R语言-加快混合整数规划求解速度试验(1)

R语言中使用哪个求解器比较快

最近尝试了不少的免费最优化求解器,其中包括Rglpk、Rsymphony、 gurobi等求解包进行求解混合整数规划问题。
以windows、8G内存、i7处理器进行方程的求解。
以一个625个变量,481个约束的问题分别进行求解测试。其中gurobi的不调整参数下求解时间最快大约61s,Rglpk和Rsymphony分别为393s,342s 。
这里写图片描述
相比之下,gurobi对于其他的求解器有着较快的提升,但较为麻烦的是它的验证码申请。gurobi免费版的申请方法和安装方法可以看:
http://blog.csdn.net/qq_27755195/article/details/54018074

R中调整gurobi参数加快求解速度

测试的例子是上次的求解问题0-1规划例子,,添加了上次末尾中提及的几点:
1. 每组的最大最小值尽量的密集
2. 捆绑的人尽量和捆绑的人在一组
http

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
混合整数规划(Mixed Integer Programming, MIP)是一种数学规划问题,其中自变量既包含整数变量也包含连续变量。混合整数规划问题被认为是数学规划中最难解决的问题之一,通常需要使用近似解或局部最优解的方法来求解。常见的混合整数规划问题包括背包问题、广义指派问题和集合覆盖问题。 由于整数变量的离散性和不可微性,混合整数规划问题的求解难度较大。连续优化问题可以使用微积分的工具建立最优性条件,但整数规划问题由于整数的不连续性和离散性,无法使用微积分工具,也无法满足凸性。因此,需要使用特殊的方法来解决混合整数规划问题。 常用的混合整数规划求解算法包括: 1. 分支定界法(Branch and Bound):将问题分解为子问题,通过限定变量的取值范围,逐步缩小搜索空间,直到找到最优解。 2. 割平面法(Cutting Plane):通过添加一系列线性约束,将可行解空间进一步限制,直到找到最优解。 3. 列生成法(Column Generation):通过逐步生成新的决策变量列,不断改进模型,直至找到最优解。 4. 拉格朗日松弛法(Lagrangian Relaxation):通过将整数约束松弛为连续约束,将问题分解为一个主问题和多个子问题,通过迭代求解主问题和子问题来获得最优解。 5. 蒙特卡罗法(Monte Carlo):通过随机采样和统计方法,通过模拟得到一组解,并通过评估函数来选择最优解。 6. 隐枚举法(Implicit Enumeration):对于0-1整数规划问题,通过枚举所有可能的解来找到最优解,但随着问题规模增大,这种方法的计算复杂度会急剧增加。 这些算法可以根据问题的特性和具体要求选择使用。混合整数规划问题的求解是一个复杂而重要的研究领域,不同的算法和技术会在不同的问题上产生不同的效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值