Optymalizacja wypukła z ograniczeniami nierównościowymi

Wprowadzenie do optymalizacji w Pythonie

Jasmin Ludolf

Content Developer

Rozwiązanie narożne a wewnętrzne

  • Alexia dysponuje tylko 5 godzinami pracy

$$ w\leq 5$$

  • Dwa ograniczenia:
    • 24 godziny w ciągu dnia
    • 5 godzin pracy
  • Ograniczenia tworzą narożnik
  • Rozwiązanie wewnętrzne nie jest przecięciem

Krzywe obojętności i ograniczenia. Krzywa obojętności przy optymalnym poziomie użyteczności przechodzi przez punkt przecięcia ograniczeń.

Wprowadzenie do optymalizacji w Pythonie

Producent z ograniczeniami mocy produkcyjnych

  • Producent samochodowy wytwarza identyczne auta w dwóch zakładach $A$, $B$
    • Ilości: $q_A$, $q_B$
    • Moce produkcyjne: $q_A\leq 90$, $q_B\leq 90$
    • Koszt: $C_A(q)=3q$, $C_B(q)=3.5q$
  • Popyt:
    • $P=120-Q$
  • Kontrakt:
    • $Q\geq 92$
  • Cel — maksymalizacja zysku:
    • $\displaystyle\max \Pi(q_A,q_B)$

Linia montażowa samochodów

Wprowadzenie do optymalizacji w Pythonie

Maksymalizacja zysku

  • Cel:
    • $\Pi = R-C$
      • $R = PQ$
Wprowadzenie do optymalizacji w Pythonie

Maksymalizacja zysku

  • Cel:
    • $\Pi = R-C$
      • $R = PQ = (120-Q)Q $
Wprowadzenie do optymalizacji w Pythonie

Maksymalizacja zysku

  • Cel:

    • $\Pi = R-C$
      • $R = PQ = (120-Q)Q=\left[120-(q_A+q_B)\right](q_A+q_B)$
      • $C=C_A+C_B=3q_A+3.5q_B$

  • Ograniczenia zmiennych

    • $0\leq q_A, q_B\leq 90$
  • Ograniczenia
    • $Q\geq92\Leftrightarrow 92\leq q_A+q_B$
Wprowadzenie do optymalizacji w Pythonie

Sformułowanie

$$\max_{q_A,q_B}R(q_A,q_B)-C(q_A,q_B)$$

$$s.t.$$

$$R(q_A,q_B)=\left[120-(q_A+q_B)\right](q_A+q_B)$$

$$\ \ \ \ \ C(q_A,q_B)=3q_A+3.5q_B$$

$$\ \ \ 0\leq q_A, q_B\leq 90$$

$$ \ \ \ \ 92\leq q_A+q_B$$

from scipy.optimize import minimize,\
        Bounds, LinearConstraint


def R(q):
    return (120 - (q[0] + q[1]
       )) * (q[0] + q[1])

def C(q): return 3*q[0] + 3.5*q[1] 

def profit(q): return R(q) - C(q)


bounds = Bounds([0, 0], [90, 90])


constraints = LinearConstraint([1, 1], 
                               lb=92)
Wprowadzenie do optymalizacji w Pythonie

Maksymalizacja zysku za pomocą SciPy

result = minimize(lambda q: -profit(q),

                  [50, 50],

                  bounds=bounds,
                  constraints=constraints)

print(result.message)
print(f'The optimal number of cars produced in plant A is: {result.x[0]:.2f}')
print(f'The optimal number of cars produced in plant B is: {result.x[1]:.2f}')
print(f'The firm made: ${-result.fun:.2f}')

Optimization terminated successfully
The optimal number of cars produced in plant A is: 90.00
The optimal number of cars produced in plant B is: 2.00
The firm made: $2299.00
Wprowadzenie do optymalizacji w Pythonie

Ograniczenia nieliniowe w SciPy

from scipy.optimize import NonlinearConstraint 
import numpy as np


constraints = NonlinearConstraint(lambda q: q[0] + q[1], lb=92, ub=np.inf)


result = minimize(lambda q: -profit(q), 
                  [50, 50], 
                  bounds=Bounds([0, 0], [90, 90]),
                  constraints=constraints)
Wprowadzenie do optymalizacji w Pythonie

Rozwiązanie z NonlinearConstraint

print(result.message)
print(f'The optimal number of cars produced in plant A is: {result.x[0]:.2f}')
print(f'The optimal number of cars produced in plant B is: {result.x[1]:.2f}')
print(f'The firm made: ${-result.fun:.2f}') 

Optimization terminated successfully
The optimal number of cars produced in plant A is: 90.00
The optimal number of cars produced in plant B is: 2.00
The firm made: $2299.00
  • Dla prostych problemów liniowych należy użyć LinearConstraint()
  • W pozostałych przypadkach należy użyć NonlinearConstraint()
Wprowadzenie do optymalizacji w Pythonie

Czas na ćwiczenia!

Wprowadzenie do optymalizacji w Pythonie

Preparing Video For Download...