GUROBI之用稀疏矩阵表示约束条件

为节省存储空间，采用稀疏矩阵来表示约束条件的系数矩阵

例如，求解下列MIP模型，采用稀疏矩阵来表示约束条件

# This example formulates and solves the following simple MIP model
# using the matrix API:
#  maximize
#        x +   y + 2 z
#  subject to
#        x + 2 y + 3 z <= 4
#        x +   y       >= 1
#        x, y, z binary

import gurobipy as gb
from gurobipy import GRB
import numpy as np
import scipy.sparse as sp  # scipy库中存储稀疏矩阵的函数

try:
    # creat a new model
    m=gb.Model("matrix_model")
    # creat variables
    x=m.addMVar(shape=3, vtype=GRB.BINARY, name ="x")
    # set objective
    obj = np.array([1.0, 1.0, 2.0])
    m.setObjective(obj@x, GRB.MAXIMIZE)
    # build sparse constraint matrix
    val = np.array([1.0, 2.0, 3.0, -1.0, -1.0]) # 按行罗列约束中的变量系数
    row = np.array([0, 0, 0, 1, 1])  # 非0系数的行索引
    col = np.array([0, 1, 2, 0, 1])  # 非0系数的列索引
    A=sp.csr_matrix((val, (row, col)), shape =(2,3))
    # build rhs vector
    rhs = np.array([4.0, -1.0])
    # add constraints
    m.addConstr(A@x<=rhs, name="c")

    m.optimize()

    for v in m.getVars():
        print(f"{v.VarName} {v.X:g}")
    print(f"Objective: {m.ObjVal:g}")

except gb.GurobiError as e:
    print(f"Error code {e.errno}: {e}")

except AttributeError:
    print("Encountered an attribute error")

稀疏矩阵是如何创建的

csr_matrix  （compress sparse row）： 按行压缩的稀疏矩阵

csc_matrix（compress sparse column）：按列压缩的稀疏矩阵

可以看到，在将 CSR（Compressed Sparse Row）格式的稀疏矩阵转换为 CSC（Compressed Sparse Column）格式后，矩阵的结构本身并没有改变，仅是数据的存储方式不同。

另，稀疏矩阵的常见用法可以参考这个连接：SciPy 稀疏矩阵 | 菜鸟教程 (runoob.com)