week6 常见数据规划-Santa服务调度

2024-03-10 23:58

本文主要是介绍week6 常见数据规划-Santa服务调度,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

规划问题

常见规划问题

线性规划是运筹学的一个重要分支,广泛应用于军事作战、经济分析、经营管理和工程技术等方面。为合理地利用有限的人力、物力、财力等资源作出的最优决策,提供科学的依据。

  • LP:Linear Programming 线性规划
  •   研究线性约束条件下线性目标函数的极值问题
    
  • ILP:Integer Linear Programming 整数线性规划
  •   全部决策变量必须为整数
    
  • MIP:Mixed Integer Programming 混合整数规划
  •   混合整数规划是LP的一种,其中部分的决策变量是整数(不要求全部都是整数)
    
  • VRP:Vehicle Routing Problem 车辆路径问题

规划求解步骤

  • Step1,列出约束条件及目标函数
  • Step2,画出约束条件所表示的可行域
  • Step3,在可行域内求目标函数的最优解及最优值

规划工具

  • pulp
  •   只用于线性模型,包括如整数规划、01规划,还是混合整数线性规划 MILP
    
  • ortools
  •   开源软件。可以解决车辆路径、流程、整数和线性规划等问题。提供了C++,Python,Java,.NET接口
    

pulp

  • LpProblem类,用来构造LP问题实例
# Name,指定问题名,输出信息用
# Sense,LpMinimize或LpMaximize,代表目标是极大值还是极小值
lpp = LpProblem(name='NoName', sense=LpMinimize)
# 在对LpProblem添加完约束条件后,调用solve进行求解
lpp.solve()
# 在对LpProblem添加完约束条件后,调用solve进行求解
lpSum(vector) 
  • LpVariable类 ,用来构造LP问题中的变量
# name指定变量名
# lowBound(默认负无穷)和upBound(默认正无穷)是下界和上界,
# cat用来指定变量是离散(Integer,Binary)还是连续(Continuous) LpVariable(name, lowBound=None, upBound=None, cat='Continuous', e=None) 

Ortools

线性规划,默认使用GLOP
整数规划,默认使用CBC(Coin-or branch and cut),还包括SCIP、GLPK、Gurobi等

执行流程
# 1. Solver创建
solver = pywraplp.Solver.CreateSolver('SCIP')
# 2. 变量设置
solver.NumVar:创建普通变量
solver.IntVar:创建整数变量infinity = solver.infinity() # 正无穷
x = solver.IntVar(0.0, infinity, 'x')
print('变量数量:', solver.NumVariables())# 3. 添加约束条件
solver.Add(x + 7 * y <= 17.5)
print('约束的数量:', solver.NumConstraints())
# 4. Solve求解
# 求解最大值问题
solver.Maximize(x + 10 * y)
status = solver.Solve()
# 5. Solve的结果
print('目标值 =', solver.Objective().Value())
print('x =', x.solution_value())
print('y =', y.solution_value())

实例操作:Santa服务调度

  • Step1, 数据加载
data = pd.read_csv('./data/family_data.csv',index_col='family_id')
  • Step2,数据预处理
    • 1)计算Perference Cost矩阵 pcost_mat
    • 2)计算Accounting Cost矩阵 acost_mat
    • 3)计算每个家庭的人数 FAMILY_SIZE
    • 4)每个家庭的倾向选择(choice_) DESIRED
N_DAYS = 100 # 安排的天数
N_FAMILY = 5000 #家庭ID的个数
MIN_OCCUPANCY = 125 # 最小承载量
MAX_OCCUPANCY = 300 # 最大承载量
# 计算pcost_mat,每个家庭在什么时候(day0-99)访问时的penalty
# 大小5000*100的矩阵# 1. 计算Perference Cost矩阵 pcost_mat
pcost_mat = np.full(shape=(N_FAMILY,100),fill_value=999999)
for f in range(N_FAMILY):# 家庭成员数f_num = data.loc[f,'n_people']# 对于第f个家庭,初始化pcost = other choice下的penaltypcost_mat[f,:] = get_penalty(f_num,10) #初始值最大惩罚# 计算choice 0-9 的penaltyfor choice in range(10):# choice 0-9temp = data.loc[f][choice] #choice的天数penalty = get_penalty(f_num,choice) # 得到对应choice的惩罚pcost_mat[f,temp-1] = penalty # 因为下标是从0开始,所以要在天数基础上-1才是下标值# 2.计算Accounting Cost矩阵 acost_mat
acost_mat = np.zeros(shape=(MAX_OCCUPANCY+1,MAX_OCCUPANCY+1),dtype=np.float64)
for i in range(acost_mat.shape[0]):# 当天安排的人数for j in range(acost_mat.shape[1]):# 前一天安排的人数diff = abs(i-j)acost_mat[i,j] = max(0,(i - 125) / 400 * i ** (0.5 + diff/50.0))# 3.计算每个家庭的人数 FAMILY_SIZE
FAMILY_SIZE = data['n_people'].values# 4.每个家庭的倾向选择(choice_) DESIRED
DESIRED = data.values[:,:-1]-1
  • Step3,使用LP和MIP求解 规划方案
    • 1)先使用LP 对绝大部分家庭进行规划
    • 2)再使用MIP 对剩余家庭进行规划
    • 3)汇总两边的结果 => 最终规划方案

#进行 使用整数规划求解
def solveIP(families,min_occupancy,max_occupancy):# 创建求解器solver = pywraplp.Solver('AssignmentProblem', pywraplp.Solver.CBC_MIXED_INTEGER_PROGRAMMING)# 需要安排的家庭n_families = len(families)x = {} # family_id在第j天是否参观candidates = [[] for x in range(N_DAYS)] # 定义了len为100的listfor i in families:#family_idfor j in DESIRED[i,:]:# family_id的choice#print(j)candidates[j].append(i) # 在第j天,有第i个family参观x[i,j] = solver.BoolVar('x[%i,%i]' %(i,j)) # x[%i,%i]中的i代表integer类型daily_occupancy = [solver.Sum([x[i,j] * FAMILY_SIZE[i] for i in candidates[j]])\for j in range(N_DAYS)] # j代表1-100天family_presence = [solver.Sum(x[i,j]  for j in DESIRED[i,:])\for i in families]preference_cost = solver.Sum([pcost_mat[i,j] * x[i,j] for i in families\for j in DESIRED[i,:]])# 满足preference_cost最小solver.Minimize(preference_cost)    # 每个家庭都在10个choice中出现一次for i in range(n_families):solver.Add(family_presence[i]==1)# 每天访问人数约束for j in range(N_DAYS):solver.Add(daily_occupancy[j]>=min_occupancy[j])solver.Add(daily_occupancy[j]<=max_occupancy[j])result = solver.Solve()temp = [(i,j) for i in families\for j in DESIRED[i,:] if x[i,j].solution_value()>0]# 计算剩余家庭的安排df = pd.DataFrame(temp,columns=['family_id','day'])return df
  • Step4, 结果评估
    按照evaluation标准,计算
    Score = preference cost + accounting penalty
def cost_function(prediction):penalty,daily_occupancy = pcost(prediction) #统计preference cost和每天承载数量accounting_cost,num_out_of_range = acost(daily_occupancy) # 根据每天承载数量计算accounting costfinal_score = penalty + accounting_cost + num_out_of_range * 9999999return final_score
  • Step5,方案优化
    通过更换family_id的选择,查找更好的score
    每次更换后,都对方案进行评估,选择更小的score方案

# 寻找更好的替代方案
def find_better(pred):fobs = np.argsort(FAMILY_SIZE) # 返回数组从小到大的索引#print(np.sort(FAMILY_SIZE)) # 对FAMILY_SIZE按从小到大的顺序排序score = cost_function(pred)original_score = np.inf #打擂法 正无穷初始值# 如果找不到更新则退出while score < original_score:original_score = scorefor family_id in fobs:for pick in range(10):# 得到family_id在choice pick的日期dayday = DESIRED[family_id, pick]# 该family的原有日期oldvalueoldvalue = pred[family_id]# 将原有oldvalue替换为现在的choice pickpred[family_id] = day# 重新计算分数new_score = cost_function(pred)# 如果比原来分数小,更新choice成功if new_score < score:score = new_scoreelse:# 设置为原来的oldvaluepred[family_id] = oldvalueprint(score,end='\r')print(score)

这篇关于week6 常见数据规划-Santa服务调度的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/795940

相关文章

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

SpringBoot基于配置实现短信服务策略的动态切换

《SpringBoot基于配置实现短信服务策略的动态切换》这篇文章主要为大家详细介绍了SpringBoot在接入多个短信服务商(如阿里云、腾讯云、华为云)后,如何根据配置或环境切换使用不同的服务商,需... 目录目标功能示例配置(application.yml)配置类绑定短信发送策略接口示例:阿里云 & 腾

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

springboot项目如何开启https服务

《springboot项目如何开启https服务》:本文主要介绍springboot项目如何开启https服务方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录springboot项目开启https服务1. 生成SSL证书密钥库使用keytool生成自签名证书将

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

SQL BETWEEN 的常见用法小结

《SQLBETWEEN的常见用法小结》BETWEEN操作符是SQL中非常有用的工具,它允许你快速选取某个范围内的值,本文给大家介绍SQLBETWEEN的常见用法,感兴趣的朋友一起看看吧... 在SQL中,BETWEEN是一个操作符,用于选取介于两个值之间的数据。它包含这两个边界值。BETWEEN操作符常用

Linux之计划任务和调度命令at/cron详解

《Linux之计划任务和调度命令at/cron详解》:本文主要介绍Linux之计划任务和调度命令at/cron的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux计划任务和调度命令at/cron一、计划任务二、命令{at}介绍三、命令语法及功能 :at