使用达摩院MindOpt优化交通调度_最大化通行量—线性规划问题

网络流问题

在数学规划中，网络流问题是指一类基于网络模型的流量分配问题。网络流问题的目标是在网络中分配资源，使得网络的流量满足一定的限制条件，并且使得某些目标函数最小或最大化。网络流问题通常涉及一个有向图，图中每个节点表示一个资源，每条边表示资源之间的关系。边上有一个容量值，表示该边上最多可以流动的资源数量。流量从源节点开始流出，经过一系列中间节点，最终到达汇节点。在这个过程中，需要遵守一定的流量守恒和容量限制条件。

具体而言，网络流问题可以分为最大流和最小割两类。最大流问题是寻找在网络中从源节点到汇节点的最大流量，而最小割问题是寻找一组割，将网络划分为两个部分，并且通过这些割的容量之和最小化。如在有向图中分配流量，使每条边的流量不会超过它的容量约束，同时达到路径长度最小或者花费最小等目标函数的优化问题。

网络流问题在实际应用中非常广泛,如货物运输、通信网络、电力网络等：

• 物流：求解仓网规划问题。
• 制造：求解工厂的排班排产问题。
• 交通：求解车辆和货物的匹配问题。
• 通信：求解网络设施的规划， 通信管道的调优问题。
• 能源：求解石油、天然气、电力的最优配送问题。

接下来我们通过两个案例讲解业务场景中遇到的网络流问题，如何运用数学规划的方法建模、采用 MindOpt APL来建模和调用求解器求解它们。

本篇是第一个案例：交通调度_最大化通行量

1. 交通问题规划

已知有$a,b,c,d,e,f,g$七个站点，每个站点都有若干条进站道路与出站道路，道路旁的数字表示单位时间内此路所能承载的最大车辆数，问如何分配车辆使得单位时间从站点$a$出发，最后到达站点$g$的车辆最多？

2. 数学规划模型

以上问题的数学模型如下。

集合

• 站点集合  $S$
• 中间站点集合 $M$
• 路线集合 $R$，是$S$站点可连接的集合

参数

• 起点 $e=a$, $a\in S$
• 道路 $r\in R$最少能通过的车辆数 $l{b}_r$
• 道路 $r\in R$最多能通过的车辆数 $u{b}_r$

变量

单位时间，道路 $r\in R$通过的车辆数 $x_r$

目标函数

最大化从起点$e$站出发的车的数量，即经过该点的道路的车辆数之和： $\max {\sum }_{ej\in R}{x}_{ej}$

约束

进入中间站点 $k\in M$车的数量等于该站点出去车的数量 ${\sum }_{i\in S}{x}_{ik}={\sum }_{j\in S}{x}_{kj}$

这里我们汇总的数学模型为：

---

$$\begin{array}{rl}\max & \sum _{ej\in R}{x}_{ej}\\ s.t.& \sum _{ik\in R}{x}_{ik}=\sum _{kj\in R}{x}_{kj},\forall k\in M\\ & u{b}_r\ge x_r\ge l{b}_r,\forall r\in R\end{array}$$

---

3. MindOpt APL 建模和求解

MindOpt APL是一款代数建模语言，它可以方便地将数学语言描述成程序，然后调用多种求解器求解。MindOpt Solver对网络流的线性规划求解效率很不错，且能支持大规模的问题。

改写上面的数据图和数学模型，如下代码，在Notebook的cell中运行它：

clear model;

# 建模
# net1.mapl
set Station :={"a","b","c","d","e","f","g"};
set Middle := {"b","c","d","e","f"};
set Roads :={<"a","b">,<"b","d">,<"c","d">,<"d","e">,<"e","g">,<"a","c">,<"b","e">,<"c","f">,<"d","f">,<"f","g">};

param entr := "a";

param lb := 0;
param ub[Roads] := <"a","b"> 50, <"b","d"> 40, <"c","d"> 60, <"d","e"> 50, <"e","g"> 70, <"a","c"> 100, <"b","e"> 20, <"c","f"> 20, <"d","f"> 60, <"f","g"> 70;

var x[<i,j> in Roads] >= lb <= ub[i,j];

maximize Total : sum {<entr,j> in Roads } x[entr,j]; #起点进入的最大流量

#流量均衡
subto Balance: 
    forall <k> in Middle do
        sum {<i,k> in Roads} x[i,k] == sum {<k,j> in Roads } x[k,j]; 


print "-----------------用MindOpt求解---------------";
option solver mindopt;     # （可选）指定求解用的求解器，默认是MindOpt
#option mindopt_options 'print=0'; #设置求解器输出级别，减少过程打印
solve;         # 求解

print "-----------------Display---------------";
display;        # 展示结果
print "经过优化后，最大流量=" ,sum {<entr,j> in Roads } x[entr,j];

运行结果如下：

-----------------用MindOpt求解---------------
Running mindoptampl
wantsol=1
mip_integer_tolerance=1e-9
MindOpt Version 0.24.1 (Build date: 20230423)
Copyright (c) 2020-2023 Alibaba Cloud.

Start license validation (current time : 29-JUN-2023 21:31:04).
License validation terminated. Time : 0.006s

Only one thread allowed -- optimize with Simplex method.
Model summary.
 - Num. variables     : 10
 - Num. constraints   : 5
 - Num. nonzeros      : 16
 - Bound range        : [2.0e+01,1.0e+02]
 - Objective range    : [1.0e+00,1.0e+00]
 - Matrix range       : [1.0e+00,1.0e+00]

Presolver started.
Presolver terminated. Time : 0.000s

Simplex method started.
Model fingerprint: ==gZ3B2didHZ

    Iteration       Objective       Dual Inf.     Primal Inf.     Time
            0     1.30000e+02      0.0000e+00      4.0000e+00     0.01s  
            2     1.30000e+02      0.0000e+00      0.0000e+00     0.01s  
Postsolver started.
Simplex method terminated. Time : 0.001s


OPTIMAL; objective 130.00
2 simplex iterations

Completed.
-----------------Display---------------
Primal Solution:
x@<a,b>  = 50.0000
x@<a,c>  = 80.0000
x@<b,d>  = 30.0000
x@<b,e>  = 20.0000
x@<c,d>  = 60.0000
x@<c,f>  = 20.0000
x@<d,e>  = 50.0000
x@<d,f>  = 40.0000
x@<e,g>  = 70.0000
x@<f,g>  = 60.0000
经过优化后，最大流量=130

4. 结果

运行上述代码后，得到结果为：

---

Primal Solution:
x@<a,b>  = 50.0000
x@<a,c>  = 80.0000
x@<b,d>  = 30.0000
x@<b,e>  = 20.0000
x@<c,d>  = 60.0000
x@<c,f>  = 20.0000
x@<d,e>  = 50.0000
x@<d,f>  = 40.0000
x@<e,g>  = 70.0000
x@<f,g>  = 60.0000
最大流量=130

---

即，从$a$站最多可出发130辆车。并且分流的流量为，如下图

• a到b是50，到c是80；
  • b到d是30，到e是20
  • c到d是60，到f是20
    • d汇总了90的流量，分流到e是50，到f是40
      • e汇总了70的流量
      • f汇总了60的流量
        -它们都汇总到出口g，总共是130