文章目录
简介
MindOpt是达摩院决策智能实验室研究的一款优化求解器,能够求解LP、QP、SDP、MILP问题。目前MILP功能已经开放,无需申请特殊license一起来使用吧!
如何获取MindOpt求解器
求解器安装包的发布渠道。请大家:
前往 https://www.aliyun.com/product/ai/opt 来下载求解器软件。
在阿里云上获取免费授权码:
• 请大家迁移到“云鉴权”自助申请licenseKey,配置fl_client.ini。新的“云鉴权”不需要绑定机器ID,只要阿里云账号并联网就好。
关于求解器的使用文档,请参考:https://help.aliyun.com/document_detail/298219.htm
数学公式下的混合整数线性规划问题:
- x ∈ R n 是决策变量 l c ∈ R n 和 u c ∈ R n 分别为 x 的下界和上界 c f ∈ R 是目标函数中的常量 c ∈ R n 是目标函数中的系数 A ∈ R m × n 是约束矩阵 l r ∈ R m 和 u r ∈ R m 分别为是约束的下界和上界 x ∈ Z n 是指变量为整数的约束 \ x \in \mathbb{R}^{n} 是决策变量\\ \ l^c \in \mathbb{R}^{n} 和 u^c \in \mathbb{R}^{n} 分别为 x 的下界和上界\\ \ c^f \in \mathbb{R} 是目标函数中的常量\\ \ c \in \mathbb{R}^{n} 是目标函数中的系数\\ \ A \in \mathbb{R}^{m \times n} 是约束矩阵\\ \ l^r \in \mathbb{R}^{m} 和 u^r \in \mathbb{R}^{m} 分别为是约束的下界和上界\\ x \in \mathbb{Z}^{n}是指变量为整数的约束 x∈Rn是决策变量 lc∈Rn和uc∈Rn分别为x的下界和上界 cf∈R是目标函数中的常量 c∈Rn是目标函数中的系数 A∈Rm×n是约束矩阵 lr∈Rm和ur∈Rm分别为是约束的下界和上界x∈Zn是指变量为整数的约束
数学算例
混合整数线性规划问题示例:
- 0 ≤ x 0 ≤ 10 0 ≤ x 1 ≤ ∞ 0 ≤ x 2 ≤ ∞ 0 ≤ x 3 ≤ ∞ x 0 、 x 1 、 x 2 为整数 \begin{matrix} 0 & \leq & x_0 & \leq & 10 \\ 0 & \leq & x_1 & \leq & \infty \\ 0 & \leq & x_2 & \leq & \infty \\ 0 & \leq & x_3 & \leq & \infty \\ & & x_0、x_1、x_2 为整数 \end{matrix} 0000≤≤≤≤x0x1x2x3x0、x1、x2为整数≤≤≤≤10∞∞∞
MindOpt和C++下的建模优化
核心使用的几个APIs是:
MdoModel model;
model.setIntAttr(MDO_INT_ATTR::MIN_SENSE, MDO_YES);
model.addCons(1.0, MDO_INFINITY, 1.0 * x[0] + 1.0 * x[1] + 2.0 * x[2] + 3.0 * x[3], "c0");
model.addCons(1.0, 1.0, 1.0 * x[0] - 1.0 * x[2] + 6.0 * x[3], "c1");
model.solveProb();
model.displayResults();
下面是完整的例子,可复制存为 MdoMiloEx1.cpp
文件。
#include <iostream>
#include <vector>
/*引入头文件*/
#include "MindoptCpp.h"
using namespace mindopt;
int main(void)
{
/*------------------------------------------------------------------*/
/* Step 1. 创建模型并更改参数。 */
/*------------------------------------------------------------------*/
/* 创建一个空模型 */
MdoModel model;
try
{
/*------------------------------------------------------------------*/
/* Step 2. 输入模型。. */
/*------------------------------------------------------------------*/
/* 改为最小化问题 */
/*通过 mindopt::MdoModel::setIntAttr() 将目标函数设置为 最小化*/
model.setIntAttr(MDO_INT_ATTR::MIN_SENSE, MDO_YES);
/* 添加变量 */
/*调用 mindopt::MdoModel::addVar() 来添加四个优化变量,定义其下界、上界、名称和类型*/
std::vector<MdoVar> x;
x.push_back(model.addVar(0.0, 10.0, 1.0, "x0", MDO_YES));
x.push_back(model.addVar(0.0, MDO_INFINITY, 1.0, "x1", MDO_YES));
x.push_back(model.addVar(0.0, MDO_INFINITY, 1.0, "x2", MDO_YES));
x.push_back(model.addVar(0.0, MDO_INFINITY, 1.0, "x3", MDO_NO));
/* 添加约束 */
/*通过 mindopt::MdoModel::addCons()来添加约束*/
model.addCons(1.0, MDO_INFINITY, 1.0 * x[0] + 1.0 * x[1] + 2.0 * x[2] + 3.0 * x[3], "c0");
model.addCons(1.0, 1.0, 1.0 * x[0] - 1.0 * x[2] + 6.0 * x[3], "c1");
/*------------------------------------------------------------------*/
/* Step 3. 解决问题并填充结果。 */
/*------------------------------------------------------------------*/
/* 调用 mindopt::MdoModel::solveProb() 求解优化问题,
并通过 mindopt::MdoModel::displayResults() 查看优化结果 */
model.solveProb();
model.displayResults();
}
catch (MdoException & e)
{
std::cerr << "===================================" << std::endl;
std::cerr << "Error : code <" << e.getResult() << ">" << std::endl;
std::cerr << "Reason : " << model.explainResult(e.getResult()) << std::endl;
std::cerr << "===================================" << std::endl;
return static_cast<int>(e.getResult());
}
return static_cast<int>(MDO_OKAY);
}
MindOpt求解的结果
运行MdoMiloEx1.cpp文件的步骤
cd <MDOHOME>/<VERSION>/examples/CPP
make -f Makefile all
./MdoMiloEx1
windows系统本例是在Visual Studio上运行,版本为2019
可以参考《配置C++案例》:https://blog.csdn.net/MindOpt_003/article/details/128902071?spm=1001.2014.3001.5502
如上文所述,运行MdoMiloEx1.cpp文件,得到求解的结果如下所示。
Model summary.
- Num. variables : 4
- Num. constraints : 2
- Num. nonzeros : 7
- Num. integer vars. : 3
- Bound range : [1.0e+00,1.0e+01]
- Objective range : [1.0e+00,1.0e+00]
Branch-and-cut method started.
Model summary.
- Num. variables : 4
- Num. constraints : 2
- Num. nonzeros : 7
- Bound range : [1.0e+00,1.0e+01]
- Objective range : [1.0e+00,1.0e+00]
- Matrix range : [1.0e+00,6.0e+00]
Presolver started.
Presolver terminated. Time : 0.005s
Simplex method started.
Iteration Objective Dual Inf. Primal Inf. Time
0 0.00000e+00 0.0000e+00 1.3102e+00 0.04s
2 5.55556e-01 0.0000e+00 0.0000e+00 0.06s
Postsolver started.
Simplex method terminated. Time : 0.051s
2 5.55556e-01 0.0000e+00 0.0000e+00 0.08s
2 5.55556e-01 0.0000e+00 0.0000e+00 0.09s
2 5.55556e-01 0.0000e+00 0.0000e+00 0.10s
2 5.55556e-01 0.0000e+00 0.0000e+00 0.11s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.12s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.14s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.14s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.15s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.17s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.18s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.18s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.19s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.20s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.21s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.22s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.22s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.23s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.25s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.25s
0 5.55556e-01 0.0000e+00 0.0000e+00 0.26s
Branch-and-cut method terminated. Time : 0.567s
Optimizer summary.
- Optimizer used : Branch-and-cut method
- Optimizer status : OPTIMAL
- Total time : 0.624s
Solution summary. Primal solution
- Objective : 1.0000000000e+00
解释输出:
- 第一行到第七行总结了模型的规模,包括变量、约束的数量,限制范围、目标范围
- 9-19行:使用分支切割方法,还有总结的模型规模,矩阵范围,进行前求解,然后前求解结束。
- 21-27行:使用单纯形法求解产生的一些迭代信息
- Iteration(迭代次数) Objective(目标值) Dual Inf.(对偶不可行) Primal Inf. (原始不可行)
- 29-49行:分支切割方法产生的迭代信息。
- 51-54行:优化器的总结,包括最终使用的求解方法、求解状态、求解时间。
- 56-57行:展示了目标函数最优解
联系我们
钉钉群号:32451444
邮箱地址:solver.damo@list.alibaba-inc.com
更多更新通知:https://solver.damo.alibaba.com
MindOpt-2023年度有奖问卷调研
MindOpt邀请您参与有奖问卷!
问卷填写地址: https://yida.alibaba-inc.com/o/MindOpt_2023
八个问题,预计耗时十分钟
联系小编个人钉账号领取奖品:hw2-wwffqg05p
电子邮箱联系:solver.damo@list.alibaba-inc.com