MindOpt APL向量化建模语法的介绍与应用(2)

2024-04-13 13:52

本文主要是介绍MindOpt APL向量化建模语法的介绍与应用(2),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!

前言

在数据科学、工程优化和其他科学计算领域中,向量和矩阵的运算是核心组成部分。MAPL作为一种数学规划语言,为这些领域的专业人员提供了强大的工具,通过向量式和矩阵式变量声明以及丰富的内置数学运算支持,大大简化了数学建模和优化问题的处理。在本文中,我们将探索MAPL的这些特性,并且通过示例来展示如何有效使用这些工具。

介绍与应用

矩阵和向量变量声明

在MAPL中,向量和矩阵变量的声明非常直观。例如,使用var X(3,2)可以创建一个3行2列的矩阵,而使用var Y(3)会创建一个包含3个元素的列向量。对这些变量的操作,如索引(X[1,0])和赋予初值,都可以使用易于理解的语法来完成。

var X(3,2) >=0 integer;print "Structure of X is:";
print X;print "----------------";
print "Sample Entries:";
print X[0,0];
print X[1,1];
print X[2,1];

结果如下:

Structure of X is:
[[ X0,  X1],[ X2,  X3],[ X4,  X5]]
----------------
Sample Entries:
+ [0, 0] -> integer [LB, UB, SOLN-VAl] = [0.000000, +inf, 0.000000
+ [1, 1] -> integer [LB, UB, SOLN-VAl] = [0.000000, +inf, 0.000000]
+ [2, 1] -> integer [LB, UB, SOLN-VAl] = [0.000000, +inf, 0.000000]

张量运算支持

张量运算是MAPL中一项强大的特性,它允许我们使用类似于线性代数中的标准操作符,例如:

  • 加法和减法(+,-):逐元素进行操作,要求操作数尺寸相同。
  • 乘法(*):支持标量和矩阵的乘法,以及矩阵与向量之间的乘法,必须满足传统的行列匹配规则。
  • 转置('):快速提供变量的转置形式,仅适用于矩阵。
  • 点乘(.*):逐元素乘法,用于两个相同尺寸的矩阵或向量。| 类型 | 操作符 | 说明 | 是否支持标量 | 用例 |
    | ---------- | ------ | ------------------------- | ------------ | ----------------- |
    | 一元操作符 | + | 向量/矩阵加法 | 是 | X+Y |
    | | - | 向量/矩阵减法,或者求反 | 是 | X-Y or -X |
    | | .* | 逐元素乘法 | 否 | X.*Y |
    | | * | 向量/矩阵乘法 | 是 | X*Y |
    | | ' | 矩阵转置 | 否 | X' |
    | | / | 向量/矩阵逐元素除以某标量 | 是 | X/2 |
    | 二元操作符 | ^ | 逐元素的p次幂 | 是 | X^2 |
    | 索引操作符 | [] | 获取指定位置的值 | 否 | X[3], Y[3,5] |

这些运算符为建模提供了极大的灵活性和表现力,支持以直观和自然的方式表达数学关系。

映射函数

映射函数是处理张量式变量必不可少的一部分,使建模张量间的函数变换更方便。MAPL提供了一系列映射函数,如exp、log和sin等,它们可以逐元素应用于向量或矩阵。例如,对于一个矩阵A,exp(A)会计算A中每个元素的指数值。

clear model;
var x(3,2) >=0;A = exp(x);print A;

运行上述代码,结果如下:

[[e^(x0), e^(x1)],[e^(x2), e^(x3)],[e^(x4), e^(x5)]]

混合计算和表达式引用

MAPL不仅支持张量间的运算,还支持张量和标量之间的混合计算。此外,它允许用户为复杂的表达式命名,以便于后续引用,这样可以避免重复的计算,并使模型清晰易于管理。

var x >=0;
var y(3,4);A = x + y;
B = y + x;
C = x - y;
D = y - x;
E = -y;
F = x*y;print y;
print A;
print B;
print C;
print D;
print E;
print F;

输出如下:

[[ y0,  y1,  y2,  y3],[ y4,  y5,  y6,  y7],[ y8,  y9, y10, y11]][[ x+y0,  x+y1,  x+y2,  x+y3],[ x+y4,  x+y5,  x+y6,  x+y7],[ x+y8,  x+y9, x+y10, x+y11]][[ y0+x,  y1+x,  y2+x,  y3+x],[ y4+x,  y5+x,  y6+x,  y7+x],[ y8+x,  y9+x, y10+x, y11+x]][[ x-y0,  x-y1,  x-y2,  x-y3],[ x-y4,  x-y5,  x-y6,  x-y7],[ x-y8,  x-y9, x-y10, x-y11]][[ y0-x,  y1-x,  y2-x,  y3-x],[ y4-x,  y5-x,  y6-x,  y7-x],[ y8-x,  y9-x, y10-x, y11-x]][[ -y0,  -y1,  -y2,  -y3],[ -y4,  -y5,  -y6,  -y7],[ -y8,  -y9, -y10, -y11]][[ x*y0,  x*y1,  x*y2,  x*y3],[ x*y4,  x*y5,  x*y6,  x*y7],[ x*y8,  x*y9, x*y10, x*y11]]

一个完整示例

带资源上限约束的二分匹配问题(也称为加权二分匹配问题或指派问题)是图论中的一个经典问题,它的目的是在二分图中找到最优的匹配,使得匹配的总权重最大,同时不超过给定的资源上限。
线性数学建模如下:
image.png
向量形式:
image.png
代码建模如下,可复制在云上平台直接运行:

########################################
#
#   向量式建模案例
#   Weighted Bipartite Matching
#
######################################### 1.读取权重及损耗矩阵
param W  = read_csv("weight.data");
param C  = read_csv("cost.data");param m = W.row;
param n = W.col;############## 2.问题建模 ###############
# 定义矩阵形式变量X,表示可行的匹配
var X(m, n) binary; # 3.二分匹配问题建模
maximize sum(W.*X);# A集合的资源上限约束
s.t. (C.*X)*ones(n,1) <= 10;
# B集合的资源上限约束
s.t. ones(1,m)*(C.*X) <= 10;# 集合A中每个节点最多匹配一次
s.t. X * ones(n, 1) <= 1;
# 集合B中每个节点最多匹配一次
s.t. ones(1, m) * X <= 1;############## 问题求解 #################
# 3.调用mindopt求解
option solver mindopt;
solve;############## 结果分析 #################
# 输出最优目标函数值
param obj = sum(W.*X);
print "Optimal obj is: {:.2f}" % obj;# 输出最优匹配
print "Optimal X is";
print X;
#######################################

输出结果如下:

Running mindoptampl
wantsol=1
MindOpt Version 1.0.1 (Build date: 20231114)
Copyright (c) 2020-2023 Alibaba Cloud.Start license validation (current time : 05-FEB-2024 10:34:07).
License validation terminated. Time : 0.008sModel summary.- Num. variables     : 50- Num. constraints   : 30- Num. nonzeros      : 200- Num. integer vars. : 50- Bound range        : [1.0e+00,1.0e+01]- Objective range    : [4.0e-01,9.8e+00]Branch-and-cut method started.
Original model: nrow = 30 ncol = 50 nnz = 200
Tolerance: primal = 1e-06 int = 1e-06 mipgap = 0.0001 mipgapAbs = 1e-06
Limit: time = 1.79769313486232e+308 node = -1 stalling = -1 solution = -1
presolver terminated; took 1 ms
presolver terminated; took 3 ms
Parallelism: root=8, tree=10accept new sol: obj 0 bnd vio 0 int vio 0 mipgap inf time 0accept new sol: obj -42.8999996185303 bnd vio 0 int vio 0 mipgap 4.55011660905533 time 0
Model summary.- Num. variables     : 48- Num. constraints   : 15- Num. nonzeros      : 96- Bound range        : [1.0e+00,1.0e+00]- Objective range    : [4.0e-01,9.8e+00]- Matrix range       : [1.0e+00,1.0e+00]Presolver started.
Presolver terminated. Time : 0.002sSimplex method started.
Model fingerprint: ==gZ3Fmb392Y3JmZIteration       Objective       Dual Inf.     Primal Inf.     Time0    -2.38100e+02      0.0000e+00      8.1000e+01     0.03s  6    -4.29000e+01      0.0000e+00      0.0000e+00     0.03s  
Postsolver started.
Simplex method terminated. Time : 0.007sRoot relaxation: -42.8999996185303 iteration = 6 time = 0.03
Branch-and-cut method terminated. Time : 0.548sOPTIMAL; objective 42.90Completed.Optimal obj is: 42.90
Optimal Matching X is
[[0, 0, 0, 0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 0, 0, 1, 0, 0, 0, 0],[1, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 1, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 1, 0, 0]]

完整案例介绍:案例1:加权二分匹配(Weighted Bipartite Matching)
详细语法:向量化建模

结论:

MAPL作为一种先进的建模语言,通过支持向量和矩阵的声明以及丰富的运算操作符和映射函数,为用户处理多维数据提供了强大的工具集。无论是在学术研究还是工业应用中,MAPL的这些特点都显著地提高了数学建模的效率和便捷性。

这篇关于MindOpt APL向量化建模语法的介绍与应用(2)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/900320

相关文章

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

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

C++ 中的 if-constexpr语法和作用

《C++中的if-constexpr语法和作用》if-constexpr语法是C++17引入的新语法特性,也被称为常量if表达式或静态if(staticif),:本文主要介绍C++中的if-c... 目录1 if-constexpr 语法1.1 基本语法1.2 扩展说明1.2.1 条件表达式1.2.2 fa

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

Java中&和&&以及|和||的区别、应用场景和代码示例

《Java中&和&&以及|和||的区别、应用场景和代码示例》:本文主要介绍Java中的逻辑运算符&、&&、|和||的区别,包括它们在布尔和整数类型上的应用,文中通过代码介绍的非常详细,需要的朋友可... 目录前言1. & 和 &&代码示例2. | 和 ||代码示例3. 为什么要使用 & 和 | 而不是总是使

Python循环缓冲区的应用详解

《Python循环缓冲区的应用详解》循环缓冲区是一个线性缓冲区,逻辑上被视为一个循环的结构,本文主要为大家介绍了Python中循环缓冲区的相关应用,有兴趣的小伙伴可以了解一下... 目录什么是循环缓冲区循环缓冲区的结构python中的循环缓冲区实现运行循环缓冲区循环缓冲区的优势应用案例Python中的实现库

SpringBoot整合MybatisPlus的基本应用指南

《SpringBoot整合MybatisPlus的基本应用指南》MyBatis-Plus,简称MP,是一个MyBatis的增强工具,在MyBatis的基础上只做增强不做改变,下面小编就来和大家介绍一下... 目录一、MyBATisPlus简介二、SpringBoot整合MybatisPlus1、创建数据库和

C++中函数模板与类模板的简单使用及区别介绍

《C++中函数模板与类模板的简单使用及区别介绍》这篇文章介绍了C++中的模板机制,包括函数模板和类模板的概念、语法和实际应用,函数模板通过类型参数实现泛型操作,而类模板允许创建可处理多种数据类型的类,... 目录一、函数模板定义语法真实示例二、类模板三、关键区别四、注意事项 ‌在C++中,模板是实现泛型编程

Python实现html转png的完美方案介绍

《Python实现html转png的完美方案介绍》这篇文章主要为大家详细介绍了如何使用Python实现html转png功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 1.增强稳定性与错误处理建议使用三层异常捕获结构:try: with sync_playwright(