优化| 手把手教你学会杉树求解器(COPT)的安装、配置与测试
优化| 手把手教你学会杉数求解器COPT的安装、配置与测试
- 前言
- 线性规划(LP)测试榜单--单纯形法: Benchmark of Simplex LP solvers
- 线性规划(LP)测试榜单--内点法: Benchmark of Simplex LP solvers
- 混合整数规划(MIP)测试榜单
- COPT的申请、安装、配置和测试
- COPT的许可(license)以及安包申请
- COPT的安装
- COPT许可配置
- COPT求解优化模型的测试: python接口
- 参考资料
作者: 刘兴禄,清华大学,清华伯克利深圳学院博士在读
欢迎关注我们的微信公众号 运小筹
前言
最近杉数求解器发布了4.0.2版本。著名的优化求解器benchmark测评的官网也更新了最近的榜单。
网址如下:
Benchmarks for Optimization Software - Hans Mittelmann
http://plato.asu.edu/bench.html
线性规划(LP)测试榜单–单纯形法: Benchmark of Simplex LP solvers
单纯形法目前COPT排名第一,阿里的MindOpt紧随其后,Gurobi排名第三。COPT略微领先于MindOpt。COPT、MindOpt、Gurobi是榜上唯三的解决了所有的40个问题的3个求解器。
线性规划(LP)测试榜单–内点法: Benchmark of Simplex LP solvers
内点法目前COPT也是在榜单中排名第一,Gurobi紧跟其后,差距非常小。
混合整数规划(MIP)测试榜单
MIP的benchmark数据集有3个,如下图所示。
我们只看第一个,也就是MILP Benchmark - MIPLIB2017 (2-5-2022)
。
根据结果可知,在MILP Benchmark - MIPLIB2017 (2-5-2022)
测试榜单中,Gurobi稳居第一,以较大优势领先其他求解器。 COPT排名第二,跟Gurobi任然有一些差距。
运行速度方面
- 在单线程
(1 thread)
:Gurobi:COPT = 1: 4.19; - 在8线程
(8 threads)
:Gurobi:COPT = 1: 3.50。
可见COPT目前速度也已经慢慢具有较强的竞争力,大家可以去愉快地尝试使用了。小编也是期待了很久,最近也决定尝试学习和使用COPT了。
看完了这些,我们来进入主题,开始COPT的安装、配置和测试。
COPT的申请、安装、配置和测试
COPT的许可(license)以及安包申请
同学们可以在下面的网址填写信息申请License和安装包,目前网址不支持直接下载安装包。COPT会通过邮件的方式将安装包和license发送给你。
申请网址
: https://www.shanshu.ai/copt
申请界面如下:
注意事项:
申请界面的用户账号
, 需要通过上图中如何获取用户账号名称
里面的方法获得,不要想当然的乱写,否则申请测license是不匹配的。
- 如果用学校的邮箱申请。license是365天。
- 如果是用自己的163,qq, gmail等邮箱申请,License的有效期是6个月。
这是之前用163邮箱申请的情况
这是用学校邮箱申请的情况
COPT的安装
上图提供了两个链接,分别是
https://pub.shanshu.ai/download/copt/4.0.2/win64/CardinalOptimizer-4.0.2-win64-installer.zip
https://pub.shanshu.ai/download/copt/4.0.2/win64/CardinalOptimizer-4.0.2-win64.zip
建议下载第二个,这个比较方便。原因是:第二个不用自己配置环境变量,COPT在安装的过程种会自动地配置环境变量。
下载之后,我们解压安装即可。
安装界面就是一直next就好,这里不再赘述。
COPT许可配置
COPT必须要配置相应的许可文件才能正常使用
。license就在回复你的邮件中,如下图所示
配置许可的方法就是
- 以管理员身份打开命令行
win+R + cmd
- 切换到COPT的安装目录下,如果你没有修改目录的话,默认目录是
C:\Program Files\COPT"
,我们执行命令cd C:\Program Files\COPT
- 执行命令:
copt_licgen -key 你的license
,例如
copt_licgen -key copt_licgen -key 19200817f147gd9f60abc791def047fb
注意中间的空格。- 执行完毕后,你的用户根目录下会自动生成两个授权文件:
license.dat
和license.key
这两个文件你可以通过搜索找到,也可以直接到相应目录下去找。我的电脑是在这里
- 完成这一步,别忘了最后一步。将
license.dat
和license.key
拷贝到COPT的安装目录下,也就是拷贝到C:\Program Files\COPT"
下。如下图。大功告成!可以开始写代码了。
COPT求解优化模型的测试: python接口
我们用一个非常简单的线性规划模型来测试一下。
例子如下:
max8x1+5x2s.t.x1+x2⩽69x1+5x2⩽45x1,x2⩾0\begin{aligned} \max \quad & 8x_1 + 5x_2 \\ s.t. \quad & x_1 + x_2 \leqslant 6 \\ & 9x_1 + 5x_2 \leqslant 45 \\ & x_1, x_2 \geqslant 0 \end{aligned} maxs.t.8x1+5x2x1+x2⩽69x1+5x2⩽45x1,x2⩾0
Python调用COPT建模的程序跟其他求解器基本一致,但是不同于Gurobi
,COPT需要首先创建一个环境(也就是创建一个Envr 类的实例),然后用这个Envr实例,调用函数createModel
来建立模型。下面是一个例子:
from coptpy import * # Create COPT environment
env = Envr()# create model
model = env.createModel("LP example")
建模过程主要用到的函数如下:
- 创建环境+创建模型:
Envr()
和Envr.createModel(name)
- 创建决策变量:
Model.addVar(lb=0.0, ub=COPT.INFINITY, obj=0.0, vtype=COPT.CONTINUOUS, name="", column=None)
- 设置目标函数:
Model.setObjective(expr, sense=None)
- 添加约束:
Model.addConstr(lhs, sense=None, rhs=None, name="")
- 创建线性表达式:
LinExpr(arg1=0.0, arg2=None)
– 注意,COPT中,LinExpr对象的addTerm()
函数,第一个位置是系数(coef)
,第二个位置是变量(var)
,比如
–expr = LinExpr();
–expr.addTerm(1, x_1);
- 求解模型:
Model.solve()
(注意,目前4.0.2版本及更早的版本,暂时还不支持callback。
) - 设置求解参数(求解时间,Gap等):
Model.setParam(paramname, newval)
– 设置求解时间:m.setParam(COPT.Param.TimeLimit, 3600)
– 设置求解MIP的求解Gap:model.setParam(COPT.Param.RelGap, 0.1)
- 输出目标值:
model.objval
- 输出解的值和变量名
–Model.getVars()
:获得模型的所有变量;
–var.index
:获得变量的index,这个不同于变量名,只是一个序号;
–var.x
: 获得变量在最优解中的取值;
–var.getName()
: 获得变量名。
下面我们来完整地写出上面的例子并求解,输出解的信息。完整代码如下:
from coptpy import * # Create COPT environment
env = Envr()# create model
model = env.createModel("LP example") # create variables
x1 = model.addVar(lb=0, ub=COPT.INFINITY, vtype = COPT.CONTINUOUS, name="x1")
x2 = model.addVar(lb=0, ub=COPT.INFINITY, vtype = COPT.CONTINUOUS, name="x2")# create objective
model.setObjective(8*x1 + 5*x2, sense=COPT.MAXIMIZE)# create constraints
model.addConstr(x1 + x2 <= 6)
model.addConstr(9*x1 + 5*x2 <= 45)# solve and output the optimal solution
model.solve()print("Objective value: {}".format(model.objval))
print("Variable solution:")for var in model.getVars():print(" x[{0}]: {1}".format(var.index, var.x))
求解结果如下
Hardware has 8 cores and 16 threads. Using instruction set X86_NATIVE (1)
Maximizing an LP problemThe original problem has:2 rows, 2 columns and 4 non-zero elements
The presolved problem has:2 rows, 2 columns and 4 non-zero elementsStarting the simplex solver using up to 8 threadsMethod Iteration Objective Primal.NInf Dual.NInf Time
Dual 0 7.0451048183e+01 2 0 0.01s
Dual 2 4.1250756485e+01 0 0 0.01s
Postsolving
Dual 2 4.1250000000e+01 0 0 0.01sSolving finished
Status: Optimal Objective: 4.1250000000e+01 Iterations: 2 Time: 0.01s
Objective value: 41.25
Variable solution:x[0]: 3.75x[1]: 2.25
从上述求解日志和求解结果来看,COPT使用了对偶单纯形法(dual simplex
)求解该问题,迭代了2步。
COPT的建模语法、求解日志信息与其他求解器(例如Gurobi)也是类似的风格,用户学习成本极低。
开心,接下就可以进一步研究更多的用法了。之后有空我会陆续推出基于COPT的推文。希望对大家有帮助。
参考资料
[1]: 杉数科技官网: https://www.shanshu.ai/copt
[2]: 杉数求解器用户手册4.0.2.
欢迎关注我们的微信公众号 运小筹
公众号往期推文如下
优化| 手把手教你学会杉树求解器(COPT)的安装、配置与测试相关推荐
- 华为手机如何固定横屏_华为手机如何录屏?原来方法这么简单,手把手教你学会...
很多人都不知道,华为手机到底如何录屏,下面给大家分享4种方法,非常简单,手把手教你学会. 一.通知栏录屏 从手机顶端往下滑动打开通知栏,这个面板上有很多快捷功能,其中就有[屏幕录制]功能,点击开始录屏 ...
- html 插入 排班表,怎么用Word制作排班表,手把手教你学会
原标题:怎么用Word制作排班表,手把手教你学会 在工作中,或者是在生活中,人们听到排班表的时候,一点也不会感觉惊讶,因为这是在工作中的需要,日常的工作都会有班次的安排,根据不同的情况给每个人安排不同 ...
- 不求人,手把手教你学会微信WIFI!
前言:好吧,这是作者开博的第一篇文章,在如今朋友圈文章泛滥的时代,再看过了那么多"心灵鸡汤"."技术神贴"之后,作者也在思考,自己能不能写点什么,也许过上一百年 ...
- 手把手教你学会EDIUS剪辑软件视频教程
手把手教你学会EDIUS剪辑软件视频教程 课程目标: 用最短的时间教会你掌握最实用的EDIUS剪辑技! 最近迷上了这堂课.老师讲的很好!建议不会想学的朋友可以向林杉老师学习,讲的比较仔细.赞一个!!! ...
- mysql插入栏位语句_情人节福利,手把手教你学会mysql语句操作
情人节福利,手把手教你学会mysql语句操作 一起来 日常学python 进入正题 mysql语句分为两种,一种是DDL,就是数据定义语句,比如那些CREATE,ALTER.另一种是DML,就是数据管 ...
- 非线性规划求解_突破 | 杉数求解器COPT首发求解内点法
↑↑↑↑↑点击上方蓝色字关注我们! 『运筹OR帷幄』转载 作者:杉数科技 北京2020年10月26日,杉数优化求解器COPT公布国内首个线性规划内点法,这是国内运筹学的又一大突破.其性能与单纯形.大规 ...
- 2-2 组合优化问题-常用模型与通用求解器
组合优化问题常用模型 组合优化问题常常难以求解,我们可以把这些转化为目前已经有成熟求解器的模型. 1. 可满足性问题(Satisfiability, SAT) 上一节已经讲过,SAT 是一个 NPC ...
- 手把手教你写游戏修改器(终极版)
关于怎样写植物大战僵尸游戏修改器的详细过程,在手把手教你写游戏修改器里面已经详细介绍了,这里就不再说了.前面那个修改器是基于控制台程序下面的,紧紧对于植物大战僵尸有用,采用上面那个教程已经将游戏修改器 ...
- 计算机游戏优化,手把手教你用Geforce-Experience自动优化你电脑的游戏
英伟达在2013年5月份发布的显卡驱动配套优化软件Geforce Experience,TerransForce的N卡机型中也为用户预装了这个软件,不过GeforceExperience到现在一直都不 ...
最新文章
- 使用jsDelivr加速GitHub的静态资源
- DJango-如何快速准备Python虚拟开发环境并快速定制一个项目
- WP8.1学习系列(第十二章)——全景控件Panorama开发指南
- ArcGIS.Server.9.2.DotNet自带例子分析(一、二)
- 将win7电脑变身WiFi热点,让手机、笔记本共享上网
- 学python可以做什么产品-学完Python可以做什么?主要用途有哪些?
- MySQL中的enum和set类型
- jdbc的小结 mysql
- (15)Verilog HDL宏定义:define
- 最近谷歌苹果亚马逊扎堆收购的公司,会不会下一个就是你?
- 光谷码农·每日新闻(2019-05-09)
- 软件供应链安全现状分析与对策建议
- 工厂方法和抽象工厂模式
- STM32互补PWM输出使能控制
- 线性回归的推导与java代码
- 西南科技大学计算机考研好考吗,西南科技大学考研难吗?一般要什么水平才可以进入?...
- TIDB 性能测试(TIUP-TPCC)
- ACL会议介绍 - Call for Main Conference Papers
- C语言经典分油问题,分油问题C语言
- 西乡中学2021艺体生高考成绩查询,2019年西乡中学特长生评分标准
热门文章
- oa系统服务器租赁,oa服务器租赁
- cube的意思中文翻译_cube是什么意思_cube的翻译_音标_读音_用法_例句_爱词霸在线词典...
- 2021 合肥市信息学竞赛小学组
- 爱江山更爱美人自动刷小号请安膜拜
- 粗读MD-UNET: Multi-input dilated U-shape neural network for segmentation of bladder cancer
- zzuli 2631: B(树链剖分)
- Python入门习题大全——人生的不同阶段
- 微信小程序电商商城系统怎样搭建?
- 什么是超视频时代的用户体验法则?
- 房地产数据可视化实现销售监控面板