优化求解器的线性规划学习案例。
数学规划求解-线性规划
我们有提供6个案例讲解线性规划（LP）的概念和应用场景，讲解遇到不同问题时，如何分析问题，建模，然后调用优化求解器求解，再利用求解器的结果去解决问题。并提供了10+源代码供参考。
以下会给出两种代码参考入口：
本地版：在MindOpt云上建模求解平台的Notebook中运行，直接本地求解。仅包含Python代码。
天池C/S版：在天池平台的C/S版MindOpt远程服务。C/S版本的教程中会有C/C++/Python的代码，并讲解如何在Linux系统中使用命令行指令来下载内容、新建和编辑代码文件、编译和运行程序。用到cloudshell里的teachme指令查看文档更方便。
该教程Git仓库存储在了Gitee，2023.08.25从code.aliyun迁移，请注意更换线上试运行的地址。
本地运行版（见求解器SDK下载和安装），与C/S版代码的主要区别是不需要给服务器submit和retrieve求解数据，问题建模后直接 .solve 即可。
1. 线性规划LP的概念讲解
线性问题是运筹学中最简单的一类问题，线性规划是实际中应用最广泛的运筹知识。我们都可能用过线性规划的方法，只是不知道这些就是数学上说的“线性规划”。
2. 营养调配：如何吃少花钱又营养丰富
营养调配问题的目标是利用优化模型来设定每日饮食菜单，在满足各类营养的需求同时更能优化总成本。（内含12个C、C++或Python代码）
3. 生产调度：Flow Shop 调度优化下界估计问题
Flow Shop 是调度领域中的经典模型：给定一组机器和一批工件，要求解的决策是工件之间的先后顺序，优化的目标为完成所有加工的时间（降低成本）。
5. 鲁棒线性回归-预测
回归是一种建立自变量 x（向量）和相关变量 y（标量）之间关系的预测技术。线性回归通常可以用线性函数 y = < a,x > + b 来描述，我们可以估计出 a 和 b 的值。
6. 机器学习：带有L1正则项的SVM多分类问题
分类是机器学习领域中最基本的任务之一。其目的是建立输入向量x与分类变量y之间的映射关系。例如把一张张图片根据其内容分类为“动物”、“植物”等类别。