使用 pulp cbc 求解器时,我可以设置约束的优先级吗?
When using pulp cbc solver, can I set priorities for constraints?
我正在尝试计算一组具有很多约束的二元变量的最佳答案。
我想为约束设置优先级。
例如)约束 1、2、3 的优先级为 100(最高),约束 4、5、6 的优先级为 1(最低)
我目前正在使用纸浆线性规划和 cbc 求解器来解决生产调度问题。
我的一小部分数据看起来像这样。
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9
a v1 v2 v3 v4 v5 v6 v7 v8 v9 v10
b v11 v12 v13 v14 v15 v16 v17 v18 v19 v20
c v21 v22 v23 v24 v25 v26 v27 v28 v29 v30
v_list =
[[v1, v2, v3, v4, v5, v6, v7, v8, v9, v10],
[v11, v12, v13, v14, v15, v16, v17, v18, v19, v20],
[v21, v22, v23, v24, v25, v26, v27, v28, v29, v30]]
n_rows = v_list.shape[0]
n_columns = v_list.shape[1]
每个变量可能是-1、0、1
我设置的约束如下所示。
m = LpProblem()
# constraint 1, 2 = find absolute value of each variables
m += vxx <= t
m += -vxx <= t
# constraint 3 = sum of each row must be equal to or below 2
for r_index in range(n_rows):
m += lpSum(v_list[r_index, :]) <= 2
# constraint 4 = sum of rows a and b must be equal to or below 2
m += lpSum(v_list[[0, 1], :]) <= 2
# constraint 5 = sum of all rows must be equal to or below 2
for c_index in n_columns:
m += lpSum(v_list[:, c_index]) <= 2
# constraint 6 = sum of each consecutive value must be equal to or below 1
m += lpSum(v(t) + v(t+1)) <= 1
objective就是最小化2 * row(a) + 2 * row(b) + 4 * row(c)
m += lpSum(v_list)
求解时间限制较短且LpStatus为0(未求解)的模型时,
具有最高优先级的约束已完全满足,但其他约束仅部分满足。
ex) 满足约束 1 2 3 4 但 5 6 是部分约束。
设置约束优先级的一种方法是允许它们被违反一定程度,然后在 objective 函数中惩罚违反约束的程度。
例如,在约束 1 中,您可能有 m += vxx <= t + slack_1
。其中 slack_1
是一个线性变量,然后在 objective 函数中乘以适当的权重。通过设置每个约束违规的权重,您可以定义这些约束的重要性 - 但是,这不能保证在求解器 运行.
期间满足约束的顺序
我正在尝试计算一组具有很多约束的二元变量的最佳答案。 我想为约束设置优先级。 例如)约束 1、2、3 的优先级为 100(最高),约束 4、5、6 的优先级为 1(最低)
我目前正在使用纸浆线性规划和 cbc 求解器来解决生产调度问题。
我的一小部分数据看起来像这样。
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9
a v1 v2 v3 v4 v5 v6 v7 v8 v9 v10
b v11 v12 v13 v14 v15 v16 v17 v18 v19 v20
c v21 v22 v23 v24 v25 v26 v27 v28 v29 v30
v_list =
[[v1, v2, v3, v4, v5, v6, v7, v8, v9, v10],
[v11, v12, v13, v14, v15, v16, v17, v18, v19, v20],
[v21, v22, v23, v24, v25, v26, v27, v28, v29, v30]]
n_rows = v_list.shape[0]
n_columns = v_list.shape[1]
每个变量可能是-1、0、1
我设置的约束如下所示。
m = LpProblem()
# constraint 1, 2 = find absolute value of each variables
m += vxx <= t
m += -vxx <= t
# constraint 3 = sum of each row must be equal to or below 2
for r_index in range(n_rows):
m += lpSum(v_list[r_index, :]) <= 2
# constraint 4 = sum of rows a and b must be equal to or below 2
m += lpSum(v_list[[0, 1], :]) <= 2
# constraint 5 = sum of all rows must be equal to or below 2
for c_index in n_columns:
m += lpSum(v_list[:, c_index]) <= 2
# constraint 6 = sum of each consecutive value must be equal to or below 1
m += lpSum(v(t) + v(t+1)) <= 1
objective就是最小化2 * row(a) + 2 * row(b) + 4 * row(c)
m += lpSum(v_list)
求解时间限制较短且LpStatus为0(未求解)的模型时, 具有最高优先级的约束已完全满足,但其他约束仅部分满足。
ex) 满足约束 1 2 3 4 但 5 6 是部分约束。
设置约束优先级的一种方法是允许它们被违反一定程度,然后在 objective 函数中惩罚违反约束的程度。
例如,在约束 1 中,您可能有 m += vxx <= t + slack_1
。其中 slack_1
是一个线性变量,然后在 objective 函数中乘以适当的权重。通过设置每个约束违规的权重,您可以定义这些约束的重要性 - 但是,这不能保证在求解器 运行.