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

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

Python实现将MySQL中所有表的数据都导出为CSV文件并压缩

《Python实现将MySQL中所有表的数据都导出为CSV文件并压缩》这篇文章主要为大家详细介绍了如何使用Python将MySQL数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到... python将mysql数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到另一个