在上一篇有关Google使用Python的ortools模块中的文章中，我解决了以下线性优化问题：

我以前的文章中编写的代码可以减少到更少的代码行，从而实现精益代码。在本文中，我将分享我以前的ortools-script的精简版本。

再次，我从ortools.linear_solver导入pywraplp：

from ortools.linear_solver import pywraplp

接下来，我创建一个求解器实例（使用GLOP求解器），并将其引用存储到引用处理程序中：

solver = pywraplp.Solver.CreateSolver('linear_programming_examples', 'GLOP')

我现在必须声明相关的优化变量。在此示例中，优化变量为x，y和z：

＃声明变量x，下限为0，无上限
x = Solver.NumVar（0，Solver.Infinity（），“ x”）
＃声明变量y，下限为0，无上限
y = Solver.NumVar（0，Solver.infinity（），“ y”）
＃声明变量z，下限为0，无上限
z = Solver.NumVar（0，Solver.infinity（），“ z”）

现在，我可以通过指定目标函数和所有相关约束来对问题建模。在下面的代码行中，这是以非常精简的方式实现的：

＃声明为最大定义目标函数
solver.Maximize(x+2*y+3*z)
＃添加约束
solver.Add(2*x+y+z <= 20)
solver.Add(x+y+z <= 15)
solver.Add(x-y-z >= 0)

<ortools.linear_solver.pywraplp.Constraint; proxy of <Swig Object of type 'operations_research::MPConstraint *' at 0x000001B9AEC956C0> >

该模型现已完成，可以解决：

solver.Solve()

x的最佳解决方案输出如下：

print("x_opt: ", x.solution_value())

x_opt:  6.666666666666667

y的最优解输出如下：

print("y_opt: ", y.solution_value())

y_opt:  0.0

y的最优解输出如下：

print("z_opt: ", z.solution_value())

z_opt:  6.666666666666667

最佳目标函数值输出如下：

print("optimal value: " + str(x.solution_value()+2*y.solution_value()+3*z.solution_value()))

optimal value: 26.666666666666668

Linnart Felkl

专业领域为优化和仿真的工业工程师（R，Python，SQL，VBA）