python调用求解器SCIP求解设施选址覆盖问题

南军Opt

已于 2023-02-28 21:59:39 修改

阅读量1.3k

点赞数 4

分类专栏：运筹优化文章标签： python 人工智能

于 2022-12-07 19:09:59 首次发布

本文链接：https://blog.csdn.net/lj614430634/article/details/128225299

版权

运筹优化专栏收录该内容

18 篇文章 9 订阅

订阅专栏

文章目录

1. 设施选址集合覆盖问题
2. 算法实现
参考文献

1. 设施选址集合覆盖问题

选址问题（Facility location problem, FLP） 分为离散型和连续型两类。其中离散选址问题即设施点被选址的地点是离散的。此类问题往往设定设施点与需求点都位于在网络节点上，需求点区位确定，需求点与其他一些节点作为设施被选点，需求点与设施被选点之间有连线相连。离散选址问题纷繁复杂，在国外学者的研究基础上，我们认为主要的离散选址问题有：中值问题、覆盖问题、中心问题、多产品问题、动态选址问题、路径选址、多目标选址、网络中心选址问题。
集合覆盖问题(Set Covering Problem, SCP) 是经典组合优化问题之一，被广泛应用到航空的人员行程安排、电路设计、运输的车辆路线安排等领域。该问题已被证明是一个NP-C问题。
设施选址集合覆盖问题被分为集覆盖问题（完全覆盖问题）、最大覆盖问题：
1. 集覆盖问题（Location Set Covering Problem，LSCP研究满足覆盖所有需求点顾客需求点的前提下，设施的建站个数或建设费用最小的问题；
- 数学模型
1. 最大覆盖问题（Maximum Covering Location Problem，MCLP） 研究在备选物流中心里，如何选择p个设施，使得服务的需求点数最多或需求量最大；
- 数学模型

大白话：
1.集覆盖即要求所有的需求点都要被满足，就算为了某个需求点被覆盖满足，建立了成本很大的设施也没关系（前提假设是设施是肯定能满足所有的需求点的），所以目标是最小化成本。
2.最大覆盖问题在建造的设施数量是固定的约束下，尽可能满足足够多的需求，当然每个需求点可能有一定的权重（这个可以由需求点的人数、距离决定），所以目标是最大化满足的需求

2. 算法实现

2.1 测试数据集 OR-Library

OR-Library is a collection of test data sets for a variety of Operations Research (OR) problems.

测试算例直接使用 Set covering的测试算例，代码中给出了OR-Library数据集txt文件的解析的方式。

2.2 python调用SCIP求解设施选址覆盖问题完整代码:

import pandas as pd
import numpy as np
import pyscipopt as opt


class SCP_FLP(object):
    def __init__(self):
        self.num_nodes = None  # 需求点的数量
        self.num_facilities = None  # 设施数量
        self.setup_cost = None  # 每个设施的建造成本
        self.cover_matrix = 0  # cover_matrix[[i, j]], 需求点i能否被设施j是否能覆盖

    def prepare_data(self, filepath):
        # 获取数据集 OR-Library数据集数据，http://people.brunel.ac.uk/~mastjjb/jeb/orlib/scpinfo.html
        # 获取所有的行
        lines = []
        with open(filepath, 'r') as file:
            for line in file:
                lines.append(line)

        # 第一行获取服务点的数量num_nodes和仓库的数量num_facilities
        line_0 = lines[0].strip().split()
        self.num_nodes, self.num_facilities = list(map(int, line_0))
        
        iter_lines = iter(lines)
        next(iter_lines)
        # 从第二行开始获取num_facilities个设施的建造成本
        self.setup_cost = np.array([])
        for line in iter_lines:
            self.setup_cost = np.append(self.setup_cost, list(map(int, line.strip('\n').split())))
            if len(self.setup_cost) == self.num_facilities:
                break
            
        # 获取需求点是否能被设施覆盖矩阵。这段逻辑比较复杂，为了不同算例的通用性。
        idx_point = -1
        count_aux = 0
        mark_value = 0

        line_of_size = True
        self.cover_matrix = np.full((self.num_nodes, self.num_facilities), 0)
        for line in iter_lines:
            if line_of_size:
                # 一行只有一个数据的数据值mark_value，然后取下一行开始的长度为mark_value的数据集
                mark_value = int(line.strip('\n').split()[0])
                line_of_size = False
                idx_point += 1
                count_aux = 0
            else:
                line_search = line.strip('\n').split()
                count_aux += len(line_search)
                # 生成覆盖关系矩阵
                for j in line_search:
                    self.cover_matrix[idx_point][int(j) - 1] = 1

                if count_aux == mark_value:
                    line_of_size = True

    def cover_model(self):
        # 创建模型
        model = opt.Model('LSCP')

        # 添加变量：是否在j处建造设施，1则建造，0则不建造
        select = {}
        for n in range(self.num_facilities):
            select[n] = model.addVar(vtype='B', name='select_' + str(n))

        # 添加约束: 每个需求点至少被一个设施服务范围所覆盖
        for i in range(self.num_nodes):
            model.addCons(opt.quicksum(self.cover_matrix[i][j] * select[j] for j in range(self.num_facilities)) >= 1)
            
        # 设置目标
        model.setObjective(opt.quicksum(self.setup_cost[j] * select[j] for j in range(self.num_facilities)))
        model.setMinimize()
        # model.hideOutput()
        # 优化求解
        model.optimize()

        # 输出解
        print('model_obj =', model.getObjVal())
        select_facility = []
        for i in range(self.num_facilities):
            if model.getVal(select[i]) > 0:
                select_facility.append(i)
        print('select facility =', select_facility)

    def max_cover_model(self):

        np.random.seed(0)
        # 需求点权重（可以是和距离的正比的权重、需求点的需求量等等）
        weight_points = np.random.randint(10, size=self.num_nodes)
        fixed_facilities_num = int(self.num_facilities / 2)
 
        # 创建模型
        model = opt.Model('MCLP')

        # 添加变量1：设施j是否建造，0-1变量, 1则建造，0则不建造
        select = {}
        for n in range(self.num_facilities):
            select[n] = model.addVar(vtype='B', name='select_' + str(n))

        # 添加变量2：需求点i是否被覆盖，1则被覆盖，0则不被覆盖
        served = {}
        for n in range(self.num_nodes):
            served[n] = model.addVar(vtype='B', name='served_' + str(n))

        # 添加约束1: 从备选中选择的设施 = 决策设施数量
        model.addCons(opt.quicksum(select[j] for j in range(self.num_facilities)) == fixed_facilities_num)

        # 添加约束2: 若有设施j建造（select=1）, 且覆盖需求点i，则由于目标最大化, served=1; 反之亦然
        for i in range(self.num_nodes):
            model.addCons(opt.quicksum(self.cover_matrix[i][j] * select[j] for j in range(self.num_facilities)) >= served[i])

        # 设置目标最大化: 在设施总数量确定的情况下，选择设施及服务点，使得需求量最大
        model.setObjective(opt.quicksum(weight_points[i] * served[i] for i in range(self.num_nodes)))
        model.setMaximize()
        # model.hideOutput()
        # 优化求解
        model.optimize()
        
if __name__ == '__main__':

    flp = SCP_FLP()
    # 算例Scp41
    flp.prepare_data('./scp41.txt')
    # 集覆盖问题
    flp.cover_model()
    # 最大覆盖问题
    flp.max_cover_model()