Python 如何修复一个具有不同结果的线性优化问题的代码；小包装？

我正在用Python设置一个新的线性优化代码。不幸的是，我没有同样的结果与纸浆，Scipy和Gekko包

我尝试用不同的包在Python中实现线性优化代码

用GEKKO优化 用Scipy进行优化 纸浆优化 我希望得到相同的结果，但实际结果不同，不幸的是：

GEKKO软件包的解决方案 使用SCIPY包的解决方案 用纸浆包装的溶液

---

所有结果都正确/每个解算器都正确

• 每个解决方案都达到了其目标的最低值：

  100

• 每个解都保持变量的界
• 每个解都保持“单纯形”约束：

  sum（x）=100

忽略浮点限制，您的问题有无限多个不同的最佳解决方案

不同的解算器（包括不同的解算方法）可能导致不同的解（从多个解中选择一个）。例如：

• 类似单纯形（纸浆）的LP算法
• NLP算法，如序列最小二乘法（scipy）
  • （请记住：scipy中也有LP解算器，如果给定一些先验定义的优化问题->LP与NLP，则更专业的解算器通常会更好）

---

对于线性优化问题，scipy除了“SLSQP”之外还有其他方法吗？我知道有这么多，但我不知道哪一个最适合这个问题！，但是我不能推荐基于单纯形的求解器。@AzizB.Ammar：如果答案解决了您的问题，请不要忘记将答案标记为已接受（您可以通过单击答案旁边的小复选框来完成，然后该复选框变为绿色）。

from gekko import GEKKO 
import numpy as np
import matplotlib.pyplot as plt

m = GEKKO()             # create GEKKO model
x = m.Var(value=0, lb=0, ub=400000)      # define new variable, initial     value=0
y = m.Var(value=0, lb=0, ub=200)      # define new variable, initial value=1
z = m.Var(value=0, lb=0)

m.Equation(x+y+z==100)
m.Obj(1.2*x + y + z) # equations
m.solve(disp=False)     # solve

print("Solution with The GEKKO package")
print(x.value, y.value , z.value)# # print solution

import numpy as np
from scipy.optimize import minimize

def objective(m):
    x = m[0]
    y = m[1]
    z = m[2]
    return 1.2*x + y + z


def constraint1(m):
    return m[0] + m[1] + m[2] - 100

def constraint2(x):
    return x[2]

x0 = [0,0,0]
b1 = (0,400000)
b2 = (0,200)
b3= (0,None)
bnds = (b1,b2,b3)

con1 = {'type' : 'eq', 'fun' : constraint1}
con2 = {'type' : 'ineq', 'fun' : constraint2}
cons = [con1,con2]

sol = minimize(objective,x0,method='SLSQP', bounds=bnds , constraints=cons)

print("Solution with The SCIPY package")
print(sol)

from pulp import *

prob = LpProblem("Problem",LpMinimize)

x = LpVariable("X",0,400000,LpContinuous)
y = LpVariable("Y",0,200,LpContinuous)
z = LpVariable("Z",0,None,LpContinuous)

prob += 1.2*x + y + z
prob += (x + y + z == 100)
prob.solve()

print("Solution with The PULP package")
print("Status:", LpStatus[prob.status])

for v in prob.variables():
    print(v.name, "=", v.varValue)

[0.0] [36.210291349] [63.789708661]

fun: 100.0000000000001
jac: array([1.19999981, 1.        , 1.        ]) 
message: 'Optimization terminated successfully.'
nfev: 35
nit: 7
njev: 7
status: 0
success: True
x: array([4.88498131e-13, 5.00000000e+01, 5.00000000e+01])

X = 0.0
Y = 100.0
Z = 0.0