優化求解器的線性規劃學習案例。
數學規劃求解-線性規劃
我們有提供6個案例講解線性規劃（LP）的概念和應用場景，講解遇到不同問題時，如何分析問題，建模，然后調用優化求解器求解，再利用求解器的結果去解決問題。并提供了10+源代碼供參考。
以下會給出兩種代碼參考入口：
本地版：在MindOpt云上建模求解平臺的Notebook中運行，直接本地求解。僅包含Python代碼。
天池C/S版：在天池平臺的C/S版MindOpt遠程服務。C/S版本的教程中會有C/C++/Python的代碼，并講解如何在Linux系統中使用命令行指令來下載內容、新建和編輯代碼文件、編譯和運行程序。用到cloudshell里的teachme指令查看文檔更方便。
該教程Git倉庫存儲在了Gitee，2023.08.25從code.aliyun遷移，請注意更換線上試運行的地址。
本地運行版（見求解器SDK下載和安裝），與C/S版代碼的主要區別是不需要給服務器submit和retrieve求解數據，問題建模后直接 .solve 即可。
1. 線性規劃LP的概念講解
線性問題是運籌學中最簡單的一類問題，線性規劃是實際中應用最廣泛的運籌知識。我們都可能用過線性規劃的方法，只是不知道這些就是數學上說的“線性規劃”。
2. 營養調配：如何吃少花錢又營養豐富
營養調配問題的目標是利用優化模型來設定每日飲食菜單，在滿足各類營養的需求同時更能優化總成本。（內含12個C、C++或Python代碼）
3. 生產調度：Flow Shop 調度優化下界估計問題
Flow Shop 是調度領域中的經典模型：給定一組機器和一批工件，要求解的決策是工件之間的先后順序，優化的目標為完成所有加工的時間（降低成本）。
5. 魯棒線性回歸-預測
回歸是一種建立自變量 x（向量）和相關變量 y（標量）之間關系的預測技術。線性回歸通常可以用線性函數 y = < a,x > + b 來描述，我們可以估計出 a 和 b 的值。
6. 機器學習：帶有L1正則項的SVM多分類問題
分類是機器學習領域中最基本的任務之一。其目的是建立輸入向量x與分類變量y之間的映射關系。例如把一張張圖片根據其內容分類為“動物”、“植物”等類別。