如何在 CPLEX-python 中添加和刪除約束？

Question

我在 python 中使用了 Cplex。 我已經知道如何正確編寫數學優化問題並創建 function 以顯示解決方案友好 (F1)。 目前，我想修改 model 的一些功能，而不創建新的 model。 我的想法是解決 model P，然后是 model P1（更改決策變量域），P2（放寬一些約束），等等。 我想使用我的 function F1 獲得這些模型的解決方案。

我的代碼如下：

import time
import numpy as np
import cplex
from cplex import Cplex
from cplex.exceptions import CplexError
import sys
from openpyxl import Workbook
import xlrd

def GAP_RL(I,J,data):
    #TIEMPO INICIAL
    inicio=time.process_time() #------------------------------- INICIO DEL CONTEO DE TIEMPO
    #CONJUNTOS
    maquinas=range(I)  #CONJUNTO DE TRABAJOS
    trabajos=range(J)  #CONJUNTO DE MÁQUINAS
    #print("MÁQUINAS={} | TRABAJOS= {} |\n".format(list(maquinas),list(trabajos)))
    print("\n")
    #PARÁMETROS
    wb = Workbook()
    ws = wb.active
    book = xlrd.open_workbook(data+'.xlsx')           
    sheet = book.sheet_by_name("c")
    c_a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    c_a=np.matrix(c_a)  
    print("COSTO DE ASIGNACIÓN")      
    print("")         
    print(c_a) # ------------------------------------------------ COSTO DE ASIGNACIÓN
    print("\n")
    sheet = book.sheet_by_name("a")
    a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    a=np.matrix(a)  
    print("UTILIZACIÓN")      
    print("")         
    print(a) #---------------------------------------------------- REQUERIMIENTOS   
    print("\n")
    sheet = book.sheet_by_name("b")
    b=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    b=np.matrix(b)  
    print("DISPONIBILIDAD")      
    print("")         
    print(b) #---------------------------------------------------- CAPACIDAD MÁXIMA DE PROCESO
    print("\n")

    Model=cplex.Cplex()                                                  #CREACIÓN DEL MODELO.

    Model.parameters.mip.tolerances.integrality.set(0)                   #ESPECIFICA LA CANTIDAD POR LA CUAL UNA 
                                                                         #VARIABLE ENTERA PUEDE SER DIFERENTE DE UN 
                                                                         #ENTERO Y AÚN ASÍ CONSIDERASE FACTIBLE
    Model.objective.set_sense(Model.objective.sense.minimize)            #SENTIDO DE OPTIMIZACIÓN.

    #Model.parameters.timelimit.set(float(7200))                         #TIEMPO MÁXIMO DE EJECUCIÓN [SEGUNDOS].

    #Model.parameters.mip.tolerances.mipgap.set(float(0.1))              #GAP DE TÉRMINO.

    #VARIABLES DE DECISIÓN
    x_vars=np.array([["x("+str(i)+","+str(j)+")" for j in trabajos] for i in maquinas])
    x_varnames = x_vars.flatten()
    x_vartypes='B'*I*J
    x_varlb = [0.0]*len(x_varnames)
    x_varub = [1.0]*len(x_varnames)
    x_varobj = []
    for i in maquinas:
        for j in trabajos:
            x_varobj.append(float(c_a[i,j]))
    Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames)
    #RESTRICCIONES

    #PRIMER CONJUNTO DE RESTRICCIONES: CADA TRABAJO ES ASIGNADO A UNA ÚNICA MÁQUINA.
    for j in trabajos:
        row1=[]
        val1=[]
        for i in maquinas:
            row1.append(x_vars[i,j])
            val1.append(float(1.0))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row1, val= val1)], senses = 'E', rhs = [float(1.0)])

    #SEGUNDO CONJUNTO DE RESTRICCIONES: LAS ASIGNACIONES DE TRABAJOS CONSIDERAN LA CAPACIDAD MÁXIMA DE PROCESAMIENTO DE LAS MÁQUINAS
    for i in maquinas:
        row2=[]
        val2=[]
        for j in trabajos:
            row2.append(x_vars[i,j])
            val2.append(float(a[i,j]))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row2, val= val2)], senses = 'L', rhs = [float(b[i])])
    #RESOLVER MODELO Y EXPANDIR
    solution=Model.solve() 
    Model.write('modelo_GAP.lp') 
    #MOSTRAR SOLUCION
    def show_solution():
        print("--------------------------------------------------------------------------------------------------------------")
        print("\nVALOR FUNCIÓN OBJETIVO - COSTO TOTAL DE ASIGNACIÓN = {}".format(Model.solution.get_objective_value()))
        print("--------------------------------------------------------------------------------------------------------------")

        for i in maquinas:
            for j in trabajos:
                if(Model.solution.get_values("x("+str(i)+","+str(j)+")")!=0.0):
                    print("x("+str(i+1)+","+str(j+1)+")"+" = "+str(Model.solution.get_values("x("+str(i)+","+str(j)+")")))
        fin=time.process_time()
        tiempo=float(fin)-float(inicio)
        print("")
        print("TIEMPO DE CÓMPUTO [s]= ", float(tiempo))
    show_solution()
GAP_RL(I=2,J=7,data='data')

數據文件如下：

矩陣 c_a 如下：

矩陣 a 如下：

矩陣 b 如下：

所以我想知道如何在以這種方式編寫的 model 中進行這些更改。 提前致謝。

Answer 1

這里有一些提示可以幫助您朝着正確的方向前進：

1. add方法（例如， Cplex.variables.add 、 Cplex.linear_constraints.add ）返回一個迭代器，其中包含添加到 model 的索引。 您可以使用它來記住要修改的變量或約束類別的索引。 例如：

    varind = list(Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames))

2. 或者，如果您為變量/約束命名，您可以按名稱查詢或修改它們。 但是，這可能會導致性能下降，因此請閱讀用戶手冊中的這一部分。

3. 您可以使用Cplex.variables.set_lower_bounds和Cplex.variables.set_upper_bounds更改變量的下限和上限。

4. 您可以使用Cplex.linear_constraints.delete刪除線性約束。

5. 最后，您可以通過將現有 model 傳遞給Cplex構造函數來創建 model 的副本（也稱為克隆）。 例如：

    Model1 = cplex.Cplex(Model)

Answer 2

您可以使用 docplex python API 輕松做到這一點。

from docplex.mp.model import Model

# original model

mdl = Model(name='buses')
nbbus40 = mdl.integer_var(name='nbBus40')
nbbus30 = mdl.integer_var(name='nbBus30')
mdl.add_constraint(nbbus40*40 + nbbus30*30 >= 300, 'kids')
mdl.minimize(nbbus40*500 + nbbus30*400)

mdl.solve()



for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

#now remove the constraint

print()
print("now 0 kids instead of 300")    

mdl.get_constraint_by_name("kids").rhs=0;
mdl.solve()

for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

# and now let 's adapt to Covid19 1 seat out of 2

print("now 40 seats buses take 20 children and same ratio for 30 seats buses") 

mdl.add_constraint(nbbus40*20 + nbbus30*15 >= 300, 'kidsCov19')

mdl.solve()

for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

這使

nbBus40  =  6.0
nbBus30  =  2.0

now 0 kids instead of 300
nbBus40  =  0
nbBus30  =  0
now 40 seats buses take 20 children and same ratio for 30 seats buses
nbBus40  =  15.0
nbBus30  =  0

我使用了動物園和公共汽車的例子