MindOpt对MILP问题的建模优化，MILP功能已经开放啦

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：

• $$\begin{gathered} x\in {\mathbb{R}}^n是决策变量 \\ {l}^c\in {\mathbb{R}}^n和u^c\in {\mathbb{R}}^n分别为x的下界和上界 \\ {c}^f\in \mathbb{R}是目标函数中的常量 \\ c\in {\mathbb{R}}^n是目标函数中的系数 \\ A\in {\mathbb{R}}^{m\times n}是约束矩阵 \\ {l}^r\in {\mathbb{R}}^m和u^r\in {\mathbb{R}}^m分别为是约束的下界和上界 \\ x\in {\mathbb{Z}}^n是指变量为整数的约束 \end{gathered}$$

数学算例

混合整数线性规划问题示例：

• $\begin{array}{ccccc}0& \le & x_0& \le & 10\\ 0& \le & x_1& \le & \infty \\ 0& \le & x_2& \le & \infty \\ 0& \le & x_3& \le & \infty \\ & & x_0、x_1、x_2为整数& & \end{array}$

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