為所有代理找到初始可行解決方案

Question

編輯以獲得更好的解釋（對不起）。

我有一個半分散的優化問題。 半去中心化的意思是：我有一個聚合器來控制每個代理的最佳響應，但是這些代理有一個單獨的成本 function （變量和約束都被復制了）。 理論上，我只需要找到一個初始可行點（對於所有代理），然后通過迭代解決每個代理的優化問題，它會收斂到一個最優值。

我的問題是，為了找到一個初始可行點，我不會同時考慮每個代理，而是在沒有目標 function（帶有 mdl.remove_objective）的情況下使用迭代循環進行優化階段。 我想，通過運行足夠多的時間，它最終會為所有代理提供一個可行的解決方案。 但是，CPLEX 得出的解決方案都非常相似。 這使得無論我運行多少次，第 6 個代理都沒有可行的解決方案。

我的問題是：如何在每次迭代中強制可行點是可行集中的實際隨機點？ 因為看起來，也許從 CPLEX 用來尋找可行解決方案的捷徑來看，它總是選擇相似的解決方案。

（我知道我可以同時解決所有代理的初始可行點，但我仍然有興趣知道是否可以做我想做的事）

謝謝！

Answer 1

兩個想法：

• 對於一個給定的 model 實例，您可以嘗試Model.populate_solution_pool ，它返回一個解決方案池。
• 其次，如果目標並不重要，但您想探索不同方向的可行解空間，您可以嘗試在每次運行中設置不同的“隨機”目標。 CPLEX 旨在為目標找到最佳解決方案； 因此，設定目標是“驅動” cplex 在不同方向尋找解決方案的方式。 例如，生成二進制變量的子集，計算總和並嘗試最大化這個總和（或者在你的情況下更合適的任何東西。）

這就是說，也可能發生您的問題非常緊湊以至於不存在很多解決方案，並且 CPLEX 總是依賴於相同的解決方案。 如果 CPLEX 日志顯示找到的具有不同目標的解決方案很少，那么您就會知道會發生這種情況。

最后，將mip emphasis參數設置為 1（可行性）或 4（隱藏的可行性）可能有助於使可行性優於最優性。