我正在尝试形成一个具有多个索引的变量,例如$ x_ {i,j} $
到目前为止,我在文档中发现了如下所示的简单变量设置:
MPVariable x = solver.makeIntVar(0.0, infinity, "x");
是否有任何文档显示此类示例?
此外,是否可以将AMPL用于OR工具中的问题表述?
最佳答案
您只需为每对索引创建一个变量;即遍历i
和j
并创建ArrayList<ArrayList<MPVariable>>
;即执行以下操作,其中ni
和nj
分别表示索引i
和j
的值数量:
var x = new ArrayList<ArrayList<MPVariable>>();
for (int i = 0; i < ni; i++) {
var inner = new ArrayList<MPVariable>();
for (int j = 0; j < nj; j++) {
var xij = solver.makeIntVar(0.0, infinity, String.format("x%d%d", i, j));
inner.add(xij);
}
x.add(inner);
}
此时,您可以通过
x.get(i).get(j)
访问$ x_ {i,j} $。官方文档中有一些示例,尽管适用于CP求解器。参见例如the solution to the N-queens problem。在这里,示例使用了Python API,但是您可以将其转换为Java。供参考,上面的嵌套循环在Python中如下所示:
x = [[solver.IntVar(0.0, infinity, f'x{i}{j}') for j in range(nj)] for i in range(ni)]
完整的工作示例:分配问题
考虑到这一点,让我们尝试创建一个完整的示例。一个由整数变量的二维矩阵建模的简单问题是linear assignment problem。以最简单的形式,我们得到了权重为$(w_ {ij})_ {ij} $的实方阵,并试图最小化$ \ sum_ {ij} w_ {ij} x_ {ij} $,其中每个$ x_ {ij} $为0或1,对于每个$ i $,正好一个$ x_ {ij} $为1,同样,对于每个$ j $,正好$ x_ {ij} $为1。
在这里,让我们创建一个5x5实例,其中$ w_ {ij} =(i + 1)(j + 1)$。一个人容易验证,在这种情况下,最佳解决方案是让$ x_ {04} = x_ {13} = x_ {22} = x_ {31} = x_ {40} = 1 $,并让$的所有其他值x_ {ij} $为0。那么,目标的值为5 + 8 + 9 + 8 + 5 = 35。
以下是解决此情况并打印结果的完整程序:
import com.google.ortools.linearsolver.MPConstraint;
import com.google.ortools.linearsolver.MPObjective;
import com.google.ortools.linearsolver.MPSolver;
import com.google.ortools.linearsolver.MPVariable;
import java.util.ArrayList;
public class LinearAssignment {
public static void main(String[] args) {
System.loadLibrary("jniortools");
var solver = new MPSolver(
"LinearAssignmentProblem", MPSolver.OptimizationProblemType.valueOf("CBC_MIXED_INTEGER_PROGRAMMING"));
// Define the variables and the objective function
var x = new ArrayList<ArrayList<MPVariable>>();
var objective = solver.objective();
int n = 5;
for (int i = 0; i < n; i++) {
var inner = new ArrayList<MPVariable>();
for (int j = 0; j < n; j++) {
var xij = solver.makeBoolVar(String.format("x%d%d", i, j));
objective.setCoefficient(xij, (i+1)*(j+1));
inner.add(xij);
}
x.add(inner);
}
// Add the constraint that sum_j x_{ij} = 1 for every i.
for (int i = 0; i < n; i++) {
var ci = solver.makeConstraint(1, 1);
for (int j = 0; j < n; j++) ci.setCoefficient(x.get(i).get(j), 1);
}
// Add the constraint that sum_i x_{ij} = 1 for every j.
for (int i = 0; j < n; j++) {
var cj = solver.makeConstraint(1, 1);
for (int i = 0; i < n; i++) cj.setCoefficient(x.get(i).get(j), 1);
}
// Run the solver
solver.solve();
// Print the results
System.out.println("Objective at minimum = " + solver.objective().value());
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++)
System.out.print(String.format("x%d%d = %d, ", i, j, (int) x.get(i).get(j).solutionValue()));
System.out.println();
}
}
}
输出:
Objective at minimum = 35.0
x00 = 0, x01 = 0, x02 = 0, x03 = 0, x04 = 1,
x10 = 0, x11 = 0, x12 = 0, x13 = 1, x14 = 0,
x20 = 0, x21 = 0, x22 = 1, x23 = 0, x24 = 0,
x30 = 0, x31 = 1, x32 = 0, x33 = 0, x34 = 0,
x40 = 1, x41 = 0, x42 = 0, x43 = 0, x44 = 0,
应该注意的是,这里的解决方案主要是说明性的,实际上可以简化一点这个问题:由于$ x_ {ij} $是0或1,我们可以使用
makeBoolVar
代替makeIntVar
。但实际上,由于约束矩阵是完全单模的,因此实际上我们根本不必使用整数变量,而只需使用实值$ 0 \ leq x_ {ij} \ leq 1 $。而且,存在解决线性分配问题的有效算法。实际上,OR-Tools本身捆绑了CSA-Q算法的实现,用于整数值权重,在实践中效果很好。但是,该解决方案适用于较小的问题实例,并有望作为说明性示例,说明如何将
MPSolver
用于非平凡的问题。