我一直在尝试使用cplex来解决最佳运输问题。问题模型通常非常大(在我的描述中,变量的总数是1048576(= 1024^2),约束的数量是2048)。我的问题是添加约束的过程太慢而不切实际(尽管花费在解决模型上的时间很短)。我google了这个问题,有一些提示,但我仍然找不到一个可行的解决方案。cplex.linear_constraints.add对于大型模型太慢
的问题是如下:给定两个非负矢量一个和b相同的长度1024,和1024通过-1024非负矩阵Ç。假设a的所有元素的总和与b(np.sum(a)== np.sum(b))的总和相同。我想找到一个1024×1024的非负矩阵,使得C [i,j] * X [i,j]的和最小化,受限于以下限制:所有元素的总和为i的X -th行等于的一个的我个元件和X的Ĵ第列的所有元素来的的Ĵ个元素的总和等于b,所有可能的i和j,即
Minimize:
C[0,0] * X[0,0] + C[0,1] * X[0,1] + ... + C[1023,1023] * X[1023,1023]
Subject to:
All X[i,j] >= 0
X[0,0] + X[0,1] + ... + X[0,1023] == a[0]
X[1,0] + X[1,1] + ... + X[1,1023] == a[1]
...
X[1023,0] + X[1023,1] + ... X[1023,1023] == a[1023]
X[0,0] + X[1,0] + ... + X[1023,0] == b[0]
X[0,1] + X[1,1] + ... + X[1023,1] == b[1]
...
X[0,1023] + X[1,1023] + ... X[1023,1023] == b[1023]
我的代码大致是这样的(在下面的代码中,DOT是运输模型; a和b是长度为1024的列表,C是长度为1048576(= 1024 ** 2)的列表。
from __future__ import print_function
import cplex
DOT = cplex.Cplex()
DOT.objective.set_sense(DOT.objective.sense.minimize)
size = 1024
# set up names of variables
nms = ["x{0}".format(i) for i in range(size * size)]
# add variables to the model
DOT.variables.add(obj = C, names = nms) # C is a nonnegative list with length 1048576
constraints = list()
for i in range(size):
constraints.append([nms[i * size : (i + 1) * size], [1.0] * size])
for i in range(size):
constraints.append(cplex.SparsePair(nms[i : size * size : size], [1.0] * size))
rhs = a + b # a, b are nonnegative lists with the same length and sum
constraint_senses = ["E"] * (size * 2)
# the following line: adding constraints to model is too slow
DOT.linear_constraints.add(lin_expr = constraints, senses = constraint_senses, rhs = rhs)
# solve the model
DOT.solve()
# print some information
print("Solution status :", DOT.solution.get_status())
print("Cost : {0:.5f}".format(DOT.solution.get_objective_value()))
print()
当我在注释中写入时,向模型添加约束的过程太慢。有什么方法可以加速它吗?
任何帮助将不胜感激。提前致谢!
这就像一个魅力!非常感谢! – user12345