Gurobi笔记(使用手册)

这篇具有很好参考价值的文章主要介绍了Gurobi笔记(使用手册)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、基本了解

1、求解范围

  1. 连续问题、整数问题、线性和二次凸问题、二次非凸问题、广义非线性问题等
  2. 广义非线性问题——广义函数约束
    函数形式可以是高阶多项式、对数、指数、三角函数等非线性函数,那么Gurobi 会对这些函数自动分段线性化进行近似,用户可以通过参数来平衡近似的精度和速度。这样我们就允许在传统的线性和二次型模型中看到这些非线性函数,大大扩展了Gurobi求解器的适用范围,而且这些结果也具有全局最优性。

2、求解速度

线性规划速度 > 0-1 整数线性规划 > 整数线性规划 > 混合整数线性规划 > 非线性规划
在现实问题中,应用最广泛的数学规划问题类型是混合整数线性规划(MILP)。

3、学习资料

  • 安装目录 examples, docs 目录下有完整的范例和使用手册、参考手册
  • 官网 www.gurobi.com
    1. 在线手册:http://www.gurobi.com/documentation/
    2. 视频:http://www.gurobi.com/resources/seminars-andvideos/seminars-videos
    3. 在线课程:http://www.gurobi.com/academia/for-online-courses
  • 中文网站 www.gurobi.cn

二、快速入门

1.常规步骤

MODEL = gurobipy.Model()#创建模型

x = MODEL.addVars(创建变量, vtype=gurobipy.GRB.CONTINUOUS, name="X")#创建变量

MODEL.update()#更新变量环境

MODEL.setObjective(创建目标函数, sense=gurobipy.GRB.MINIMIZE)#创建目标函数

MODEL.addConstrs(创建约束条件) #创建约束条件

MODEL.optimize() #执行最优化

2.基础模型

在python 环境中gurobi 定义了两个变量x,y,算法

3.详细步骤

3.1 实例化求解器

MODEL = gurobipy.Model(name="")
name 为模块名默认为空
import gurobipy as GRB
MODEL = GRB.Model("Model_name")   #创建模型

3.2 添加决策变量

(1) 单个变量
x = MODEL.addVar(lb=0.0, ub=gurobipy.GRB.INFINITY, vtype=gurobipy.GRB.CONTINUOUS, name="")
lb = 0.0	 #变量的下界,默认为 0
ub = GRB.INFINITY: 变量的上界,默认为无穷大
vtype = GRB.CONTINUOUS 	#变量的类型,默认为连续型,可改为 GRB.BINARY 0-1变量,GRB.INTEGER 整型
name = "" 	#变量名,默认为空
x1 = MODEL.addVar(lb=0, ub=1, name="x1")
(2) 多个变量
x = MODEL.addVars(*indexes, lb=0, ub=gurobipy.GRB.INFINITY, vtype=gurobipy.GRB.CONTINUOUS, name="")
# *indexes 不能含有中文字符 索引的集合

x = MODEL.addVars(3, 4, 5, vtype=gurobipy.GRB.BINARY, name="C") 
# 创建 3*4*5 个变量,使用 x[1,2,3] 进行访问

3.3 更新变量空间

MODEL.update()

3.4 添加目标函数

(1) 单目标函数
MODEL.setObjective(expression, sense=None)
expression #表达式,可以是一次或二次函数类型
sense #求解类型,可以是 GRB.MINIMIZE(最小值) 或 GRB.MAXIMIZE(最大值)
MODEL.setObjective(8 * x1 + 10 * x2 + 7 * x3 + 6 * x4 + 11 * x5 + 9 * x6, GRB.GRB.MINIMIZE)
(2) 多目标函数
MODEL.setObjectiveN(expression, index, priority=0, weight=1.0, abstol=0, reltol=0, name="")
expression 	# 表达式,可以是一次或二次函数类型
index	# 目标函数对应的序号 (默认 0,1,2,…), 以 index=0 作为目标函数的值, 其余值需要另外设置参数
priority	# 分层序列法多目标决策优先级(整数值), 值越大优先级越高
weight	#线性加权多目标决策权重(在优先级相同时发挥作用)
abstol 	# 分层序列法多目标决策时允许的目标函数值最大的降低量
reltol	#分层序列法多目标决策时允许的目标函数值最大的降低比率 reltol*|目标函数值|

注意: 所有的目标函数都为线性的,并且目标函数的优化方向一致(全部最大化或全部最小化)。可以通过乘以 -1 实现不同的优化方向。

1.合成型
# Obj1 = x + y      weight = 1
# Obj2 = x - 5 * y    weight = -2
# MODEL.setObjectiveN(x + y, index=0, weight=1, name='obj1')
# MODEL.setObjectiveN(x -5 * y, index=1, weight=-2, name='obj2')
# 即转化为: (x + y) - 2 * (x - 5 * y) = - x + 11 * y
2.分层型
# Obj1 = x + y      priority = 5
# Obj2 = x - 5 * y    priority = 1
# MODEL.setObjectiveN(x + y, index=0, priority=5, name='obj1')
# MODEL.setObjectiveN(x -5 * y, index=1, priority=1, name='obj2')
# 即转化为: 先优化 Obj1,再优化 Obj2(按照 priority 的大小关系)

注意: Gurobi 按照优先级大小优化(先优化Obj1),若没有设定abstol或reltol,在优化低优先级目标时,不会改变高优先级的目标值。假设Obj1=10,在优化 Obj2 时只能在使得 Obj1=10 的所有解中挑选最优解

3.混合型
MODEL.setObjectiveN(x + y, index=0, weight=1, priority=5, name='obj1')
MODEL.setObjectiveN(x -5 * y, index=1, weight=-2, priority=1, name='obj2')
# 则 先优化 Obj1 再优化 Obj2 最后相加作为目标值, 由于优先级不同, weight不会起作用
4.获取目标函数值

通过参数 ObjNumber 选择特定的目标,进而获得对应的目标函数值。

MODEL.setParam(gurobipy.GRB.Param.ObjNumber, i) # 第 i 个目标
print(MODEL.ObjNVal)  # 打印第 i 个值
for i in range(model.NumObj):
model.setParam(GRB.Param.ObjNumber, i)
print('Obj%d = ' %(i+1), model.ObjNVal)
(3) 分段目标函数
setPWLObj(var,x,y)
• var	 #指定变量的目标函数是分段线性
• x 	#定义分段线性目标函数的点的横坐标值(非减序列)
• y 	#定义分段线性目标函数的点的纵坐标值

例1:

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

m.setPWLObj(x, [0, 2, 5], [0, 2, 3])
m.setAttr(GRB.Attr.ModelSense, -1)

注意: 对一些非线性模型,可以使用这一功能去线性逼近。
例2:
在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

m.setPWLObj(x, [0,1/4, 1,7/4, 2], [3,41/9, 2,41/9,3])

3.5 添加约束条件

(1) 创建正常约束
MODEL.addConstr(expression, name="")
expression # 布尔表达式,可以是一次或二次函数类型
name	# 约束式的名称

# 单个约束
MODEL.addConstr(12 * x1 + 9 * x2 + 25 * x3 + 20 * x4 + 17 * x5 + 13 * x6 >= 60, "c0")

# 多个约束
x = MODEL.addVars(20, 8, vtype=gurobipy.GRB.BINARY)
# 写法 1
for i in range(20):
    MODEL.addConstr(x.sum(i, "*") <= 1)
# 写法 2
MODEL.addConstrs(x.sum(i, "*") <= 1 for i in range(20))
# 写法 2 的等价写法: 
MODEL.addConstrs(sum(x[i, j] for j in range(8) <= 1 for i in range(20))
(2) 创建广义约束
1. 最大值Max
addGenConstrMax(resvar, vars, constant, name )
• resvar 变量(x = max(x1,x2,10))vars 一组变量(可以包含常数)
• constant 常数
• name 广义约束名称

例如: z = max(x, y, 3)

m.addGenConstrMax(z, [x, y], 3, "maxconstr")
m.addGenConstrMax(z, [x, y, 3], name="maxconstr")

换成一般的约束表达方式:

m.addConstr(z == max_([x, y, 3]), "maxconstr")
m.addConstr(z == max_(x, y, 3), "maxconstr")
2. 最小值Min
addGenConstrMin( resvar, vars, constant, name ) 
• resvar 变量(x = min(x1,x2,10))vars 一组变量(可以包含常数)
• constant 常数
• name 广义约束名称

例如: z = min(x, y, 3)

m.addGenConstrMin(z, [x, y], 3, "minconstr")
m.addGenConstrMin(z, [x, y, 3], name="minconstr")

换成一般的约束表达方式:

m.addConstr(z == min_([x, y, 3]), "minconstr")
m.addConstr(z == min_(x, y, 3), "minconstr")
3. 绝对值Abs
addGenConstrAbs( resvar, argvars, name ) 
• resvar 变量
• argvar 变量
• name 广义约束名称

例如: x = |y|

m.addGenConstrAbs(x, y, "absconstr")

换成一般的约束表达方式:

m.addConstr(x == abs_(y), "absconstr")
4. 和

一组变量的值全等于1,则取1,否则取0。

addGenConstrAnd( resvar, vars, name ) 
• resvar 变量
• vars 一组变量
• name 广义约束名称

例如: x = 1且y = 1,那么z = 1,否则 z = 0

m.addGenConstrAnd(z, [x,y], "andconstr")

换成一般的约束表达方式:

m.addConstr(z == and_(x, y), "andconstr")
5. 与

一组变量的值有一个等于1,则取1,否则取0。

addGenConstrOr( resvar, vars, name ) 
• resvar 变量
• vars 一组变量
• name 广义约束名称

例如: x = 0且y = 0,那么z = 0,否则 z = 1

m.addGenConstrOr(z, [x,y], "orconstr")

换成一般的约束表达方式:

m.addConstr(z == or_(x, y), "orconstr")
6. 范围约束
MODEL.addRange(expression, min_value, max_value, name="")
# 表达式 min_value<=expression<=max_value 的简写, 但这里的 min_value, max_value 必须是具体的实数值, 不能含有变量

例如: 5 <= x + y + z <= 10

m.addRange(x+y+z, 5, 10, "c") 

换成一般的约束表达方式:

m.addConstr(x+y+z==[5,12])
7. 指示变量
MODEL.addGenConstrIndicator(binvar, binval, expression, name="")
# 指示变量 binvar 的值取 binval 时, 进行约束 expression
# 指示变量的值为1,约束成立,否则约束可以被违反。

在python 环境中gurobi 定义了两个变量x,y,算法

# 案例: 如果生产某一类型汽车 (x[i] > 0), 则至少要生产 80 辆
# %% 方法一
for i in range(3):
  MODEL.addGenConstrIndicator(y[i + 1], 0, x[i + 1] >= 80)
  MODEL.addGenConstrIndicator(y[i + 1], 1, x[i + 1] == 0)
    
# 以上代码等价于
for i in range(3):
  MODEL.addConstr(x[i + 1] >= 80 * y[i + 1])
  MODEL.addConstr(x[i + 1] <= 1000 * y[i + 1])

例2: 如果 z = 1,则 x+y <= 4

m.addGenConstrIndicator(z, True, x + y, GRB.LESS_EQUAL, 4, 'indicator')

换成一般的约束表达方式:

m.addConstr((z == 1) >>(x + y<= 4))

3.6 执行最优化

MODEL.Params.LogToConsole=True # 显示求解过程
MODEL.Params.MIPGap=0.0001 # 百分比界差
MODEL.Params.TimeLimit=100 # 限制求解时间为 100s
MODEL.Params.Presolve = -1 # 预处理程度, 0关闭,1保守,2激进
MODEL.Params.MIPFocus = 0 # 求解侧重点. 1快速找到可行解, 2证明最有, 3侧重边界提升, 0均衡搜索
MODEL.Params.SolutionLimit = inf # 求解数量, 默认求所有解, 比较出最优的结果, 只需要可行解时可以设置该参数为1
MODEL.Params.NonConvex = 1  # 默认求解器,改为 2 时可以解决非凸二次优化问题
​
MODEL.optimize()

整数规划/混合整数规划问题评价准则: 百分比界差
在python 环境中gurobi 定义了两个变量x,y,算法
OPT 为当前的最优解,LP 为去掉整数约東后的松弛最优解百分比界差是数学规划领域常用的评价参数,具体可视为在去除问题参数整数取值的限制后,问题松弛解与最优解之间的绝对差距

3.7 查看模型结果

#单目标获得目标值和单个变量值
print("Obj = ",m.ObjVal)
for i in range(N):
print(y[i].VarName,' = ',y[i].x)
# 查看多个变量取值
for var in MODEL.getVars():
   print(f"{var.varName}: {round(var.X, 3)}")
# 查看多目标规划模型的目标函数值
for i in range(MODEL.NumObj):
  MODEL.setParam(gurobipy.GRB.Param.ObjNumber, i)
  print(f"Obj {i+1} = {MODEL.ObjNVal}")

三、常用的线性化方法

1. 最大值Max

在python 环境中gurobi 定义了两个变量x,y,算法

2. 最小值Min

在python 环境中gurobi 定义了两个变量x,y,算法

3. 绝对值Abs

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

4. Maxmin/Minmax目标函数

在python 环境中gurobi 定义了两个变量x,y,算法

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

5. 带fixed cost目标函数

在python 环境中gurobi 定义了两个变量x,y,算法

6. 分式目标函数

在python 环境中gurobi 定义了两个变量x,y,算法

在python 环境中gurobi 定义了两个变量x,y,算法

7. 逻辑或

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

在python 环境中gurobi 定义了两个变量x,y,算法

8. 乘积式

在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法
在python 环境中gurobi 定义了两个变量x,y,算法

9. 分段整数变量

在python 环境中gurobi 定义了两个变量x,y,算法

四、进阶

(1) 列表、元组和字典建模

在建模过程中,经常要对带下标数据做挑选,不同下标的数据进行组合,这样面临着二个处理方法。

  1. 全部循环。多维下标意味着多重循环+ if 条件
    这样的处理方法没有效率
  2. 采用特殊的Gurobi 扩展对象 TupleList 和 TupleDict
    在python 环境中gurobi 定义了两个变量x,y,算法
    如果我们使用Gurobi对其进行建模,一般有下面3(或者说4)种方法:
  • 按行建模:逐行进行建模。通过使用quicksum 或者创建表达式LinExpr对象结合addTerms,拼凑表达式,最后使用Model.addConstr完成添加约束的操作,从而完成建模;
  • 按列建模:逐列进行建模。通过创建Column对象,使用addTerms函数拼凑好Column对象,最后使用Model.addVar函数直接完成建模。
  • 按非零系数建模:类似于逐列进行建模,可以使用addTerms拼凑表达式。具体实现跟按行建模类似。
  • 按矩阵方式建模:通过拼凑约束系数矩阵,然后将决策变量转化为MVar的对象,最后直接使用重载运算符@完成约束的添加,即如Model.addConstr(A @ x == b),就可以完成建模。

列表、元组和字典建模优点

  • 添加约束代码量少,只需要拼凑好系数矩阵,即可一行代码搞定约束的添加;
  • 便于直接得到对偶问题的系数矩阵,从而快速得到对偶问题的具体形式。

列表、元组和字典建模缺点

  • 对于约束系数稀疏的模型,会占用不必要的内存来存储那些系数为0的部分,模型较大时,有可能导致内存溢出;

  • 虽然可以得到对偶问题的具体形式,但是对偶问题的公式形式却不能得出(这个严格来讲不算是这种建模方式的缺点)。

  • 不方便对每个决策变量赋予独一无二的变量名。
    例题
    在python 环境中gurobi 定义了两个变量x,y,算法

    import gurobipy as grb
    import numpy as np
    
    if __name__ == "__main__":
    	m = grb.Model("LP")
    	m.setParam('OutputFlag', 1)
    	
    	x = m.addMVar(2, lb=0, ub=grb.GRB.INFINITY)
    	
    	c = np.array([[3, 5]])
    	A = np.array([[1, 0],
    				[0, 2],
    				[3, 2]])
    	b = np.array([4, 12, 18])
    	
    	m.addConstr(A @ x <= b)
    	
    	m.Params.timelimit = 9999999999999999999999
    	
    	m.setObjective(c @ x, grb.GRB.MAXIMIZE)
    	
    	m.update()
    	m.optimize()
    	print('x_1={}'.format(x[0].x))
    	print('x_2={}'.format(x[1].x))
    

(2) 初始解设置

求解器支持用户向模型输入一个或多个已知的全部或部分可行解(一个可行解包括了模型所有变量的取值)。例如,当前问题的可行方案,以及用户通过其他算法获得的可行解等,都可以直接输入给求解器以期加速或帮助求解器进行求解。

  • 利用决策变量的Start属性直接设置变量的初始值
    在python 环境中gurobi 定义了两个变量x,y,算法
    # 将变量x_1_12的初值设置为0
    x[0,12].start = 1.0
    
    # 循环为x_ij赋值完整的一组初始解,data为存放初始解的矩阵
    for i in range(len(data)):
    	for j in range(len(data[i])):
    		x[i,j].start = data[i][j]
    

在python 环境中gurobi 定义了两个变量x,y,算法

	# 为模型m2设置要输入的初始解个数为2个
	m2.NumStart = 2
	# 将该可行解设置为第一个输入的可行解
	m2.Params.StartNumber = 0
	# 将该可行解设置为第二个输入的可行解
	m2.Params.StartNumber = 1

详细参考:https://mp.weixin.qq.com/s/R76jmojKGqm6ZC1dy7hSQQ

(3) Solution Pool

3.1 什么是Solution Pool

在默认状态下,Gurobi的目标是为具有单一目标函数的MIP模型寻找一个最优解。然而在Gurobi的branch and cut算法迭代的过程中,可能会通过启发式算法(也就是求解日志行首标注为H的行)得到整数可行解,也有可能通过分支切割得到整数可行解(也就是求解日志行首标注*的行)。所以在求解MIP的过程中,求解器往往会得到多个次优的可行解(Sub-Optimal Solutions)。

Solution Pool(以下简称Pool)顾名思义就是将迭代过程中产生的整数可行解存储下来的集合。(solution pool存储的只是一部分整数可行解,并不是MIP的所有可行解)。许多情况下这些可行解能够为我们提供有价值的信息,因此为方便用户了解这些解的具体情况,Gurobi提供了Solution Pool一系列相关的操作方法。

3.2 Solution Pool参数与属性

Solution Pool相关Parameters:
在python 环境中gurobi 定义了两个变量x,y,算法
具体可参考该文章:https://zhuanlan.zhihu.com/p/545591977

五、数学模型

1. 线性规划

  • 例1. 最简单的线性规划模型
    在python 环境中gurobi 定义了两个变量x,y,算法

    from gurobipy import * # 在Python中调用gurobi求解包
    M_LP=Model("LP_Exam") # 创建模型
    
    # 变量声明
    OF =M_LP.addVar(lb=-GRB.INFINITY,ub=GRB.INFINITY, name="OF")
    x1 =M_LP.addVar(lb=-GRB.INFINITY,ub=GRB.INFINITY, name="x1")
    x2 =M_LP.addVar(lb=-GRB.INFINITY,ub=GRB.INFINITY, name="x2")
    x3 =M_LP.addVar(lb=-GRB.INFINITY,ub=GRB.INFINITY, name="x3")
    
    # 设置目标函数
    M_LP.setObjective(x1+3*x2+3*x3,GRB.MINIMIZE)
    
    # 添加约束
    M_LP.addConstr(x1+2*x2>=3,"Con1")
    M_LP.addConstr(x2+x3>=5,"Con2")
    M_LP.addConstr(x1+x3==4,"Con3")
    
    # Optimize model
    M_LP.optimize()
    # 输出名为‘LP_Expression’的 .lp文件
    M_LP.write("LP_Expression.lp")
    # 输出结果
    print('**************')
    print(' The optimal solution ')
    print('**************')
    print('OF is :',M_LP.ObjVal) # 输出目标值
    print('x1 is :',x1.x) # 输出 X1 的值
    print('x2 is :',x2.x)
    print('x3 is :',x3.x)
    
  • 例2. 具有边界的变量

在python 环境中gurobi 定义了两个变量x,y,算法

# 方法1:在变量声明时进行设定
		x1=M_LP.addVar(lb=0,ub=5, name="x1")
		# 方法2:将变量边界以约束的形式加入模型中
		M_LP.addConstr(x1>=0,"Bound_Con11")
		M_LP.addConstr(x1<=5,"Bound_Con12")
from gurobipy import * # 在Python中调用gurobi求解包

	Max_Obj=1  # 用于判定目标函数求最大值还是求最小值

	M_LP=Model("LP_Exam2")

	# 变量声明
	OF =M_LP.addVar(lb=-GRB.INFINITY,ub=GRB.INFINITY, name="OF")
	x1 =M_LP.addVar(lb=0,ub=5, name="x1")
	x2 =M_LP.addVar(lb=0,ub=3, name="x2")
	x3 =M_LP.addVar(lb=0,ub=2, name="x3")

	# 设置目标函数
	if Max_Obj==0:
		M_LP.setObjective(x1+2*x2-3*x3,GRB.MINIMIZE)
	else:
		M_LP.setObjective(x1+2*x2-3*x3,GRB.MAXIMIZE)

	# 添加约束
	M_LP.addConstr(x1+2*x2<=3,"Con1")
	M_LP.addConstr(x2+x3<=2,"Con2")
	M_LP.addConstr(x1+x2+x3==4,"Con3")

	# 对变量边界进行限定的第二种写法:以x1为例
	# M_LP.addConstr(x1>=0,"Bound_Con11")
	# M_LP.addConstr(x1<=5,"Bound_Con12")

	# Optimize model
	M_LP.optimize()

	M_LP.write("LP_Expression2.lp")

	print('**************')
	print(' The optimal solution ')
	print('**************')
	print('OF is :',M_LP.ObjVal) # 输出目标值
	print('x1 is :',x1.x) # .x 用于输出 X1 的值
	print('x2 is :',x2.x)
	print('x3 is :',x3.x)

2. 混合整数线性规划

  • 例1. 在python 环境中gurobi 定义了两个变量x,y,算法

    	M_LP=Model("LP_Exam2")
    
    	N_i=4
    	N_j=4
    	# 设置变量
    	x =M_MIP.addVars(N_i,N_j,vtype=GRB.BINARY, name="x")
    
    	# 设置约束
    	M_MIP.addConstrs((sum(x[i,j] for j in range(N_j))<=1 for i in range(N_i)),"Con1")
    	M_MIP.addConstrs((sum(x[i,j] for i in range(N_i))<=1 for j in range(N_j)),"Con2")
    
    	# 汇总解
    	x_c=np.zeros((N_i,N_j))
    	for i in range(N_i):
    		for j in range(N_j):
    			x_c[i,j]=x[i,j].x
    

    3. 非线性规划

    在新的Gurobi求解器(9.0以上版本)中,包含了非线性/非凸问题的求解。注意:文章来源地址https://www.toymoban.com/news/detail-782972.html

    1. 需要设置参数’NonConvex=2’;
    2. Gurobi接受的幂函数中,次数最大值为2.
    3. 虽然有解,但不一定是最优值。
    4. 求解时间看模型规模。
      例1. 多个线性变量相乘
      在python 环境中gurobi 定义了两个变量x,y,算法
      解决办法:添加中间变量
      from gurobipy import *
      
      # 创建模型
      M_NLP=Model("NLP")
      
      # 变量声明
      x1  =M_NLP.addVar(lb=1,ub=3, name="x1")
      x2  =M_NLP.addVar(lb=1,ub=3, name="x2")
      x3  =M_NLP.addVar(lb=1,ub=3, name="x3")
      x4  =M_NLP.addVar(lb=1,ub=3, name="x4")
      
      y14 =M_NLP.addVar(lb=0,ub=300, name="y14")
      y23 =M_NLP.addVar(lb=0,ub=300, name="y23")
      
      # 设置目标函数
      M_NLP.setObjective(y14*(x1+x2+x3)+x2,GRB.MAXIMIZE)
      
      # 添加约束
      M_NLP.addConstr(y14*y23>=20,"Con1")
      M_NLP.addConstr(x1*x1+x2*x2+x3*x3+x4*x4==30,"Con2")
      
      # 表示乘积项
      M_NLP.addConstr(y14==x1*x4,"Con_y14")
      M_NLP.addConstr(y23==x2*x3,"Con_y23")
      
      M_NLP.Params.NonConvex=2  ###求解重点
      
      # Optimize model
      M_NLP.optimize()
      
      M_NLP.write("NLP.lp")
      
      print('**************')
      print(' The optimal solution ')
      print('**************')
      print('Obj is :',M_NLP.ObjVal) # 输出目标值
      print('x1 is :',x1.x) # 输出 x1 的值
      print('x2 is :',x2.x) # 输出 x2 的值
      print('x3 is :',x3.x) # 输出 x3 的值
      print('x4 is :',x4.x) # 输出 x4 的值
      

到了这里,关于Gurobi笔记(使用手册)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Gurobi使用(一)——操作指南(转自知乎)

    好像还是要学一下Gurobi如何使用的,不然这代码着实有点抽象了 一、入门操作 一般来说,求解一个数学规划模型的时候,通常会按照如下步骤解决问题: 设置变量---addVar()。 更新变量空间---update()。 设定目标函数---setObjective()。 设定约束条件---addConstr()。 执行最优化---optim

    2024年02月09日
    浏览(113)
  • 【数学建模】混合整数规划MIP(Python+Gurobi代码实现)

    目录 1 概述 2 入门算例 2.1 算例 2.2 求解 ——Pulp库和cvxpy 3 进阶算例 3.1 算例 3.2 Python+Gurobi代码实现 3.3 运行结果 混合整数规划 (MIP) 是 NP-hard 问题中的一类,它的目标是在线性约束下将线性目标最小化,同时使部分或全部变量均为整数值,在容量规划、资源分配与装箱等等现

    2024年02月07日
    浏览(58)
  • 【数学建模】Python+Gurobi求解非线性规划模型

    目录 1 概述 2 算例  2.1 算例 2.2 参数设置 2.3 Python代码实现 2.4 求解结果 如果目标函数或约束条件中包含非线性函数,就称这种规划问题为非线性规划问题。 参考:(非线性规划Python)计及动态约束及节能减排环保要求的经济调度 2.1 算例 2.2 参数设置 求解NLP/非凸问题时,

    2024年02月09日
    浏览(46)
  • 【数学建模】二次规划求解约束极值问题(Python+Gurobi实现)

    目录 1 概述 2 算例及Python代码实现 2.1 算例 2.2 方法1 2.3 方法1求解结果 2.4 方法2         根据约束条件的不同,二次规划可分为等式约束二次规划问题和不等式约束二次规划问题。等式约束二次规划问题即只含有等式约束,常见的解法有直接消去法、广义消去法、拉格朗日

    2024年02月08日
    浏览(69)
  • 电力系统强大的Gurobi 求解器的学习(Python&Matlab)

      到底有多强大,看看就知道,必须👍👍👍:  目录 1 概述   2 算例理解【Python】 2.1 算例1——详细入门  2.2 算例2——一般线性规划问题  2.3 算例3——非凸问题   3 算例升级【Matlab】 3.1 模型 3.2 电力系统经济调度(Matlab代码实现)[Yalmip + Gurobi]  4 致谢  我们经常提到

    2023年04月21日
    浏览(44)
  • 优化|五个经典设施选址模型的详解及其实践:Python调用Gurobi实现

    作者:樵溪子,清华大学,清华大学深圳国际研究生院,清华-伯克利深圳学院,硕士在读 审校:刘兴禄,清华大学,清华大学深圳国际研究生院,清华-伯克利深圳学院,硕士在读 设施选址问题是经典的运筹优化问题,常见模型有: 覆盖问题(Covering Model) 最大覆盖问题(

    2023年04月17日
    浏览(34)
  • 【运筹优化】带时间窗约束的车辆路径规划问题(VRPTW)详解 + Python 调用 Gurobi 建模求解

    车辆路径规划问题(Vehicle Routing Problem,VRP)一般指的是:对一系列发货点和收货点,组织调用一定的车辆,安排适当的行车路线,使车辆有序地通过它们,在满足指定的约束条件下(例如:货物的需求量与发货量,交发货时间,车辆容量限制,行驶里程限制,行驶时间限制等)

    2024年02月02日
    浏览(54)
  • Matlab + Gurobi入门

    本文将结合官方文档和其他相关介绍,对Matlab + Gurobi的使用做一个完全零基础的入门介绍(我也是小白,这也是对自己学习的一个记录) 该问题是一个非常简单的铸币厂生产硬币问题,一共有五种类型的硬币,价值分别对应0.01$, 0.05$, 0.1$, 0.25$, 和1$,每种硬币由不同的原材料

    2024年02月03日
    浏览(23)
  • Mac 安装Gurobi

    官网下载:Gurobi Software - Gurobi Optimization 安装完成后, 激活license, 在终端中输入命令: grbgetkey x x x x x x 在 matlab 里输入:  然后输入 savepath 命令保存路径即可.  

    2024年01月20日
    浏览(22)
  • gurobi 安装/license激活 记录

    前言:花了好久,被嫌弃惹ww,记录一下踩过的坑 至于为何没安装gurobi也能跑一段时间,直到显示需要license激活,还是未解之迷,需要教教。 首先这是官方给的gurobi license激活教程 我们一步步来复现吧! 1、进入gurobi官网 注册账号(用学校的邮箱来注册以便于获得academic l

    2024年02月07日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包