### Python 使用 CPLEX 进行求解的代码示例 以下是基于提供的引用内容以及专业知识整理的一个完整的 Python 调用 CPLEX 的代码示例。此代码展示了如何定义线性规划问题并使用 `cplex.Cplex` 方法对其进行求解。 #### 定义和解决线性规划问题 ```python from cplex import Cplex, SparsePair # 创建一个 Cplex 实例 problem = Cplex() # 设置目标函数方向（最大化） problem.objective.set_sense(problem.objective.sense.maximize) # 添加变量及其系数 variables = ["x1", "x2"] objectives = [3.0, 4.0] # 对应于目标函数中的系数 lower_bounds = [0.0, 0.0] # 变量下界 upper_bounds = [float('inf'), float('inf')] # 变量上界 variable_types = problem.variables.type.continuous # 连续型变量 for i in range(len(variables)): problem.variables.add(obj=[objectives[i]], lb=[lower_bounds[i]], ub=[upper_bounds[i]], types=variable_types) # 添加约束条件 constraints = [ ("constraint1", SparsePair(ind=["x1", "x2"], val=[1.0, 1.0]), "<=", 5), # x1 + x2 <= 5 ("constraint2", SparsePair(ind=["x1", "x2"], val=[1.0, 2.0]), "<=", 7) # x1 + 2*x2 <= 7 ] for name, linear_expr, sense, rhs_value in constraints: problem.linear_constraints.add(lin_expr=[linear_expr], senses=sense, rhs=[rhs_value]) # 解决问题 problem.solve() # 输出解决方案 solution_status = problem.solution.get_status() objective_value = problem.solution.get_objective_value() # 获取最优值 values = problem.solution.get_values() # 获取各变量取值 print(f"Solution status: {solution_status}") print(f"Objective value: {objective_value}") # 打印目标函数的最大化结果 print(f"Variable values: {dict(zip(variables, values))}") # 打印变量的具体数值 ``` 上述代码通过创建一个简单的线性规划模型来展示如何利用 CPLEX 求解器完成优化任务[^1]。它涵盖了从设置目标函数到添加约束条件再到获取最终解的过程[^2]。 #### 关键点说明 - **目标函数**：在此例子中被设定为最大化的形式，即 \( \text{max} \; Z = 3x_1 + 4x_2 \)。 - **变量范围**：所有变量均设定了上下限，默认情况下均为连续型变量。 - **约束条件**：两个不等式约束分别表示资源限制情况下的生产计划问题[^3]。 #### 处理实际数据文件 如果需要处理外部输入的数据文件，则可以参考以下命令结构： ```bash python script_name.py mode data_file_path ``` 其中 `mode` 参数通常用于指定算法模式或者初始化参数；而 `data_file_path` 则指向具体的数据源路径。 --- ###