Cplex中的Python稀疏矩阵？

Question

我正在研究一个大型二次规划问题。 我想使用 Python API 将定义目标函数的 Q 矩阵输入到 IBM 的 Cplex 中。 Q 矩阵是使用 scipy lil 矩阵构建的，因为它是稀疏的。 理想情况下，我想将矩阵传递给 Cplex。 Cplex 是否接受 scipy lil 矩阵？

我可以将 Q 转换为 Cplex 接受的列表列表格式，我们称之为 qMat。 但是 qMat 的大小变得太大，机器内存不足（即使有 120 Gig）。

以下是我正在进行的工作代码。 在实际问题中，n 大约为 50 万，m 大约为 500 万。 在实际问题中，Q 是给定的，而不是像下面的问题那样随机分配。

from __future__ import division
import numpy as np
import cplex
import sys
import random
from scipy import sparse

n = 10
m = 5

def create():
    Q = sparse.lil_matrix((n, n))
    nums = random.sample(range(0, n), m)
    for i in nums:
        for j in nums:
            a = random.uniform(0,1)
            Q[i,j] = a
            Q[j,i] = a
    return Q

def convert(Q):
    qMat = [[[], []] for _ in range(n)]
    for k in xrange(n-1):
        qMat[k][0] = Q.rows[k]
        qMat[k][1] = Q.data[k]
    return qMat

Q = create()
qMat = convert(Q)
my_prob = cplex.Cplex()
my_prob.objective.set_quadratic(qMat)

Answer 1

如果n = 500000且m = 5000000 ，则为 2.5e12 个非零值。 对于这些中的每一个，非零值大约需要一个double CPXDIM值，索引需要一个CPXDIM 。 即每个非零 8+4=12 个字节。 这将给出：

>>> print(2.5e12 * 12 / 1024. / 1024. / 1024.)
27939.6772385

大约 28TB 的内存！ 目前尚不清楚您计划拥有多少个非零值，但使用此计算，您可以轻松找出是否有可能执行您所要求的操作。

如评论中所述，CPLEX Python API 不接受 scipy lil 矩阵。 您可以尝试docplex ，它对 numpy 友好，或者您甚至可以尝试直接生成LP 文件。

就减少转换开销而言，使用类似以下内容可能是您最好的选择（我想我在上面的评论部分犯了一个错误）：

my_prob.objective.set_quadratic(list(zip(Q.rows, Q.data)))

或者

my_prob.objective.set_quadratic([[row, data] for row, data in zip(Q.rows, Q.data)]))

无论如何，您应该使用这些来查看什么可以提供最佳性能（在速度和内存方面）。