R语言解决最优化运营研究问题-线性优化(LP)问题

简介: R语言解决最优化运营研究问题-线性优化(LP)问题

使用R中的线性编程工具来解决优化问题。

优化通常用于运营研究领域,以解决生产计划,运输网络设计,仓库位置分配和调度等问题,我们尝试最大化或最小化具有决策变量和约束数量的线性函数。

在这里,我使用了我的一个咨询项目,帮助我们的投资组合公司选择一个无线供应商,其中包含可以满足所有要求(总线数和汇总数据量)的数据计划组合,同时花费最少的金钱。

这种优化通常可以在Excel求解器中解决。但是,由于我有20个投资组合公司有2个提供商和2个方案进行分析,要在Excel中完成,我将不得不运行80次。使用R会容易得多。


加载数据

read.csv("usage.csv")
plan<-read.csv("wireless_data_plan.csv")

使用数据

##   Company Num_Lines Data_Usage
## 1       A       134      397.5
## 2       B       350     1037.5
## 3       C      1510     3462.5
## 4       D      2260     4437.5
## 5       E       750     2875.0
## 6       F       410      612.5## 'data.frame':    20 obs. of  3 variables:
##  $ Company   : Factor w/ 20 levels "A","B","C","D",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ Num_Lines : int  134 350 1510 2260 750 410 2930 1091 3350 7760 ...
##  $ Data_Usage: num  398 1038 3462 4438 2875 ...

我们可以看到,我们在数据集中共有20家公司,平均数和过去3个月的月度数据使用量。

现在,我查看摘要统计信息和公司数据的直方图。

  • 行数:我们可以看到平均行数约为1800,但大多数公司的行数少于2000行。只有一家公司有超过7000条线路的异常值。
  • 数据使用情况:每行的平均使用量约为2.5GB,范围从1GB到4GB。
summary(usage$Num_Lines)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##   134.0   779.2  1083.0  1774.0  1909.0  7760.0summary(usage$Data_Usage,
usage$Num_Lines)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##   1.004   1.674   2.527   2.547   3.075   4.475


 计划数据

##   Wireless_Carrier Data_GB Plan_Rate
## 1              ATT       3        60
## 2              ATT       4        75
## 3              ATT       5        85
## 4              ATT       6       100
## 5              VZW       1        56
## 6              VZW       2        60## 'data.frame':    10 obs. of  3 variables:
##  $ Wireless_Carrier: Factor w/ 2 levels "ATT","VZW": 1 1 1 1 2 2 2 2 2 2
##  $ Data_GB         : int  3 4 5 6 1 2 4 6 8 10
##  $ Plan_Rate       : int  60 75 85 100 56 60 70 80 90 100

我们还可以看到我们有不同级别的数据计划供我们选择。此分析的目标是选择具有最低总成本的不同数据计划组合的运营商,同时满足线路数量和总数据要求


创建目标函数,约束和约束方向对象

我们有两个目标函数,因为我们希望找到成本最低的计划组合。并且有两个限制因素。一个是总行数和总数据量。对于总行数,我希望数据计划具有完全相同的数量,因此我使用“=”。但是对于总的数据量,只要有比所消耗的数据更多的数据,就可以接受。所以我用“> =”表示数据量约束。


创建空矩阵以存储结果

创建循环以针对每个提供商为每个投资组合公司运行解算器


优化结果

##    3GB 4GB 5GB 6GB   Cost
## A  134   0   0   0   8040
## B  350   0   0   0  21000
## C 1510   0   0   0  90600
## D 2260   0   0   0 135600
## E  438   0 311   1  52815
## F  410   0   0   0  24600
## G 2930   0   0   0 175800
## H  286   0 805   0  85585
## I 3350   0   0   0 201000
## J 7760   0   0   0 465600
## K 4920   0   0   0 295200
## L  594   0 335   1  64215
## M  960   0   0   0  57600
## N 1792   0   0   0 107520
## O 1730   0   0   0 103800
## P 1406   0 247   1 105455
## Q  316   0 472   1  59180
## R  297   0   0   0  17820
## S 1075   0   0   0  64500
## T  796   0   0   0  47760

正如我们在这里看到的,大多数分配是3GB计划,这是有道理的,因为大多数公司使用的不到3GB。但是,如果公司使用超过3GB,由于每GB成本较低,似乎更好地使用更高的数据计划。


优化结果

##    1GB  2GB 4GB 6GB 8GB 10GB   Cost
## A    0   69  65   0   0    0   8690
## B    0  258  66   0   1   25  22690
## C    1 1405  64   1   0   39  92816
## D   82 2178   0   0   0    0 135272
## E    1  528  65   0   1  155  51876
## F  207  203   0   0   0    0  23772
## G  785 2145   0   0   0    0 172660
## H    1  704  64   0   1  321  78966
## I 3337   13   0   0   0    0 187652
## J    1 7174  64   0   1  520 487066
## K 4215  705   0   0   0    0 278340
## L    1  680  64   1   0  184  63816
## M  645  315   0   0   0    0  55020
## N    0 1573   1   0   0  218 116250
## O    1 1571  66   0   1   91 108126
## P    1 1336  64   0   0  253 109996
## Q    0  523  65   0   1  200  56020
## R  148  149   0   0   0    0  17228
## S    1  890  66   0   0  118  69876
## T    0  796   0   0   0    0  47760

我们可以看到大多数公司都有2GB和10GB的混合计划,以利用2GB计划中更便宜的总速率,但从10GB计划中降低每GB速率。


比较总体成本

##      ATT    VZW Lowest
## A   8040   8690    att
## B  21000  22690    att
## C  90600  92816    att
## D 135600 135272    vzw
## E  52815  51876    vzw
## F  24600  23772    vzw
## G 175800 172660    vzw
## H  85585  78966    vzw
## I 201000 187652    vzw
## J 465600 487066    att
## K 295200 278340    vzw
## L  64215  63816    vzw
## M  57600  55020    vzw
## N 107520 116250    att
## O 103800 108126    att
## P 105455 109996    att
## Q  59180  56020    vzw
## R  17820  17228    vzw
## S  64500  69876    att
## T  47760  47760    att

第二种情景

现在我们知道根据我们当前的行数和用途选择什么提供商和计划。然而,公司可能希望购买的数据超过他们现在消费的数据,因为数据的使用一直在增长,并且预计会继续这样做,其次,他们希望避免潜在的超额费用。

所以现在,我将建立一个新变量,作为公司过去使用的数据的百分比。

##    3GB 4GB 5GB 6GB   Cost
## A   97   0  36   1   8980
## B  253   0  96   1  23440
## C 1510   0   0   0  90600
## D 2260   0   0   0 135600
## E  150   0 600   0  60000
## F  410   0   0   0  24600
## G 2930   0   0   0 175800
## H    0   0 687 404  98795
## I 3350   0   0   0 201000
## J 7513   0 246   1 471790
## K 4920   0   0   0 295200
## L  248   0 681   1  72865
## M  960   0   0   0  57600
## N 1282   0 510   0 120270
## O 1730   0   0   0 103800
## P  860   0 794   0 119090
## Q    0   0 757  32  67545
## R  297   0   0   0  17820
## S  753   0 321   1  72565
## T  796   0   0   0  47760##    1GB  2GB 4GB 6GB 8GB 10GB   Cost
## A    1   57  66   0   1    9   9086
## B    1  231  66   0   1   51  23726
## C    1 1318  65   0   1  125  96276
## D    1 2109  65   1   0   84 139626
## E    0  504   3   0   0  243  54750
## F   85  325   0   0   0    0  24260
## G    0 2899   3   0   0   28 176950
## H    1  581  65   1   0  443  83846
## I 2665  685   0   0   0    0 190340
## J    1 6678  65   0   1 1015 506876
## K 3090 1830   0   0   0    0 282840
## L    1  593  65   0   1  270  67276
## M  390  570   0   0   0    0  56040
## N    0 1439   2   0   0  351 121580
## O    0 1513   1   0   0  216 112450
## P    0 1199  66   0   1  388 115450
## Q    1  440  64   0   0  284  59336
## R   59  238   0   0   0    0  17584
## S    0  860   0   0   0  215  73100
## T    1  707  64   0   0   24  49356##      ATT    VZW Lowest
## A   8980   9086    att
## B  23440  23726    att
## C  90600  96276    att
## D 135600 139626    att
## E  60000  54750    vzw
## F  24600  24260    vzw
## G 175800 176950    att
## H  98795  83846    vzw
## I 201000 190340    vzw
## J 471790 506876    att
## K 295200 282840    vzw
## L  72865  67276    vzw
## M  57600  56040    vzw
## N 120270 121580    att
## O 103800 112450    att
相关文章
|
8天前
|
数据可视化
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码2
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
|
8天前
|
数据可视化 数据挖掘
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码1
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
|
8天前
|
前端开发 数据可视化
R语言广义线性混合模型(GLMM)bootstrap预测置信区间可视化
R语言广义线性混合模型(GLMM)bootstrap预测置信区间可视化
|
8天前
|
算法 搜索推荐
R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
|
8天前
|
机器学习/深度学习 算法 数据库
数据分享|R语言用核Fisher判别方法、支持向量机、决策树与随机森林研究客户流失情况
数据分享|R语言用核Fisher判别方法、支持向量机、决策树与随机森林研究客户流失情况
|
8天前
|
机器学习/深度学习 数据可视化 算法
R语言神经网络与决策树的银行顾客信用评估模型对比可视化研究
R语言神经网络与决策树的银行顾客信用评估模型对比可视化研究
|
8天前
|
存储 数据采集 数据可视化
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
|
8天前
|
机器学习/深度学习 数据采集 数据可视化
R语言SVM、决策树与因子分析对城市空气质量分类与影响因素可视化研究
R语言SVM、决策树与因子分析对城市空气质量分类与影响因素可视化研究
|
8天前
|
监控 数据可视化 数据挖掘
R语言质量控制图、质量管理研究分析采购订单数量、CPU时间、纸厂产出、钢板数据可视化
R语言质量控制图、质量管理研究分析采购订单数量、CPU时间、纸厂产出、钢板数据可视化
|
8天前
|
算法 数据挖掘 数据库
R语言主成分PCA、决策树、boost预警模型在跨区域犯罪研究数据挖掘分析|数据分享
R语言主成分PCA、决策树、boost预警模型在跨区域犯罪研究数据挖掘分析|数据分享

热门文章

最新文章