OR-Tools的CP-SAT求解器入门案例

---

前言

近几年，在工业界的大规模问题上，越来越多的人将目光聚焦于问题的可行解，而非最优解上。也就是所谓的约束满足问题，而市面上能解决工业级大规模问题的规划求解器主要有CPLEX的CP组件（商业），和OR-Tools的CP-SAT求解器（开源）。

本文介绍的CP-SAT的底层是C++，而且包含了多种语言的API，即时是Python调用也十分高效。它的底层算法利用了一些约束满足性传播搜索等方法，在定义域上搜索满足所有约束的可行解，在一些高度非凸问题上，CP-SAT相比一些MIP求解器具有支配性的效率。这里将引用公开资料当中的案例，介绍下如何用CP-SAT进行求解。

CP-SAT入门案例

简单案例：给出如下问题：有三个变量 $x,y,x$，它们的取值范围均为 {0,1,2}。求 $x+y+z$ 满足约束条件 $x\ne y$ 下的最大取值，并给出相应的变量值。

案例来源：利用OR-Tools求解器的callback功能返回可行解

1. 建立模型实例

引入相关 cp_model 模块，并建立 CpModel 实例，作为存储模型信息的对象。

from ortools.sat.python import cp_model

model = cp_model.CpModel()

2. 建立决策变量

接着对决策变量进行建模，CP-SAT只支持建立整数类型（布尔类型）的基础变量，高级变量（区间变量）也是围绕整数建立的。通过 NewIntVar() 建立 $x,y,z$ 三个变量。

x = model.NewIntVar(lb=0, ub=2, name='x')
y = model.NewIntVar(lb=0, ub=2, name='y')
z = model.NewIntVar(lb=0, ub=2, name='z')

3. 建立约束条件

这个案例中的约束条件仅有 $x\ne y$，建立如下约束：

model.Add( x != y )

4. 建立目标函数

案例目标是最大化 $x+y+z$ 的取值，通过如下代码将目标函数添加到模型当中。

model.Maximize( x + y + z )

5. 求解问题

CP-SAT的求解需要先创建一个 CpSolver 类，并将模型传入该类的 Solve 函数。模型求解如下：

solver = cp_model.CpSolver()
status = solver.Solve(model=model)

模型求解之后，可以通过 solver.Value(var) 获取变量 var 的求解结果，通过 solver.objectiveValue() 获取目标函数值。

if status == cp_model.OPTIMAL or status == cp_model.FEASIBLE:
    print(f'Maximum of objective function: {solver.ObjectiveValue()}\n')
    print(f'x = {solver.Value(x)}')
    print(f'y = {solver.Value(y)}')
    print(f'z = {solver.Value(z)}')
else: 
	print('No solution found.')

输出结果如下：

Maximum of objective function: 5.0

x = 1
y = 2
z = 2

除此之外，可以通过 print(solver.ResponseStats()) 将求解结果全打印出来（如下）。也可以通过仅通过 print(solver.param) 来打印指定信息，例如 print(solver.BestObjectiveBound())。

CpSolverResponse summary:
status: OPTIMAL
objective: 5
best_bound: 5
integers: 1
booleans: 0
conflicts: 0
branches: 0
propagations: 0
integer_propagations: 1
restarts: 0
lp_iterations: 0
walltime: 0.010765
usertime: 0.0107651
deterministic_time: 0
gap_integral: 0
solution_fingerprint: 0xbc76f3d3e780d9b7