Google OR-Tools(三) 整数优化Integer Optimization

本文参考Google OR-Tools官网文档介绍OR-Tools的使用方法。

1 整数规划

很多实际问题的变量不能是小数,比如指派多少人员、调度的航班数、分配的机器数等等,我们称这种问题为整数规划,更特殊的,如果要求变量只能取0或1,则称为0-1规划;还有些情况是部分决策变量是整数,其他可以是小数,则称其为混合整数规划。虽然我们可以用线性函数来表示目标和约束,但是有了变量必须是整数的约束,可行域变得极度非凸(Nonconvex), 求解难度要比连续变量线性规划大很多,连续变量线性规划的常用算法是不能直接用于整数规划的。关于这一点,后面我们可以给出实例。
解算整数规划的算法中分支界定法及其衍生算法是最常用的,它的核心思想便是把整数规划问题分解成求解一个个的线性规划(LP)问题(每个LP问题是多项式时间可解),并且在求解的过程中实时追踪原问题的上界(最优可行解)和下界(最优线性松弛解)。除此之外,启发式算法或元启发算法(例如遗传算法)也是常用的手段,因为当整数规划的规模较大时,问题已经属于NP-Hard问题了,这时候在合理的时间内找到一个相对最优解已经足够了。

2 OR-Tools的整数规划算法库

在OR-Tools中用于解决整数规划的工具是MP Solver和CP-SAT Solver,我们先认识MP Solver,至于CP-SAT Solver在下一篇文章中介绍,因为两者的适用情况是不一样的。
OR-Tools实际上提供的是统一的求解器接口,内部连接的具体求解器我们可以自己配置,默认连接的是OR-Tools内置的CBC(Coin-or branch and cut)求解器,除此之外也支持下面几种第三方求解器:

  • SCIP
  • GLPK
  • Gurobi

不过如果要用第三方求解器的话就必须配置OR-Tools源码并手动安装,具体信息可参考官网的安装教程。
另外一点是,MP Solver的算法属于通用型算法,而像路径优化、背包问题和网络流问题这些特定的问题领域,因为场景在现实领域非常常见,有专门解决这类问题的特定算法,因此如果是对这些问题,就不建议使用MP Solver了,而是使用OR-Tools提供的特定接口。

3 演示

我们例举下面这个例子:
m a x i m i z e x + 10 y s u b j e c t   t o x + 7 y ≤ 17.5

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
微分进化(Differential Evolution,DE)是一种实际的全局优化方法。它是一种演化算法,源于遗传算法和进化策略。与其他优化算法相比,DE具有以下几个特点。 首先,DE具有较强的全局搜索能力。它使用一种个体的差异来引导搜索过程,通过对个体进行随机的变异和交叉操作,使搜索过程能够逃离局部最优解,进而实现对全局最优解的搜索。 其次,DE的算法过程简单易实现。DE算法的基本操作包括选择、变异和交叉,其中变异和交叉操作是DE的核心。变异通过引入随机扰动来产生新的解向量,而交叉则通过比较两个解向量的差异来生成新的解向量。这种简单直观的操作使得DE具有较低的计算复杂性和较高的实用性。 此外,DE还能够处理高维、非线性和非光滑的优化问题。由于DE采用人工进化的思想,不需要对优化问题进行特定的假设和约束,因此能够适应不同类型的问题。它可以很好地解决实际问题中存在的多个局部最优解和约束条件的情况,具有较强的自适应性和鲁棒性。 最后,DE在实际应用中具有广泛的适用性。DE已经成功应用于多个领域,如工程设计、信号处理、金融建模等。通过结合DE和其他优化算法,可以提高优化过程的效率和准确性,为实际问题提供有效的解决方案。 综上所述,微分进化是一种实用的全局优化方法,具有全局搜索能力强、算法过程简单、能处理复杂问题和广泛适用等特点。随着计算能力的不断提高和应用需求的增加,DE将在更多实际问题中发挥重要作用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值