时间戳

首页 > 解决方案 > 如何在 CPLEX-python 中添加和删除约束？

python - 如何在 CPLEX-python 中添加和删除约束？

问题描述

我在 python 中使用了 Cplex。我已经知道如何正确编写数学优化问题并创建一个函数来显示解决方案友好（F1）。目前，我想在不创建新模型的情况下修改模型的某些功能。我的想法是求解模型 P，然后是模型 P1（更改决策变量域）、P2（放宽一些约束）等等。我想使用我的函数 F1 来解决这些模型。

我的代码如下：

import time
import numpy as np
import cplex
from cplex import Cplex
from cplex.exceptions import CplexError
import sys
from openpyxl import Workbook
import xlrd

def GAP_RL(I,J,data):
    #TIEMPO INICIAL
    inicio=time.process_time() #------------------------------- INICIO DEL CONTEO DE TIEMPO
    #CONJUNTOS
    maquinas=range(I)  #CONJUNTO DE TRABAJOS
    trabajos=range(J)  #CONJUNTO DE MÁQUINAS
    #print("MÁQUINAS={} | TRABAJOS= {} |\n".format(list(maquinas),list(trabajos)))
    print("\n")
    #PARÁMETROS
    wb = Workbook()
    ws = wb.active
    book = xlrd.open_workbook(data+'.xlsx')           
    sheet = book.sheet_by_name("c")
    c_a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    c_a=np.matrix(c_a)  
    print("COSTO DE ASIGNACIÓN")      
    print("")         
    print(c_a) # ------------------------------------------------ COSTO DE ASIGNACIÓN
    print("\n")
    sheet = book.sheet_by_name("a")
    a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    a=np.matrix(a)  
    print("UTILIZACIÓN")      
    print("")         
    print(a) #---------------------------------------------------- REQUERIMIENTOS   
    print("\n")
    sheet = book.sheet_by_name("b")
    b=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    b=np.matrix(b)  
    print("DISPONIBILIDAD")      
    print("")         
    print(b) #---------------------------------------------------- CAPACIDAD MÁXIMA DE PROCESO
    print("\n")

    Model=cplex.Cplex()                                                  #CREACIÓN DEL MODELO.

    Model.parameters.mip.tolerances.integrality.set(0)                   #ESPECIFICA LA CANTIDAD POR LA CUAL UNA 
                                                                         #VARIABLE ENTERA PUEDE SER DIFERENTE DE UN 
                                                                         #ENTERO Y AÚN ASÍ CONSIDERASE FACTIBLE
    Model.objective.set_sense(Model.objective.sense.minimize)            #SENTIDO DE OPTIMIZACIÓN.

    #Model.parameters.timelimit.set(float(7200))                         #TIEMPO MÁXIMO DE EJECUCIÓN [SEGUNDOS].

    #Model.parameters.mip.tolerances.mipgap.set(float(0.1))              #GAP DE TÉRMINO.

    #VARIABLES DE DECISIÓN
    x_vars=np.array([["x("+str(i)+","+str(j)+")" for j in trabajos] for i in maquinas])
    x_varnames = x_vars.flatten()
    x_vartypes='B'*I*J
    x_varlb = [0.0]*len(x_varnames)
    x_varub = [1.0]*len(x_varnames)
    x_varobj = []
    for i in maquinas:
        for j in trabajos:
            x_varobj.append(float(c_a[i,j]))
    Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames)
    #RESTRICCIONES

    #PRIMER CONJUNTO DE RESTRICCIONES: CADA TRABAJO ES ASIGNADO A UNA ÚNICA MÁQUINA.
    for j in trabajos:
        row1=[]
        val1=[]
        for i in maquinas:
            row1.append(x_vars[i,j])
            val1.append(float(1.0))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row1, val= val1)], senses = 'E', rhs = [float(1.0)])

    #SEGUNDO CONJUNTO DE RESTRICCIONES: LAS ASIGNACIONES DE TRABAJOS CONSIDERAN LA CAPACIDAD MÁXIMA DE PROCESAMIENTO DE LAS MÁQUINAS
    for i in maquinas:
        row2=[]
        val2=[]
        for j in trabajos:
            row2.append(x_vars[i,j])
            val2.append(float(a[i,j]))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row2, val= val2)], senses = 'L', rhs = [float(b[i])])
    #RESOLVER MODELO Y EXPANDIR
    solution=Model.solve() 
    Model.write('modelo_GAP.lp') 
    #MOSTRAR SOLUCION
    def show_solution():
        print("--------------------------------------------------------------------------------------------------------------")
        print("\nVALOR FUNCIÓN OBJETIVO - COSTO TOTAL DE ASIGNACIÓN = {}".format(Model.solution.get_objective_value()))
        print("--------------------------------------------------------------------------------------------------------------")

        for i in maquinas:
            for j in trabajos:
                if(Model.solution.get_values("x("+str(i)+","+str(j)+")")!=0.0):
                    print("x("+str(i+1)+","+str(j+1)+")"+" = "+str(Model.solution.get_values("x("+str(i)+","+str(j)+")")))
        fin=time.process_time()
        tiempo=float(fin)-float(inicio)
        print("")
        print("TIEMPO DE CÓMPUTO [s]= ", float(tiempo))
    show_solution()
GAP_RL(I=2,J=7,data='data')

数据文件如下：

矩阵 c_a 如下： 在此处输入图像描述

矩阵 a 如下： 在此处输入图像描述

矩阵 b 如下： 在此处输入图像描述

所以我想知道如何在以这种方式编写的模型中进行这些更改。提前致谢。

标签： pythonoptimizationmathematical-optimizationcplex

解决方案

这里有一些提示可以帮助您朝着正确的方向前进：

  1. 这些add方法（例如，Cplex.variables.add、Cplex.linear_constraints.add）返回一个迭代器，其中包含添加到模型中的索引。您可以使用它来记住要修改的变量或约束类别的索引。例如：

    varind = list(Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames))

  2. 或者，如果您为变量/约束命名，您可以按名称查询或修改它们。但是，这可能会导致性能下降，因此请阅读用户手册中的这一部分。

  3. 您可以使用Cplex.variables.set_lower_bounds和Cplex.variables.set_upper_bounds更改变量的下限和上限。

  4. 您可以使用Cplex.linear_constraints.delete删除线性约束。

  5. 最后，您可以通过将现有模型传递给Cplex构造函数来创建模型的副本（也称为克隆）。例如：

    Model1 = cplex.Cplex(Model)

推荐阅读