点击蓝字关注我们
前言
- New Arrival -
前面我们已经搭建好cplex的java环境了,详情可以看干货 | cplex介绍、下载和安装以及java环境配置和API简单说明,相信大家已经跃跃欲试,想动手写几个模型了。
今天就来拿一个TSP的问题模型来给大家演示一下吧~
01 TSP建模
关于TSP建模,就不多解释了。以及什么是TSP问题,也不要问我了。直接贴一个现成的模型出来吧。
模型中:
V为集合中所含图的顶点。
约束(1-1)和(1-2)意味着对每个点而言,仅有一条边进和一条边出;
约束(1-3)则保证了解没有任何子回路。
于是,满足约束(1-1)、(1-2)和(1-3)的解构成了一条Hamilton回路。
02 程序框架
整个程序框架如图,app下是调用cplex的主要package。
其中:
在app包中:
App.java:程序入口,cplex调用建模求解过程。
ConstraintFactory.java:控制子环约束的。
FileManager.java:读取instance数据的。
在graph包中,定义了一些求解过程所需要的数据结构。
在graphics包中,将求解过程以图像形式动态的呈现出来。
input是算例,包含部分标准TSP算例和随机生成的规模为100-9000的算例。
images为graphics包在求解过程中保存下来的图像。
03 求解过程
先给大家看看程序流程图:
具体求解过程如下:
1. 定义一个模型
IloCplex model = new IloCplex();
2. 定义决策变量,boolVar可以返回一个0-1的bool类型决策变量。
// define variablesIloIntVar[][] x = new IloIntVar[data.size()][data.size()];for (int i = 0; i < x.length; i++) { for (int j = 0; j < x.length; j++) { x[i][j] = model.boolVar("X[" + i + ", " + j + "]"); }}
3. 添加约束1-1,addTerm将1*x[i][j]添加进表达式r里面,最终r的取值是里面所有的元素之和,也就是1*x[i][1]+1*x[i][2]+...+1*x[i][n]。
// one has only a city to go, and shouldfor (int i = 0; i < x.length; i++) { IloLinearIntExpr r = model.linearIntExpr(); for (int j = 0; j < x.length; j++) {// if (i == j)// continue; r.addTerm(1, x[i][j]); } model.addEq(r, 1);}
4. 添加约束1-2,原理同上一条。
// one can only arrive to one city at a time, and shouldfor (int j = 0; j < x.length; j++) { IloLinearIntExpr r = model.linearIntExpr(); for (int i = 0; i < x.length; i++) {// if (i == j)// continue; r.addTerm(1, x[i][j]); } model.addEq(r, 1);}
5. 添加约束1-3,子环约束处理有点复杂,这个也是本文重点,小编来着重给大家讲讲。注意这个约束是和下面的manager.recycle(false)判断息息相关的。
constraintFactory.cycleRestrictions(model, x, stack);约束不能产生子环stack(stack是一个栈的数据结构,里面存了构成子环的各个边)。
而后面的manager.recycle(false),判断本次迭代cplex求解的最终解存不存在子环,如果存在,那么将子环添加进 stacks (注意这和stack不同,stacks保存的是各个子环。),在下一轮迭代中会约束该子环的产生。
如果不存在子环,显然已经是最优解。
// add cycle restrictionsfor (Stackstack : stacks) {// stack.forEach((edge) -> System.out.println(edge.getFrom() + "->" + edge.getTo())); constraintFactory.cycleRestrictions(model, x, stack);}
子环约束处理代码如下:
public void cycleRestrictions(IloCplex model, IloIntVar[][] x, Stack combindeds) throws IloException { IloLinearIntExpr r = model.linearIntExpr(); for (Edge edge : combindeds) { r.addTerm(1, x[edge.getFrom()][edge.getTo()]); } model.addLe(r, combindeds.size() - 1); }
对于每个任意节点集合combindeds,只需要combindeds里面的边数小于combindeds的节点数,就能避免产生子环。
6. 添加目标函数,z的表达式同上。
// one should complete the tour within the smallest distance possibleIloLinearNumExpr z = model.linearNumExpr();for (int i = 0; i < x.length; i++) { for (int j = 0; j < x.length; j++) { if (i == j) continue; z.addTerm(distance[i][j], x[i][j]); }}
7. 确定目标是最小化目标。
model.addMinimize(z);
8. 开始求解。
if (model.solve()) { // get tour for (int i = 0; i < x.length; i++) { for (int j = 0; j < x.length; j++) { if (model.getValue(x[i][j]) >= 0.5) { tour.add(new Edge(i, j)); } } } // repaint tour} else { System.err.println("Boi, u sick!"); System.exit(1);}
注意,cplex在求解过程中会产生小数解的,虽然决策变量x[i][j]定义成了0-1变量,但是由于精度问题有可能会产生x[i][j]=0.00001或者x[i][j]=0.999999或者x[i][j]=0或者x[i][j]=1这样的数值。
model.getValue(x[i][j]) >= 0.5这个判断就是为了解决这种误差而产生的问题,当然你也可以定义成model.getValue(x[i][j]) >= 0.9、model.getValue(x[i][j]) >= 0.8、model.getValue(x[i][j]) >= 0.7等等都行。最终目的只是为了筛选那些x[i][j]=0.999999的边而已。
最终还是要进行一个判断,该判断是和上面的子环约束息息相关的:
boolean done= manager.recycle(false); if (done) { break; }
manager.recycle(false)判断的是求解的结果各边是否能构成一个Hamilton回路,因为整个程序是写在一个死循环里面不断迭代的:
while (true) { try { 模型求解 boolean done= manager.recycle(false); if (done) { break; } }
如果能构成一个Hamilton回路,break跳出死循环。如果不行,那么会把出现的子环更新进stacks,进行下一次迭代,重新调用cplex,在新的子环约束下,再把模型给求解一次。
然后讲讲怎么判断的,取决于参数all有两种判断方式:
1) all == true, 判断是tour是否只有一个环,如果是,那么满足Hamilton回路。
2) all == false, 找看看有没有子环。如果环的size == tour的size,那么该环满足Hamilton回路。
public boolean recycle(boolean all) { Stack cycle = new Stack(); HashSet visited = new HashSet(); int count = 0; if (all) { // all cycles while (visited.size() != tour.size()) { count++; for (Edge edge : this.tour) { if (!visited.contains(edge.getFrom())) { visited.add(edge.getFrom()); Stack tmp = new Stack(); tmp.add(edge); while (tmp.peek().getTo() != edge.getFrom()) { Edge toPush = null; for (Edge walk : this.tour) { if (walk.getFrom() == tmp.peek().getTo()) { visited.add(walk.getFrom()); toPush = walk; break; } } tmp.add(toPush); } this.stacks.add(tmp); break; } } } return (count == 1); } else { // smallest cycle //System.out.println("tour size = "+tour.size()); for (Edge edge : this.tour) { if (!visited.contains(edge.getFrom())) { visited.add(edge.getFrom()); Stack tmp = new Stack(); tmp.add(edge); while (tmp.peek().getTo() != edge.getFrom()) { Edge toPush = null; for (Edge walk : this.tour) { if (walk.getFrom() == tmp.peek().getTo()) { toPush = walk; break; } } if (toPush == null) { for (int i = 0; i < this.stacks.size(); i++) { Stack toRelief = this.stacks.get(i); if (toRelief.contains(tmp.peek()) || toRelief.contains(edge)) { this.stacks.remove(toRelief); } } break; } visited.add(toPush.getFrom()); tmp.push(toPush); } if (cycle.size() == 0 || tmp.size() < cycle.size()) { cycle.clear(); cycle.addAll(tmp); } } } stacks.add(cycle); return cycle.size() == tour.size() ? true : false; }}
04 运行说明
代码下载请移步留言区。
代码来源GitHub,小编修正了部分代码。期待后期进一步精简和修改,大家下载下来后用eclipse导入,设置好cplex环境以后。
在App.java里面,右键Run As->Run configurations...:
找到App,在Arguments窗口,找到Program arguments:
输入参数说明:
--instancePath+空格+路径,注意用英文双引号括起来,表示算例文件的路径。
--maximumRead+空格+数字,表示算例大小,也就是需要读取多少个城市的数据。
--imagePath+空格+路径,表示所需要保存的图片路径,注意路径最后加两条斜杠\\。
--index+空格+数字,表示需要在图上标红的城市。
示例:
--instancePath "F:\19-java_code\CplexTSP\input\bier127.csv" --maximumRead 127 --imagePath "F:\19-java_code\CplexTSP\images\\" --index 0
然后为了防止在求解过程中内存给爆掉了,我们还需设置一个参数,在VM arguments里面输入【-Xms512m -Xmx2048m】不包括【】哦:
然后就可以愉快的run了。
附上运行结果:
动态图片展示【图片会动的哦,大家盯着看久一点!】:
下一期我们将会带来一些有趣的基于TSP算例的分析,敬请期待吧。
然后在文末打个小小的广告,小编的公众号【程序猿声】大家可以关注一下哦!
除了第一时间更新运筹优化算法等内容,还会更新一些关于Python等的有趣文章!
END