有口碑的大连网站建设,智慧团建网站登录平台官网,网站怎样做注册窗口,门户网站内容管理系统目录
1. 决策变量的Start属性直接设置变量的初始值
1.1 Start#xff1a;MIP变量的起始值#xff08;初值#xff09;double类型#xff0c;可更改
1.2 StartNodeLimit#xff1a;限制了在完善一组输入部分变量的初始解时#xff0c;MIP所探索的分支定界的节点的数量 …目录
1. 决策变量的Start属性直接设置变量的初始值
1.1 StartMIP变量的起始值初值double类型可更改
1.2 StartNodeLimit限制了在完善一组输入部分变量的初始解时MIP所探索的分支定界的节点的数量 int类型可更改
1.3 NumStart在MIP模型中的初始解的数量即有几组初始解。初始化为未定义int类型可更改
1.4 StartNumber当传入多个初始解时 int类型可更改
2. 设置决策变量的Hint属性为求解器提供提示
2.1 VarHintVal用户提示值即一个变量在MIP模型的高质量解决方案中可能具有的特定值 double类型可更改
2.2 VarHintPri用户对于用户提示值的信心水平该值越大表明用户把握越大 int类型可更改
3. 使用求解器的callback方法 对于min问题可行解是提供的UB要么是通过分支定界探测节点具体的说是探测松弛节点再加割找到要么是通过启发式算法找到。
前者表现在gurobi求解日志里是第一列的*后者表现在gurobi求解日志里是H。
gurobi内部也嵌套了30多种启发式算法是普适性的算法不一定对我们的问题适用。当我们看到gurobi很久都找不到一个可行解incumbent那一列为空如下 我们可以要么改写模型写一个更紧一点的模型本质是探测节点找到可行解。但也可以通过启发式算法传入可行解。
传入的方法有3种
1. 决策变量的Start属性直接设置变量的初始值
这个方法其实简单效果也不错以我现在的水平用得比较多。
Start属性可以输入一个或多个可行解Gurobi会自己将可行解中未定义的变量补全用户也可以Push求解器努力补全更好的Gurobi最终会使用最好的可行解进行迭代搜索。
与Start相关的属性有StartStartNodeLimitStartNumberNumStart。
1.1 StartMIP变量的起始值初值double类型可更改
# 将变量x_1_12的初值设置为0
x[0,12].start 1.0# 循环为x_ij赋值完整的一组初始解,data为存放初始解的矩阵
for i in range(len(data)):for j in range(len(data[i])):x[i,j].start data[i][j]
1.2 StartNodeLimit限制了在完善一组输入部分变量的初始解时MIP所探索的分支定界的节点的数量 int类型可更改 StartNodeLimit参数的默认值是-1其使用SubMIPNodes参数的值即搜索500个分支定界树的节点后停止。 值为-2表示只检查完整的MIP的Start输入下的可行性并忽略部分MIP的决策变量的Start。 值为-3将完全关闭MIP的Start通道。 非负的参数值表示探索节点限制个数比如设置m.setParam(GRB.Param.StartNodeLimit, 10000.0) 表示探索的节点个数上限为10000个。
# 将搜索节点个数设置为10000个点
m.setParam(GRB.Param.StartNodeLimit, 10000.0)
1.3 NumStart在MIP模型中的初始解的数量即有几组初始解。初始化为未定义int类型可更改
1.4 StartNumber当传入多个初始解时 int类型可更改
# 为模型m2设置要输入的初始解个数为2个
m2.NumStart 2# 将该可行解设置为第一个输入的可行解
m2.Params.StartNumber 0# 将该可行解设置为第二个输入的可行解
m2.Params.StartNumber 1# 完整版
# 读取原始模型mm2 read(CVRP1.mps)# 设置NumStart2表示可以接受两个可行解作为初值m2.NumStart 2# 提取解池中第5个解m.setParam(GRB.Param.SolutionNumber, 4)s5 m.Xn# 将该可行解设置为第一个输入的初值m2.Params.StartNumber 0index 0for v in m2.getVars():v.Start s5[index]index 1# 提取解池中第6个解m.setParam(GRB.Param.SolutionNumber, 5)m2.Params.StartNumber 1s6 m.Xnindex 0for v in m2.getVars():v.Start s6[index]index 1# 输入好初值后更新模型并求解m2.update()m2.optimize()2. 设置决策变量的Hint属性为求解器提供提示
有的时候我们也找不到可行解求解器就更加为难了。但是我们通过已有的一些尝试发现某些变量非常有可能的取值情况此时就可以通过Hint属性来向求解器提示某某变量可能取某个值。注意如果我们已知一些变量的取值或者已知一个可行解我们应该使用Start属性来给求解器提供初值因为Hint会从全局影响整个迭代搜索的过程。 Hint属性是用户提示Gurobi某个变量可能在最优解中的取值并且用户可以自己设置对这个想法的信心。 但是与Start属性不同的是Hint会在整个迭代过程中影响着Gurobi的迭代搜索因此如果很确信的话还是拿Start来构建初值比较好。start建构是100%建构Hint是程度。
2.1 VarHintVal用户提示值即一个变量在MIP模型的高质量解决方案中可能具有的特定值 double类型可更改
2.2 VarHintPri用户对于用户提示值的信心水平该值越大表明用户把握越大 int类型可更改
#设置x[0,18]可能1信心为50
x[0,18].VarHintVal 1.0
x[0,18].VarHintPri 50#设置x[0,13]可能1信心为25
x[0, 13].VarHintVal 1.0
x[0, 13].VarHintPri 25#设置x[0,6]可能1信心为25
x[0, 6].VarHintVal 1.0
x[0, 6].VarHintPri 25
3. 使用求解器的callback方法
Callback(回调)是求解器的一种高级功能可以用于监视求解进程、获取求解进程信息甚至干预求解算法等。Callback不同于上文介绍的设置变量的Start属性和Hint属性的方法。
Callback是一个比较神奇的技术它需要在求解过程中靠我们插手“半自动的”进行迭代搜索我们设置的callback会在迭代中影响着Gurobi的求解往往和一些cut算法结合。
gurobi中callback函数的使用整理_gurobi callback-CSDN博客
其中与初值有关的操作有设置导入一个启发式解决方案的值为初值或部分初值。涉及的方法为cbSetSolutioncbSetSolution ( vars, solution )方法中有两个待输入参数其中一个vars为需要指定初值的变量可以为一个也可以为一个列表的变量另一个solution则是新解决方案中那些被指定初值的变量的所需值即vars需要的值。例子代码如下
# Example usage:
def mycallback(model, where):if where GRB.Callback.MIPNODE:model.cbSetSolution(vars, newsolution)objval model.cbUseSolution()model.optimize(mycallback)# 如
if abs(subX[i j -1].x) 0.001: # 松弛解中该变量的取值在0附近model.cbSetSolution(model._X[(i,j)], 0.0) # 将该变量的取值上界设为0
elif abs(subX[i j-1].x - 1) 0.001: # 在1附近model.cbSetSolution(model._X[(i,j)], 1.0)
可以继续使用 cbUseSolution()方法来使用被指定初值的vars们立即使用启发式方法计算出一个可行解。
参考文献
优化求解器 | 求解器加速的高级技能包MIP模型初始解设置相关操作的超详细解读
