前言

周四，天气渐渐凉快了下来。

一、安装

优化求解器之手把手教你申请试用与运行MindOpt求解器.

个人建议：先使用在线版的看一下效果，毕竟本机装环境超麻烦的好吗。
MindOpt 优化求解器-线上版.

二、Python 的建模与优化

例子：这里我们使用官方案例【LP专题-2】营养调配：如何吃少花钱又营养.

2-1、MdoModel类

MdoModel：用以创建优化模型类对象
类对象所调用的函数介绍：

1、model.add_var(): 向模型引入新变量（列）的函数。参数介绍如下，返回值是创建的变量对象。

lb（浮点数） – 新变量的下限值。默认值为。0.0
ub（浮点数） – 新变量的上限值。默认值为。1.E+20
obj（浮点数） – 新变量的目标系数。默认值为。0.0
col （MdoCol） – 保存非零元素的列对象。默认值为。None
name （str） – 用于保存列名的字符串对象。默认值为。“”
is_integer （bint） – 一个布尔标志，指定这是否为整数变量。默认值为。False

2、model.add_cons()：向模型引入新约束（行）的函数。

lhs（浮点型或 MdoTempLinear） – 新约束或临时线性对象的左侧值。下限！
rhs（浮点型或 str 型）– 新约束的右侧值，或约束名称的字符串。上限！
expr （MdoExprLinear） – 持有新线性约束的表达式。默认值为。None
name （str） – 用于保存列名的字符串对象。默认值为。“”

3、 model.solve_prob():

4、 model.get_infinity(): 用于检索无穷大值的函数，返回无穷大的值，返回类型是浮点数。

5、 model.set_int_attr(): 用于更改整数值模型属性的值的函数。

6、 model.set_str_param(): 用于更改字符串值参数的值的函数。

par （str） – 要访问的字符串值参数。
value （int） – 字符串值参数的新值。

7、model.submit_task(): 此函数将优化模型任务提交到远程服务器进行优化。模型任务文件以二进制格式包含问题数据、参数设置和解决方案。

返回：一个字符串，指定已提交作业的 ID。用户可以使用此作业 ID 查询优化结果。（str）

8、model.retrieve_task(): 该函数检查已提交任务的状态，然后检索相应的优化结果（如果可用）。所有可能的状态值为：“Submitted” “Solving” “Canceled” “Finished” “Failed”

参数：
job_id （str） – 指定已提交作业的 ID 的字符串。
返回值（四个值）：
已提交任务的状态（str）
模型状态（int）
相应代码，优化状态（int）
标志，指定方案的可用性（bool）

9、model.explain_result（）：此函数解释求解器结果代码的详细信息。

参数：
优化状态，model.retrieve_task()得到的返回值。（第三个）
返回：
一个字符串，保存给定求解器状态代码的详细信息。

10、model.explain_status()：此函数解释求解器状态代码的详细信息。

参数：
模型状态，model.retrieve_task()得到的返回值。（第二个）
返回：
一个字符串，保存给定求解器状态代码的详细信息。

11、model.display_results(): 显示当前求解器结果的函数。

12、model.get_status()：用于检索求解器状态的函数。

返回值：
状态码（int）
状态信息（str）

13、model.get_real_attr()：用于检索实值模型属性的值的函数。

参数
要访问的属性（str）
返回
实值模型属性的当前值。

2-2、MdoExprLinear类

MdoExprLinear: 此对象实现数据结构以保存线性约束表达式对象，该对象由一组系数-变量对组成。使用该类的步骤如下：

1、通过使用 model.add_var() 创建一系列变量对象。
2、使用MdoExprLinear()类创建一个空的对象。
3、使用重载运算符(＋、-、×、/)，或者是使用成员函数MdoExprLinear.add_terms（）

官方例子：

MdoVar x1 = model.add_var()
MdoVar x3 = model.add_var()
expr1 = 1 * x1
expr1 = expr1 + x2
MdoVar x3 = model.add_var()
expr2 = expr1 + x3

2-3、官方案例——营养调配

"""
/***  example_2_py1.py*  Description *  -----------**  Linear optimization (diet problem).* *  The goal is to select foods that satisfy daily nutritional requirements while minimizing the total cost. *  The constraints in this problem limit the number of calories, the volume of good consumed, and the amount of *  vitamins, protein, carbohydrates, calcium, and iron in the diet.**  Note*  ----* *  The model below will be inputted in a row-wise order.**  Formulation*  -----------** Minimize* Obj:        1.840000000 Cheeseburger + 2.190000000 HamSandwich + 1.840000000 Hamburger + 1.440000000 FishSandwich +*             2.290000000 ChickenSandwich + 0.770000000 Fries + 1.290000000 SausageBiscuit + 0.600000000 LowfatMilk + *             0.720000000 OrangeJuice* Subject To* Cal:        510 Cheeseburger + 370 HamSandwich + 500 Hamburger + 370 FishSandwich +*             400 ChickenSandwich + 220 Fries + 345 SausageBiscuit + 110 LowfatMilk + 80 OrangeJuice >= 2000* Carbo:      34 Cheeseburger + 35 HamSandwich + 42 Hamburger + 38 FishSandwich + 42 ChickenSandwich + *             26 Fries + 27 SausageBiscuit + 12 LowfatMilk + 20 OrangeJuice <= 375* Carbo_low:  34 Cheeseburger + 35 HamSandwich + 42 Hamburger + 38 FishSandwich + 42 ChickenSandwich + *             26 Fries + 27 SausageBiscuit + 12 LowfatMilk + 20 OrangeJuice >= 350* Protein:    28 Cheeseburger + 24 HamSandwich + 25 Hamburger + 14 FishSandwich + 31 ChickenSandwich + *             3 Fries + 15 SausageBiscuit + 9 LowfatMilk + OrangeJuice >= 55* VitA:       15 Cheeseburger + 15 HamSandwich + 6 Hamburger + 2 FishSandwich + 8 ChickenSandwich + *             4 SausageBiscuit + 10 LowfatMilk + 2 OrangeJuice >= 100* VitC:       6 Cheeseburger + 10 HamSandwich + 2 Hamburger + 15 ChickenSandwich + *             15 Fries + 4 LowfatMilk + 120 OrangeJuice >= 100* Calc:       30 Cheeseburger + 20 HamSandwich + 25 Hamburger + 15 FishSandwich + *             15 ChickenSandwich + 20 SausageBiscuit + 30 LowfatMilk + 2 OrangeJuice >= 100* Iron:       20 Cheeseburger + 20 HamSandwich + 20 Hamburger + 10 FishSandwich + *             8 ChickenSandwich + 2 Fries + 15 SausageBiscuit + 2 OrangeJuice >= 100* Volume:     4 Cheeseburger + 7.500000000 HamSandwich + 3.500000000 Hamburger + 5 FishSandwich + *             7.300000000 ChickenSandwich + 2.600000000 Fries + 4.100000000 SausageBiscuit + 8 LowfatMilk + 12 OrangeJuice <= 75* Bounds* End*/
"""
from mindoptpy import *if __name__ == "__main__":MDO_INFINITY = MdoModel.get_infinity()token = "**********"server = "mindopt.tianchi.aliyun.com"desc = "tianchi example2 MdoRemotLdDiet PY1"filepath = "./tmp/"req = \{   # requirement: ( lower bound,   upper bound)"Cal"        : (         2000, MDO_INFINITY), "Carbo"      : (          350,          375),"Protein"    : (           55, MDO_INFINITY), "VitA"       : (          100, MDO_INFINITY),"VitC"       : (          100, MDO_INFINITY),"Calc"       : (          100, MDO_INFINITY), "Iron"       : (          100, MDO_INFINITY), "Volume"     : (-MDO_INFINITY,           75)}food = \{# food            : ( lower bound,  upper bound, cost)"Cheeseburger"    : (           0, MDO_INFINITY, 1.84),"HamSandwich"     : (           0, MDO_INFINITY, 2.19),"Hamburger"       : (           0, MDO_INFINITY, 1.84),"FishSandwich"    : (           0, MDO_INFINITY, 1.44),"ChickenSandwich" : (           0, MDO_INFINITY, 2.29),"Fries"           : (           0, MDO_INFINITY, 0.77),"SausageBiscuit"  : (           0, MDO_INFINITY, 1.29),"LowfatMilk"      : (           0, MDO_INFINITY, 0.60),"OrangeJuice"     : (           0, MDO_INFINITY, 0.72)}req_value = \{  # (requirement, food              ) : value( "Cal",        "Cheeseburger"    ) : 510,( "Cal",        "HamSandwich"     ) : 370,( "Cal",        "Hamburger"       ) : 500,( "Cal",        "FishSandwich"    ) : 370,( "Cal",        "ChickenSandwich" ) : 400,( "Cal",        "Fries"           ) : 220,( "Cal",        "SausageBiscuit"  ) : 345,( "Cal",        "LowfatMilk"      ) : 110,( "Cal",        "OrangeJuice"     ) : 80,( "Carbo",      "Cheeseburger"    ) : 34,( "Carbo",      "HamSandwich"     ) : 35,( "Carbo",      "Hamburger"       ) : 42,( "Carbo",      "FishSandwich"    ) : 38,( "Carbo",      "ChickenSandwich" ) : 42,( "Carbo",      "Fries"           ) : 26,( "Carbo",      "SausageBiscuit"  ) : 27,( "Carbo",      "LowfatMilk"      ) : 12,( "Carbo",      "OrangeJuice"     ) : 20,( "Protein",    "Cheeseburger"    ) : 28,( "Protein",    "HamSandwich"     ) : 24,( "Protein",    "Hamburger"       ) : 25,( "Protein",    "FishSandwich"    ) : 14,( "Protein",    "ChickenSandwich" ) : 31,( "Protein",    "Fries"           ) : 3,( "Protein",    "SausageBiscuit"  ) : 15,( "Protein",    "LowfatMilk"      ) : 9,( "Protein",    "OrangeJuice"     ) : 1,( "VitA",       "Cheeseburger"    ) : 15,( "VitA",       "HamSandwich"     ) : 15,( "VitA",       "Hamburger"       ) : 6,( "VitA",       "FishSandwich"    ) : 2,( "VitA",       "ChickenSandwich" ) : 8,( "VitA",       "Fries"           ) : 0,( "VitA",       "SausageBiscuit"  ) : 4,( "VitA",       "LowfatMilk"      ) : 10,( "VitA",       "OrangeJuice"     ) : 2,( "VitC",       "Cheeseburger"    ) : 6,( "VitC",       "HamSandwich"     ) : 10,( "VitC",       "Hamburger"       ) : 2,( "VitC",       "FishSandwich"    ) : 0,( "VitC",       "ChickenSandwich" ) : 15,( "VitC",       "Fries"           ) : 15,( "VitC",       "SausageBiscuit"  ) : 0,( "VitC",       "OrangeJuice"     ) : 4,( "VitC",       "LowfatMilk"      ) : 120,( "Calc",       "Cheeseburger"    ) : 30,( "Calc",       "HamSandwich"     ) : 20,( "Calc",       "Hamburger"       ) : 25,( "Calc",       "FishSandwich"    ) : 15,( "Calc",       "ChickenSandwich" ) : 15,( "Calc",       "Fries"           ) : 0,( "Calc",       "SausageBiscuit"  ) : 20,( "Calc",       "LowfatMilk"      ) : 30,( "Calc",       "OrangeJuice"     ) : 2,( "Iron",       "Cheeseburger"    ) : 20,( "Iron",       "HamSandwich"     ) : 20,( "Iron",       "Hamburger"       ) : 20,( "Iron",       "FishSandwich"    ) : 10,( "Iron",       "ChickenSandwich" ) : 8,( "Iron",       "Fries"           ) : 2,( "Iron",       "SausageBiscuit"  ) : 15,( "Iron",       "LowfatMilk"      ) : 0,( "Iron",       "OrangeJuice"     ) : 2,( "Volume",     "Cheeseburger"    ) : 4,( "Volume",     "HamSandwich"     ) : 7.5,( "Volume",     "Hamburger"       ) : 3.5,( "Volume",     "FishSandwich"    ) : 5,( "Volume",     "ChickenSandwich" ) : 7.3,( "Volume",     "Fries"           ) : 2.6,( "Volume",     "SausageBiscuit"  ) : 4.1,( "Volume",     "LowfatMilk"      ) : 8,( "Volume",     "OrangeJuice"     ) : 12}# Step 1. Create a model and change the parameters.model = MdoModel()try:# Step 2. Input model.# Change to minimization problem.model.set_int_attr("MinSense", 1)# Add variables.var = {}for food_name, food_data in food.items():var[food_name] = model.add_var(food_data[0], food_data[1], food_data[2], None, food_name, False)# Add constraints.for req_name, req_data in req.items():expr = MdoExprLinear()for food_name in food.keys():expr += req_value[req_name, food_name] * var[food_name]model.add_cons(req_data[0], req_data[1], expr, req_name)# Step 3. Input parameters related to the remote computing server.model.set_str_param("Remote/Token", token)model.set_str_param("Remote/Desc", desc)model.set_str_param("Remote/Server", server)model.set_str_param("Remote/File/Path", filepath)# Step 4. Upload the serialized model and parameters to server, and then optimize the model.   job_id = model.submit_task()if job_id == "":print("ERROR: Empty job ID.")raise MdoError(-1)else:print("Job was submitted to server successfully.")print("User may query the optimization result with the following job ID: {}".format(job_id))# Step 5. Check the solution status periodically, and             #         download the its upon availability.       status = "Submitted"while status == 'Submitted' or status == 'Solving': status, model_status, result, has_soln = model.retrieve_task(job_id)# Sleep for 10 seconds.time.sleep(10)model_status_details = model.explain_status(model_status)result_details = model.explain_result(result)print(" - Job status             : {}".format(status)) print(" - Model status           : {0} ({1})".format(model_status_details, model_status))print(" - Optimization status    : {0} ({1})".format(result_details, result))print(" - Solution availability  : {0}".format("available" if has_soln else "not available"))if has_soln:print("\nPopulating solution.")model.display_results()status_code, status_msg = model.get_status()if status_msg == "OPTIMAL":print("Optimizer terminated with an OPTIMAL status (code {0}).".format(status_code))print("Daily cost           : ${0}".format(round(model.get_real_attr("PrimalObjVal"), 2)))for food_name, food_var in var.items():val = round(food_var.get_real_attr("PrimalSoln"), 2)if val > 0.01:print(f" - {food_name: <17} : {val}")else:print("Optimizer terminated with a(n) {0} status (code {1}).".format(status_msg, status_code))except MdoError as e:print("Received Mindopt exception.")print(" - Code          : {}".format(e.code))print(" - Reason        : {}".format(e.message))except Exception as e:print("Received exception.")print(" - Reason        : {}".format(e))finally:pass

参考文章：
MindOpt 优化求解器-线上版.
MindOpt 官方文档.

总结

yeah，快下班了！

MindOpt有关于Python的建模与优化相关推荐

数学建模——智能优化之遗传算法详解Python代码
数学建模--智能优化之遗传算法详解Python代码 import numpy as np import matplotlib.pyplot as plt from matplotlib import ...
数学建模——智能优化之模拟退火模型详解Python代码
数学建模--智能优化之模拟退火模型详解Python代码 #本功能实现最小值的求解#from matplotlib import pyplot as plt import numpy as np imp ...
数学建模——智能优化之粒子群模型详解Python代码
数学建模--智能优化之粒子群模型详解Python代码 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplo ...
c++调用cplex求解例子_视频教程 | 用Python玩转运筹优化求解器IBM CPLEX（二）
编者按优化求解器对于做运筹学应用的学生来说,意义重大. 然而直到今天,放眼望去,全网(包括墙外)几乎没有一个系统的Cplex中文求解器教程. 作为华人运筹学的最大的社区,『运筹OR帷幄』责无旁贷, ...
python数学建模
1.python之建模规划篇 1.1 scipy库例如:from scipy import 想导入的模块名 scipy具体模块如下: scipy.cluster向量量化 scipy.constant ...
Python之建模规划篇--线性规划
Python之建模规划篇--线性规划基本介绍线性规划的实例与定义线性规划问题的解的概念求解线性规划的Matlab 解法 Python解法 Python Scipy库实现 Python plup ...
python数学建模（二）线性规划2.实战(思路清晰\过程完整、详细)
文章目录 (一)简单陈述本文章的内容 (二)线性规划例题(实战) 2.1 实战题目 2.2 符号规定和基本假设 2.3 模型的分析 2.4 模型的建立 2.5 模型一的求解和分析 2.5.1 (代码) ...
python参数化建模加工图_基于Python的ABAQUS层压板参数化建模
唐维康泽毓杨婷曾凤蒋莉摘要:为了提高层压板在ABAQUS仿真中建模的效率与准确性,提出利用Python语言对ABAQUS二次开发进行层压板参数化建模的方法.基于ABAQUS有限元软件,采用P ...
python 财务报表建模_Python进行统计建模
前言大家好,在之前的文章中我们已经讲解了很多Python数据处理的方法比如读取数据.缺失值处理.数据降维等,也介绍了一些数据可视化的方法如Matplotlib.pyecharts等,那么在掌握了这些 ...

MindOpt有关于Python的建模与优化

目录

前言