問題タブ [glpk]

私は GLPK の初心者です。単純なモデルをテストしたいのですが、このコメントを使用してさまざまなランダム データを生成します。

モデルを100回解いて、目的関数の最適値の平均値を求めたいです。

反復式をコーディングして、.mod ファイルでモデルの解決を繰り返す方法がわかりません。手伝っていただけませんか？

これは私のモデルです：

次の手順に従って、最初のエラーが発生しました。

このエラーが発生しました：

次に、Python のバージョンを変更して Python にリンクするか、セクションとしましょう: 内部swig/Makefile

かわった

に

これは私のpythonバージョンです

ここpython test.pyで、examples フォルダー内で実行すると、クラッシュして次のように表示されます。

次のチュートリアルを試しました: ソースからのビルドとインストール

それから私は試しました

インストール-Python-glpk チュートリアル

何かが正しくありません。どのステップが欠けているので、

失敗する？

私もbrewのインストールを試みましたが、うまくいきませんでした! Pythonパスも含めましたが、まだ助けにはなりません。

ああ、最後に私はこれを試しました：

まだ運がない！最後のステップは、この回答からのインスピレーションでした

ネストされた For ループをいくつか実行しており、その中でいくつかの If-Else 条件を実行しています。assertコードのどこにも使用していません。しばらく実行すると、プログラムはアサーション エラーをスローします。

これは、GNU Linear Programming Kit別のライブラリからインポートされた一部ですCOBRApy。私がインポートしました。

Try-Catch セットアップを試しましたが、うまくいきませんでした。また、フラグを付けてコードを実行しようとしました-Oが、それもうまくいきませんでした。私の推測では、ライブラリによってスローされた例外をキャッチできないということです。どうやってやるの？他の提案はありますか？

私は中規模の線形プログラム (70k x 10k のスパース制約行列) に取り組んでおり、多数のシナリオを実行する必要があり、現在の解決時間で ~2,000 CPU 時間が必要です。変更は比較的小さいため (目的関数、別名 c 行列の最大 10% の変更)、ウォーム スタートを使用すると、ソリューション時間が大幅に短縮される可能性があります。パイソン。

linprogこれまで、Matlab と Python のCVXOPT ソルバーで作業してきましたがlp、CVXOPT 内の GLPK シンプレックス ソルバーを使用すると最高のパフォーマンスが得られました。ただし、GLPKを使用したウォーム スタートは可能ですが、GLPK の CXVOPT ラッパーはウォーム スタートを実装していません。CVXOPT はネイティブソルバーでウォーム スタートをサポートしていますが、これは GLPK でのコールド スタートよりも大幅に遅くなります。PuLPのウォーム スタート オプションや、Python モジュールのウォーム スタートに関するその他のリファレンスを見つけることができませんでした。conelp

GLPK でウォーム スタートを行うために CVXOPT を適応/パッチ適用した経験のある人はいますか、または他の Python 最適化パッケージでウォーム スタートを行う方法を示すことができますか?

同様の質問がこことここで尋ねられていますが、有用な回答を得るのに十分な詳細がありません.

Pulp を使用して .mod ファイルから問題を解決することは可能ですか?

ドキュメントにはそれについて何もありません。

次のように開始されます。

私はこのようなものが欲しい：

私はpython3.4を使用しています

質問：

最小化x1+x2+...+xn

知られているk1*x1+k2*x2+...kn*xn = T

k1,k2,...,knおよびTは既知の整数であり、> 0

k1 > k2 > k3 > ... > kn

すべての x も整数で >= 0

すべての x を見つける

Rglpk と Glpk を使用しようとしていました。しかし、行列が 1 行しかない例が見つかりません。これは整数計画法ですか？そして、それは解決可能ですか？どうもありがとう。

私が書いたいくつかの Ruby コード:

glpk を使用して、ソース ノードからターゲット ノードまでのすべての可能なパスを列挙しようとしていますが、構文に問題があります。これが私の現在のコードです（最短パスの例から適応）：