调用cplex库和DOcplex库进行优化问题的求解_sunshinecxm_BJTU的博客

相关参数说明

下面是一个MIP的简单例子，结合例子来看。首先将问题的目标函数和约束定义好，再传入接口中，一些符号的定义均已注释
# -*- coding: utf-8 -*-
# The MIP problem solved in this example is:
# 问题描述
#   Maximize  x1 + 2 x2 + 3 x3 + x4
#   Subject to
#      - x1 +   x2 + x3 + 10 x4 <= 20
#        x1 - 3 x2 + x3         <= 30
#               x2      - 3.5x4  = 0
#   Bounds
#        0 <= x1 <= 40
#        0 <= x2
#        0 <= x3
#        2 <= x4 <= 3
#   Integers
#       x4
import cplex
from cplex.exceptions import CplexError
# data common to all populateby functions
my_obj = [1.0, 2.0, 3.0, 1.0]   # 系数
my_ub = [40.0, cplex.infinity, cplex.infinity, 3.0] # 变量上界
my_lb = [0.0, 0.0, 0.0, 2.0]    # 变量下界
my_ctype = "CCCI"               # 变量类型， I 表示Integer
my_colnames = ["x1", "x2", "x3", "x4"]  # 变量名
my_rhs = [20.0, 30.0, 0.0]      # 约束右端的值
my_rownames = ["r1", "r2", "r3"]    # 约束名
my_sense = "LLE"            # 约束的属性：L表示小于，E表示等于
def populatebyrow(prob):
    prob.objective.set_sense(prob.objective.sense.maximize) # 求最大值 maximize
    prob.variables.add(obj=my_obj, lb=my_lb, ub=my_ub, types=my_ctype,
                       names=my_colnames)# 导入刚才设置变量相关的值
    rows = [[["x1", "x2", "x3", "x4"], [-1.0, 1.0, 1.0, 10.0]],
            [["x1", "x2", "x3"], [1.0, -3.0, 1.0]],
            [["x2", "x4"], [1.0, -3.5]]]# 设置约束的系数
    prob.linear_constraints.add(lin_expr=rows, senses=my_sense,
                                rhs=my_rhs, names=my_rownames)# 填充线性参数进模型
try:
    my_prob = cplex.Cplex()
    handle = populatebyrow(my_prob)     # 调用函数填充模型
    my_prob.solve()
except CplexError as exc:
    print(exc)
print()
# solution.get_status() returns an integer code
print("Solution status = ", my_prob.solution.get_status(), ":", end=' ')
# 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()) # 获取最优解的值
numcols = my_prob.variables.get_num()
numrows = my_prob.linear_constraints.get_num()#
slack = my_prob.solution.get_linear_slacks()
x = my_prob.solution.get_values()   # 获取取得最优解的变量值
print('x: ')
print(x)      
调用DOcplex库进行优化问题的求解
 
DOcplex是一个基于python的建模语言库，通过调用cplex的求解器来求解模型，可以理解成将cplex的api进行二次封装，所以用DOcplex需要先装cplex。
 它的求解速度并不低于cplex的python api，而且同时支持求解cp（约束规划）和mp（数学规划）
 基本步骤
 ①导入库 
from docplex.mp.model import Model
除了导入docplex之外有时候也根据需要导入其他的。 
②导入数据、创建列表等 
简单的数据初始化处理
 ③创建模型 
mdl = Model()  #简写，方便后面用
④变量处理 
变量在放入目标函数和约束前需要进行相应处理，标明数据类型、上下界，名称等。如：
 x = mdl.binary_var_list(var_list, lb =, ub =,name = ‘x’)
 0/1变量——binary，整数——integer，连续型——continuous，…
 列表——list，字典——dict,… 
⑤设置目标函数 
最小化mdl.minimize(…)，最大化mdl.maximize(…) 
⑥添加约束 
mdl.add_constraint(…)
 mdl.add_constraint(…)
 …
 约束里有xi，yj之类的话要用mdl.add_constraints()
 有 ‘<’ 或 ‘>’ 的式子也需要转换成 ‘=’ ，’>=‘和’<=’ 
⑦求解模型 
sol = mdl.solve()
⑧结果输出 
print(sol)
print(sol.solve_details)可以显示求解时间、问题类型等细节信息。
【例1】变量连续
 https://blog.csdn.net/yaologos/article/details/85284961 
max 3 * x1 + 5 * x2 + 4 * x3
s.t.
2 * x1 + 3 * x2 <= 1500
2 * x2 + 4 * x3 <= 800
3 * x1 + 2 * x2 + 5 * x3 <= 2000
x1, x2, x3 >= 0
from docplex.mp.model import Model  #导出库，只用这一个就够了
model = Model() #创建模型
var_list = [i for i in range(0, 3)] #创建列表
X = model.continuous_var_list(var_list, lb=0, name='X') #创建变量列表
model.maximize(3 * X[0] + 5 * X[




    
1] + 4 * X[2])  #设定目标函数
#添加约束条件
model.add_constraint(2 * X[0] + 3 * X[1] <= 1500)
model.add_constraint(2 * X[1] + 4 * X[2] <= 800)
model.add_constraint(3 * X[0] + 2 * X[1] + 5 * X[2] <= 2000)
sol = model.solve() #输出解
print（sol） #获取默认形式的输出
print(sol.get_all_values()) #获取所有的变量解
print(sol.solve_details) #获取解的详细信息，如时间，gap值等
【例2】整数变量 
max 800*x1 + 300*x2
s. t. 
	6 * x1 + 8 * x2 <= 120
	10 * x1 + 5 * x2 <= 100
	x1, x2 >= 0 且均为整数
from docplex.model import Model
model = Model()
#创建变量列表
x_list = [i for i in range(2)] 
X = model.integer_var_list(x_list, name='x')
model.maximize(4*X[0] + 6*X[1] + 2*X[2])
model.add_constraint(4*X[0] - 4*X[1] >= 7)
model.add_constraint(-X[0] + 6*X[1] <= 5)
model.add_constraint(-X[0] + X[1] + X[2] <= 5)
sol = model.solve() #输出解
print（sol） #获取默认形式的输出
print(sol.get_all_values()) #获取所有的变量解
print(sol.solve_details) #获取解的详细信息，如时间，gap值等
【例2】0-1变量 
from docplex.mp.model import Model  #导出库，只用这一个就够了
model = Model() #创建模型
var_list = [i for i in range(0, 7)] #创建列表
X = model.binary_var_list(var_list, lb=0, name='X') #创建变量列表
#设定目标函数
model.maximize(11* X[0] + 9 * X[1] + 29 * X[2]+9* X[3]+21*X[4]+31*X[5]+22*X[6])  
#添加约束条件
model.add_constraint(X[0]+X[1]+X[2] <= 2)
model.add_constraint(X[3] + X[4] >=1)
model.add_constraint(X[5] + X[6] >=1)
model.add_constraint(10* X[0] + 8* X[1] + 20 * X[2]+5* X[3]+13*X[4]+22*X[5]+10*X[6] <=60)
sol = model.solve() #求解模型
print(sol)  #打印结果
DOcplex库 examples：
 http://ibmdecisionoptimization.github.io/docplex-doc/mp/samples.html
                        原文链接：https://blog.csdn.net/weixin_46651999/article/details/108866265
                                    文章参考了ZhaoDongqiang（C++调用cplex求解VRPTW模型），补充了在Jyputer编辑器中用Python调用Cplex求解VRPTW问题，修正了模型中的小错误，具体如下：
1 VRPTW数学模型
2 Python调用Cplex求解
2.1 调用所需的库
2.2 初始化参数
2.3 调用docplex建模
2.4 求解结果
1 VRPTW数学模型
网上能找到的python调用cplex示例实在太少，全英文的官方文档又十分难啃，还是从例子学起比较好，转了一圈找到github，发现IBM写了几个例子，但是又没有中文博客解释。代码看半天终于懂了个大概，搬运一下，同时记录菜鸟笔记，抛砖引玉，欢迎大家批评指正。
2 IBM官方说明
IBM在下述网页中提供了DOcplex说明手册、示例、云端求解等内容，可以大致看一下按需要获取。
IBMDecisionOptimization/docplex-examples
https://github.com/IB
                                    写在前面的话
作为一只想要努力毕业的科研小白，终于也到了用cplex来求解一下我东拼西凑出来的小数学模型这一步了。应老板的要求，也是为了锻炼一下我的编程能力，决定用python调用docplex来求解。显然，这年头，这么看颜值的时代，谁还不用个好用又好看的IDE啊。因为之前念本科的时候用过JetBrains公司的WebStorm，好看又好用，快捷键也很方便，于是在选用python的IDE时，就自然...
                                    学习笔记而已，看的b站搬运
https://www.bilibili.com/video/BV1ab411G79M
CVRP指载重量有限的车辆运输问题，从起点出发，到n个点获取物资，然后运回起点，要求运输路径总和最短
主要把视频里面每一句代码的意义搞清楚(注释)，方便自己复现学习与对照使用
import cplex
import docplex
import numpy as np
rnd = np.random
rnd.seed(0)
n = 10                           
                                    anaconda环境下Cplex及Docplex安装流程【python】安装Cplex安装DOcplex验证DOcplex是否安装成功
安装Cplex
参考链接1——Cplex在anaconda安装过程
参考链接2——获得Cplex企业版本（在文章评论处）
总体流程：
从链接2获得Cplex企业版本，可以发现该版本仅支持python3.6/3.7（注意一下图中的路径，别找到CPLEX_Server里面去了）
                                    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 +  
                                    Python+cplex运筹优化学习笔记（二）
这里写目录标题Python+cplex运筹优化学习笔记（二）前言1、	cplex和docplex2、例子2.1声明各参数：2.2导入运筹优化库2.3定义决策变量2.4实现约束条件2.5实现目标函数2.6求解模型2.7打印结果3.总结4.引用
首先呢，说明一下，本文只是自己在学习过程中运用到的例子，然后规整总结一下，随便写写自己所做的一些笔记。小白学习，有不对的地方还望大家批评指正。
1、	cplex和docplex
简单来说都是cplex的API，在py
使用docplex建模求解可能会出现无结果的错误，如下。
并且没有给出冲突约束，难以找出问题所在
Root node processing (before b&c):
  Real time             =    0.03 sec. (20.17 ticks)
Parallel b&c, 4 threads:
  Real time             =    0.00 sec. (0.00 ticks)
                                    CPLEX Error 1016: Promotional version. Problem size limits exceed。出现这个问题的原因是，cplex的版本问题，是由于你的问题求解规模太大，所以试用版的免费版就不能求解.这是我原来从IBM官网下的12.8的免费版只能解决小规模问题，后来自己更换了12.8的学术版本，模型就可以跑了。
因为官网服务器问题，我注册了学校邮箱，但是下载时候...
一个基于python的建模语言库，目前支持仅调用cplex求解器，不像其他成熟的建模语言可以调用多个求解器，
但其强大之处在于支持cplex的CP模块，其他建模语言仅能针对MP模块进行调用。
求解速度不次于python api，而且语言更加精炼，更贴近建模语言的本质，符合python的简练和opl语言的直观。
函数较...
                                    文章分为两分1.如何在python中调用cplex；2.如何实现python调用cplex学术版。
1.如何在python中调用cplex；
首先保证自己的安装了python3.7（cplex不支持3.8和更高的版本）
首先移除现有的python3.8
brew unlink python3
然后去官网下载3.7的安装包。
Python官网：
找到要安装的版本，3.7.9：https://www.python.org/downloads/release
下载到本地，双击安装，一路下一步，按提示操作即可，都
                                    python调用cplex解决规划问题（二）
上篇文章直接使用python调用cplex求解器解决旅行商问题（TSP）。但是只能是固定节点和距离的计算。所以这次小小的优化了一下，使用更贴近建模语言的docplex语法包进行改进，然后通过读取excel表格来获取数据。废话不多说直接上代码喽！
下面是主程序：
from docplex.mp.model import Model
from excel_to_matrix import excel_to_matrix
datafile = 'C:\\Users\
                                    Cplex学术版安装+anaconda
出现问题：docplex.mp.utils.DOcplexLimitsExceeded:****Promotional version.Problem size limints(…)
pythonl里直接下载的Cplex 是免费的并且有限制，只能求解小规模的问题。需要用cplex 学术版，才能求解更大规模的问题.
1.我安装的Cplex版本：Cplex12.9
免费版的官网地址：http://ibm.biz/CPLEXonAI
在这里下载需要有学校教育邮箱。如若没有
                                    我需要解决类似于背包问题的优化问题。我在这篇文章中详细介绍了优化问题：knapsack optimization with dynamic variables我实际上需要使用python而不是OPL，所以我安装了docplex和clpex包以便使用cplex优化框架。所以这里是我想用docplex转换为python的OPL代码{string} categories=...;{string} gro...