CPLEX API for Python_cplex.sparsepair

cplex.SparseTriple

l = cplex.SparsePair(ind = ['x'], val = [1.0])
q = cplex.SparseTriple(ind1 = ['x'], ind2 = ['y'], val = [1.0])
 c.quadratic_constraints.add(name = "my_quad",
							    	lin_expr = l,
                                    quad_expr = q,
                                    rhs = 1.0,
                                    sense = "G")
这里一定要注意：SparsePair 和 SparseTriple 的入参顺序不能调换，必须参数 ind 在前，系数值 val 在后。否则会报错： 
TypeError: non-float value in input sequence
cplex.objective.set_linear
 
cpx.set_results_stream(None)
cpx.set_log_stream(None)
cpx.parameters.preprocessing.reduce.set(0)
cpx.parameters.lpmethod.set(cpx.parameters.lpmethod.values.primal)
cpx.objective.set_sense(cpx.objective.sense.maximize)
#  添加变量
cpx.variables.add(obj=[0.0],lb=[0.0],ub=[cplex.infinity],names=['X1'])
cpx.variables.add(obj=[0.0],lb=[0.0],ub=[cplex.infinity],names=['X2'])
cpx.variables.add(obj=[0.0],lb=[0.0],ub=[cplex.infinity],names=['X3'])
cpx.variables.add(obj=[0.0],lb=[0.0],ub=[cplex.infinity],names=['X4'])
cpx.variables.add(obj=[0.0],lb=[0.0],ub=[cplex.infinity],names=['X5'])
#  设置线性变量
cpx.objective.set_linear([(0,21),(2,22)])
cpx.objective.set_linear([(1,23),(3,24),(4,25)])
cpx.objective.set_linear([(2,11)])
print(cpx.objective.get_linear())
运行结果如下： 
[21.0, 23.0, 11.0, 24.0, 25.0]
备注：在 set_linear 之前必须添加变量，否则会报错 
cplex.exceptions.errors.CplexSolverError: CPLEX Error  1201: Column index 0 out of range.
objective set_linear 
linear_constraints add 
solution get_status() 
solution get_values(*) 
solution status unbounded 
solution advanced get_ray() 
SparsePair 
parameters preprocessing reduce.set(0) 
parameters lpmethod set(*) 
parameters lpmethod values primal 单纯形法 
Python 用户的 CPLEX 
python教程 
模块 cplex 中的主类是类 Cplex。 它将优化问题的数学方程与用户所指定的有关 CPLEX 应如何对问题求解的信息封装在一起。 类 Cplex 提供了方法以修改问题、对问题求解以及查询问题本身及其解法。 类 Cplex 的方法分组为相关功能的类别。 例如，用于添加、修改和查询与变量相关的数据的方法包含在类 Cplex 的成员 variables 中。 
可以在 CPLEX 的各组件中对标准方程中的此线性规划模型求解。
 要求解的问题是：
 最大化  
以下是使用 CPLEX 对示例求解的 Python 应用程序: 
execfile("cplexpypath.py")
import cplex
from cplex.exceptions import CplexError
import sys
# data common to all populateby functions
my_obj      = [1.0, 2.0, 3.0]
my_ub       = [40.0, cplex.infinity, cplex.infinity]
my_colnames = ["x1", "x2", "x3"]
my_rhs      = [20.0, 30.0]
my_rownames = ["c1", "c2"]
my_sense    = "LL"
def populatebyrow(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
    # since lower bounds are all 0.0 (the default), lb is omitted here
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames)
    # can query variables like the following bounds and names:
    # lbs is a list of all the lower bounds
    lbs = prob.variables.get_lower_bounds()
    # ub1 is just the first lower bound
    ub1 = prob.variables.get_upper_bounds(0)
    # names is ["x1", "x3"]
    names = prob.variables.get_names([0, 2])
    rows = [[[0,"x2","x3"],[-1.0, 1.0,1.0]],
            [["x1",1,2],[ 1.0,-3.0,1.0]]]
    prob.linear_constraints.add(lin_expr = rows, senses = my_sense,
                                rhs = my_rhs, names = my_rownames)
    # because there are two arguments, they are taken to specify a range
    # thus, cols is the entire constraint matrix as a list of column vectors
    cols = prob.variables.get_cols("x1", "x3")
def populatebycolumn(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
    prob.linear_constraints.add(rhs = my_rhs, senses = my_sense,
                                names = my_rownames)
    c = [[[0,1],[-1.0, 1.0]],
         [["c1",1],[ 1.0,-3.0]],
         [[0,"c2"],[ 1.0, 1.0]]]
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames,
                       columns = c)
def populatebynonzero(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
    prob.linear_constraints.add(rhs = my_rhs, senses = my_sense,
                                names = my_rownames)
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames)
    rows = [0,0,0,1,1,1]
    cols = [0,1,2,0,1,2]
    vals = [-1.0,1.0,1.0,1.0,-3.0,1.0]
    prob.linear_constraints.set_coefficients(zip(rows, cols, vals))
    # can also change one coefficient at a time
    # prob.linear_constraints.set_coefficients(1,1,-3.0)
    # or pass in a list of triples
    # prob.linear_constraints.set_coefficients([(0,1,1.0), (1,1,-3.0)])
def lpex1(pop_method):
        my_prob = cplex.Cplex()
        if pop_method == "r":
            handle = populatebyrow(my_prob)
        if pop_method == "c":
            handle = populatebycolumn(my_prob)
        if pop_method == "n":
            handle = populatebynonzero(my_prob)
        my_prob.solve()
    except CplexError, exc:
        print exc
        return
    numrows = my_prob.linear_constraints.get_num()
    numcols = my_prob.variables.get_num()
    print
    # solution.get_status() returns an integer code
    print "Solution status = " , my_prob.solution.get_status(), ":",
    # the following line prints the corresponding string
    print my_prob.solution.status[my_prob.solution.get_status()]
    print "Solution value  = ", my_prob.solution.get_objective_value()
    slack = my_prob.solution.get_linear_slacks()
    pi    = my_prob.solution.get_dual_values()
    x     = my_prob.solution.get_values()
    dj    = my_prob.solution.get_reduced_costs()
    for i in range(numrows):
        print "Row %d:  Slack = %10f  Pi = %10f" % (i, slack[i], pi[i])
    for j in range(numcols):
        print "Column %d:  Value = %10f Reduced cost = %10f" % (j, x[j], dj[j])
    my_prob.write("lpex1.lp")
if __name__ == "__main__":
    if len(sys.argv) != 2 or sys.argv[1] not in  ["-r", "-c", "-n"]:
        print "Usage: lpex1.py -X"
        print "   where X is one of the following options:"
        print "      r          generate problem by row"
        print "      c          generate problem by column"
        print "      n          generate problem by nonzero"
        print " Exiting..."
        sys.exit(-1)
    lpex1(sys.argv[1][1])
else:
    prompt = """Enter the letter indicating how the problem data should be populated:
    r : populate by rows
    c : populate by columns
    n : populate by nonzeros\n ? > """
    r = 'r'
    c = 'c'
    n = 'n'
    lpex1(input(prompt))
                    Python 用户的 CPLEXpython教程模块 cplex 中的主类是类 Cplex。 它将优化问题的数学方程与用户所指定的有关 CPLEX 应如何对问题求解的信息封装在一起。 类 Cplex 提供了方法以修改问题、对问题求解以及查询问题本身及其解法。 类 Cplex 的方法分组为相关功能的类别。 例如，用于添加、修改和查询与变量相关的数据的方法包含在类 Cplex 的成员 variab...
				论文题目：Clustering by Passing Messages Between Data Points
Clustering by Passing Messages Between Data Points
Brendan J. Frey*, Delbert Dueck
通过在数据点之间传递消息进行聚类
Brendan J. Frey*, Delbert Dueck
Abstract
Clustering data by identifying a subset of representative e
				好久不写博客了，大部分时间都用来干一些重复而繁杂的工作，好久没有认认真真学习一些东西了。
借着参加服创的机会要入手学习一些运筹学知识，就从Cplex开始吧。
首先直接用Python的cplex接口写线性规划比较简单，话不多说直接从实例看：
每一句的详解都在旁边的注释上
Cplex实例
# The MIP problem solved in this example is:
#   Maximize  x1 + 2 x2 + 3 x3 + x4
#   Subject to
#      - x1 +  
				线性约束：
linear−expressionsymbollinear−expression
linear_ -expression   \quad symbol \quad   linear_-expression
linear−expressionsymbollinear−expression
其中symbol仅能取===、≤\le≤、≥\ge≥一般形式：
min⁡Cxts.t.Ax≥Bx≥0
\min C^t _x
\\s.t. \quad Ax \ge B
\\x \ge 0
minCxts.
				cplex python安装及入门1. cplex安装2. cplex学习资源3. 百度网盘资源
笔者最近学习cplex，从安装到入门走了不少弯路，现在提供一个相对全面的cplex学习博文。
1. cplex安装
可以参考这篇博文DOcplex系列（二）——怎样成功安装和调用学术版DOcplex
里面介绍了学术版cplex的安装以及在python下的调用。
学术版cplex12.8网盘资源将在文末提供
该文仅介绍了在python下的安装。因为anaconda统一管理包更方便，而pycharm直接使用这些包即
				https://ibm.onthehub.com/WebStore/ProductSearchOfferingList.aspx?srch=Cplex
cplex_studio 版本下载地址，可以注册学生版or faculty版本
第一步：注册IBM id账号
第二步：下载相关系统的CPLEX（windows/linux/mac）
这里需要系统中安装有JAVA，选择 open wi
				CPLEX是一个高性能的数学优化软件包，它提供了一系列强大的求解器和工具，用于解决线性规划、整数规划、混合整数规划等数学优化问题。CPLEX可以通过多种编程语言进行使用，其中包括Python。
在Python中使用CPLEX，你可以使用CPLEX Python API，它提供了与CPLEX求解器的交互接口。你可以通过安装CPLEX软件包并设置相应的环境变量后，使用CPLEX Python API来构建和求解数学优化模型。
下面是一个简单的示例代码，演示如何使用CPLEX Python API来解决一个线性规划问题：
```python
import cplex
# 创建一个新的线性规划问题
problem = cplex.Cplex()
# 添加变量
problem.variables.add(names=["x", "y", "z"])
# 设置目标函数系数
problem.objective.set_linear("x", 1.0)
problem.objective.set_linear("y", 2.0)
problem.objective.set_linear("z", 3.0)
# 添加约束条件
problem.linear_constraints.add(lin_expr=[cplex.SparsePair(ind=["x", "y", "z"], val=[1.0, 1.0, 1.0])], senses=["G"], rhs=[1.0])
problem.linear_constraints.add(lin_expr=[cplex.SparsePair(ind=["x"], val=[-1.0])], senses=["L"], rhs=[0.0])
problem.linear_constraints.add(lin_expr=[cplex.SparsePair(ind=["y"], val=[2.0])], senses=["E"], rhs=[3.0])
# 求解线性规划问题
problem.solve()
# 打印结果
print("Solution status = ", problem.solution.get_status())
print("Objective value = ", problem.solution.get_objective_value())
print("Solution = ", problem.solution.get_values())
这是一个简单的例子，你可以根据自己的需求来构建更复杂的数学优化模型。CPLEX Python API提供了丰富的方法和函数，可以帮助你构建和求解各种类型的数学优化问题。如果你想了解更多关于CPLEX Python API的信息，你可以参考CPLEX的官方文档或者其他相关资源。

objective	set_linear
linear_constraints	add
solution	get_status()
solution	get_values(*)
solution	status	unbounded
solution	advanced	get_ray()
SparsePair
parameters	preprocessing	reduce.set(0)
parameters	lpmethod	set(*)
parameters	lpmethod	values	primal	单纯形法