.get_values('Prod_B'):.1f} units") print(f"Use factory A: {'Yes' if mip.solution.get_values('Use_A') > 0.5 else 'No'}") print(f"Use factory B: {'Yes' if mip.solution.get_values('Use_B') > 0.5 else 'No'}")