常见规划问题

一、规划问题

LP：Linear Programming 线性规划 研究线性约束条件下线性目标函数的极值问题

ILP：Integer Linear Programming 整数线性规划 全部决策变量必须为整数

MIP：Mixed Integer Programming 混合整数规划 混合整数规划是LP的一种，其中部分的决策变量是整数（不要求全部都是整数）

VRP：Vehicle Routing Problem 车辆路径问题

二、规划工具

pulp 只用于线性模型，包括如整数规划、01规划，还是混合整数线性规划

MILP ortools Google开发，用于优化的开源软件 可以解决车辆路径、流程、整数和线性规划等问题 提供了C++,Python,Java,.NET接口

 

pulp调包：

import pulp

#目标函数的系数

z = [2, 3, 1]

#约束

a = [[1, 4, 2], [3, 2, 0]] b = [8, 6]

#确定最大化最小化问题，最大化只要把Min改成

#定义三个变量放到列表中 x = [pulp.LpVariable(f'x{i}', lowBound=0) for i in [1,2,3]]

#定义目标函数，lpDot可以将两个列表的对应位相乘再加和

#相当于z[0]*x[0]+z[1]*x[0]+z[2]*x[2]

m += pulp.lpDot(z, x)

#设置约束条件

for i in range(len(a)):    

m += (pulp.lpDot(a[i], x) >= b[i])

m.solve() #求解

三、Ortools求解器：

线性规划，默认使用GLOP

整数规划，默认使用CBC（Coin-or branch and cut），还包括SCIP、GLPK、Gurobi等

开源求解器，在计算性能和规模上弱于商业求解器，适用于中小企业及普通问题

# 求解器定义
solver = pywraplp.Solver.CreateSolver('SCIP')
solver= pywraplp.Solver('AssignmentProblem', pywraplp.Solver.GLOP_LINEAR_PROGRAMMING)
solver = pywraplp.Solver('AssignmentProblem', pywraplp.Solver.CBC_MIXED_INTEGER_PROGRAMMING)

ortools：

整数规划求解器，默认使用CBC（Coin-or branch and cut），还包括SCIP、GLPK、Gurobi等

Solver创建 solver = pywraplp.Solver.CreateSolver('SCIP')

变量设置 solver.NumVar：创建普通变量 solver.IntVar：创建整数变量

四、Santa服务调度

Step1, 数据加载

Step2，数据预处理 1）计算Perference Cost矩阵 pcost_mat 2）计算Accounting Cost矩阵 acost_mat 3）计算每个家庭的人数 FAMILY_SIZE 4）每个家庭的倾向选择（choice_） DESIRED

Step3，使用LP和MIP求解 规划方案 1）先使用LP 对绝大部分家庭进行规划 2）再使用MIP 对剩余家庭进行规划 3）汇总两边的结果 => 最终规划方案

Step4, 结果评估 按照evaluation标准，计算 Score = preference cost + accounting penalty

Step5，方案优化 通过更换family_id的选择，查找更好的score 每次更换后，都对方案进行评估，选择更小的score方案