- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有以下由 PuLP 生成的 LP 文件:
\* copynumber *\
Minimize
OBJ: PenaltyTree_48
Subject To
_C1: - A_0 + A_3 - over_0 <= 0
_C10: - B_3 + B_7 + under_9 >= 0
_C11: - D_0 + D_3 - over_10 <= 0
_C12: - D_0 + D_3 + under_11 >= 0
_C13: - N_0 + N_3 - over_12 <= 0
_C14: - N_0 + N_3 + under_13 >= 0
_C15: - N_3 + N_7 - over_14 <= 0
_C16: - N_3 + N_7 + under_15 >= 0
_C17: A_7 - B_7 - over_16 <= 0
_C18: A_7 - B_7 + under_17 >= 0
_C19: - A_7 + N_7 - over_18 <= 0
_C2: - A_0 + A_3 + under_1 >= 0
_C20: - A_7 + N_7 + under_19 >= 0
_C21: C_7 - N_7 - over_20 <= 0
_C22: C_7 - N_7 + under_21 >= 0
_C23: B_7 - C_7 - over_22 <= 0
_C24: B_7 - C_7 + under_23 >= 0
_C25: B_3 - N_3 - over_24 <= 0
_C26: B_3 - N_3 + under_25 >= 0
_C27: A_3 - B_3 - over_26 <= 0
_C28: A_3 - B_3 + under_27 >= 0
_C29: - A_3 + N_3 - over_28 <= 0
_C3: - A_3 + A_7 - over_2 <= 0
_C30: - A_3 + N_3 + under_29 >= 0
_C31: A_0 - N_0 - over_30 <= 0
_C32: A_0 - N_0 + under_31 >= 0
_C33: - A_0 + D_0 - over_32 <= 0
_C34: - A_0 + D_0 + under_33 >= 0
_C35: B_0 - D_0 - over_34 <= 0
_C36: B_0 - D_0 + under_35 >= 0
_C37: - B_0 + N_0 - over_36 <= 0
_C38: - B_0 + N_0 + under_37 >= 0
_C39: D_3 - over_38 <= 1.24660824696
_C4: - A_3 + A_7 + under_3 >= 0
_C40: D_3 + under_39 >= 1.24660824696
_C41: A_7 + B_7 + C_7 + N_7 - over_40 <= 9.80665154278
_C42: A_7 + B_7 + C_7 + N_7 + under_41 >= 9.80665154278
_C43: C_0 - over_42 <= 2.06580795211
_C44: C_0 + under_43 >= 2.06580795211
_C45: A_3 + B_3 + N_3 - over_44 <= 7.1056670077
_C46: A_3 + B_3 + N_3 + under_45 >= 7.1056670077
_C47: A_0 + B_0 + D_0 + N_0 - over_46 <= 7.89518556411
_C48: A_0 + B_0 + D_0 + N_0 + under_47 >= 7.89518556411
_C49: - PenaltyTree_48 + 0.5 over_0 + 0.5 over_10 + 0.5 over_12 + 0.5 over_14
+ 0.02 over_16 + 0.02 over_18 + 0.5 over_2 + 0.02 over_20 + 0.02 over_22
+ 0.02 over_24 + 0.02 over_26 + 0.02 over_28 + 0.02 over_30 + 0.02 over_32
+ 0.02 over_34 + 0.02 over_36 + 4 over_38 + 0.5 over_4 + 4 over_40
+ 4 over_42 + 4 over_44 + 4 over_46 + 0.5 over_6 + 0.5 over_8 + 0.5 under_1
+ 0.5 under_11 + 0.5 under_13 + 0.5 under_15 + 0.02 under_17 + 0.02 under_19
+ 0.02 under_21 + 0.02 under_23 + 0.02 under_25 + 0.02 under_27
+ 0.02 under_29 + 0.5 under_3 + 0.02 under_31 + 0.02 under_33 + 0.02 under_35
+ 0.02 under_37 + 4 under_39 + 4 under_41 + 4 under_43 + 4 under_45
+ 4 under_47 + 0.5 under_5 + 0.5 under_7 + 0.5 under_9 = 0
_C5: - C_0 + C_7 - over_4 <= 0
_C6: - C_0 + C_7 + under_5 >= 0
_C7: - B_0 + B_3 - over_6 <= 0
_C8: - B_0 + B_3 + under_7 >= 0
_C9: - B_3 + B_7 - over_8 <= 0
Bounds
0 <= A_0 <= 4
0 <= A_3 <= 4
0 <= A_7 <= 4
0 <= B_0 <= 4
0 <= B_3 <= 4
0 <= B_7 <= 4
0 <= C_0 <= 4
0 <= C_7 <= 4
0 <= D_0 <= 4
0 <= D_3 <= 4
0 <= N_0 <= 4
0 <= N_3 <= 4
0 <= N_7 <= 4
PenaltyTree_48 free
Generals
A_0
A_3
A_7
B_0
B_3
B_7
C_0
C_7
D_0
D_3
N_0
N_3
N_7
End
我手动重新创建了代码,一次生成一个问题进行测试(请参阅本文底部),并发现虽然 PuLP 将该问题的解决方案报告为未定义,但 CBC 本身可以产生最佳解决方案:
>>> p.writeLP("tmp/manual.lp")
>>> status = p.solve(pulp.PULP_CBC_CMD())
>>> print("Solution status: {}".format(pulp.LpStatus[status]))
Solution status: Undefined
CBC:
Coin:import manual.lp
Coin:solve
<removing intermediate output>
Result - Optimal solution found
Objective value: 3.52498440
为什么 PuLP 使用相同的求解器找不到相同的答案?从视觉上看,这个问题显然有一个最佳解决方案。
以下是生成 LP 文件的手动代码:
import pulp
p = pulp.LpProblem("copynumber",pulp.LpMinimize)
A_0 = pulp.LpVariable("A_0", lowBound=0, upBound=4, cat="Integer")
A_3 = pulp.LpVariable("A_3", lowBound=0, upBound=4, cat="Integer")
B_0 = pulp.LpVariable("B_0", lowBound=0, upBound=4, cat="Integer")
B_3 = pulp.LpVariable("B_3", lowBound=0, upBound=4, cat="Integer")
B_7 = pulp.LpVariable("B_7", lowBound=0, upBound=4, cat="Integer")
D_0 = pulp.LpVariable("D_0", lowBound=0, upBound=4, cat="Integer")
D_3 = pulp.LpVariable("D_3", lowBound=0, upBound=4, cat="Integer")
N_0 = pulp.LpVariable("N_0", lowBound=0, upBound=4, cat="Integer")
N_3 = pulp.LpVariable("N_3", lowBound=0, upBound=4, cat="Integer")
N_7 = pulp.LpVariable("N_7", lowBound=0, upBound=4, cat="Integer")
A_7 = pulp.LpVariable("A_7", lowBound=0, upBound=4, cat="Integer")
B_7 = pulp.LpVariable("B_7", lowBound=0, upBound=4, cat="Integer")
C_7 = pulp.LpVariable("C_7", lowBound=0, upBound=4, cat="Integer")
C_0 = pulp.LpVariable("C_0", lowBound=0, upBound=4, cat="Integer")
over_0 = pulp.LpVariable("over_0", 0)
under_1 = pulp.LpVariable("under_1", 0)
over_2 = pulp.LpVariable("over_2", 0)
under_3 = pulp.LpVariable("under_3", 0)
over_4 = pulp.LpVariable("over_4", 0)
under_5 = pulp.LpVariable("under_5", 0)
over_6 = pulp.LpVariable("over_6", 0)
under_7 = pulp.LpVariable("under_7", 0)
over_8 = pulp.LpVariable("over_8", 0)
under_9 = pulp.LpVariable("under_9", 0)
over_10 = pulp.LpVariable("over_10", 0)
under_11 = pulp.LpVariable("under_11", 0)
over_12 = pulp.LpVariable("over_12", 0)
under_13 = pulp.LpVariable("under_13", 0)
over_14 = pulp.LpVariable("over_14", 0)
under_15 = pulp.LpVariable("under_15", 0)
over_16 = pulp.LpVariable("over_16", 0)
under_17 = pulp.LpVariable("under_17", 0)
over_18 = pulp.LpVariable("over_18", 0)
under_19 = pulp.LpVariable("under_19", 0)
over_20 = pulp.LpVariable("over_20", 0)
under_21 = pulp.LpVariable("under_21", 0)
over_22 = pulp.LpVariable("over_22", 0)
under_23 = pulp.LpVariable("under_23", 0)
over_24 = pulp.LpVariable("over_24", 0)
under_25 = pulp.LpVariable("under_25", 0)
over_26 = pulp.LpVariable("over_26", 0)
under_27 = pulp.LpVariable("under_27", 0)
over_28 = pulp.LpVariable("over_28", 0)
under_29 = pulp.LpVariable("under_29", 0)
over_30 = pulp.LpVariable("over_30", 0)
under_31 = pulp.LpVariable("under_31", 0)
over_32 = pulp.LpVariable("over_32", 0)
under_33 = pulp.LpVariable("under_33", 0)
over_34 = pulp.LpVariable("over_34", 0)
under_35 = pulp.LpVariable("under_35", 0)
over_36 = pulp.LpVariable("over_36", 0)
under_37 = pulp.LpVariable("under_37", 0)
over_38 = pulp.LpVariable("over_37", 0)
under_39 = pulp.LpVariable("under_39", 0)
over_40 = pulp.LpVariable("over_40", 0)
under_41 = pulp.LpVariable("under_41", 0)
over_42 = pulp.LpVariable("over_42", 0)
under_43 = pulp.LpVariable("under_43", 0)
over_44 = pulp.LpVariable("over_44", 0)
under_45 = pulp.LpVariable("under_45", 0)
over_46 = pulp.LpVariable("over_46", 0)
under_47 = pulp.LpVariable("under_47", 0)
PenaltyTree_48 = pulp.LpVariable("PenaltyTree_48")
p += - A_0 + A_3 - over_0 <= 0
p += - B_3 + B_7 + under_9 >= 0
p += - D_0 + D_3 - over_10 <= 0
p += - D_0 + D_3 + under_11 >= 0
p += - N_0 + N_3 - over_12 <= 0
p += - N_0 + N_3 + under_13 >= 0
p += - N_3 + N_7 - over_14 <= 0
p += - N_3 + N_7 + under_15 >= 0
p += A_7 - B_7 - over_16 <= 0
p += A_7 - B_7 + under_17 >= 0
p += - A_7 + N_7 - over_18 <= 0
p += - A_0 + A_3 + under_1 >= 0
p += - A_7 + N_7 + under_19 >= 0
p += C_7 - N_7 - over_20 <= 0
p += C_7 - N_7 + under_21 >= 0
p += B_7 - C_7 - over_22 <= 0
p += B_7 - C_7 + under_23 >= 0
p += B_3 - N_3 - over_24 <= 0
p += B_3 - N_3 + under_25 >= 0
p += A_3 - B_3 - over_26 <= 0
p += A_3 - B_3 + under_27 >= 0
p += - A_3 + N_3 - over_28 <= 0
p += - A_3 + A_7 - over_2 <= 0
p += - A_3 + N_3 + under_29 >= 0
p += A_0 - N_0 - over_30 <= 0
p += A_0 - N_0 + under_31 >= 0
p += - A_0 + D_0 - over_32 <= 0
p += - A_0 + D_0 + under_33 >= 0
p += B_0 - D_0 - over_34 <= 0
p += B_0 - D_0 + under_35 >= 0
p += - B_0 + N_0 - over_36 <= 0
p += - B_0 + N_0 + under_37 >= 0
p += D_3 - over_38 <= 1.24660824696
p += - A_3 + A_7 + under_3 >= 0
p += D_3 + under_39 >= 1.24660824696
p += A_7 + B_7 + C_7 + N_7 - over_40 <= 9.80665154278
p += A_7 + B_7 + C_7 + N_7 + under_41 >= 9.80665154278
p += C_0 - over_42 <= 2.06580795211
p += C_0 + under_43 >= 2.06580795211
p += A_3 + B_3 + N_3 - over_44 <= 7.1056670077
p += A_3 + B_3 + N_3 + under_45 >= 7.1056670077
p += A_0 + B_0 + D_0 + N_0 - over_46 <= 7.89518556411
p += A_0 + B_0 + D_0 + N_0 + under_47 >= 7.89518556411
p += - C_0 + C_7 - over_4 <= 0
p += - C_0 + C_7 + under_5 >= 0
p += - B_0 + B_3 - over_6 <= 0
p += - B_0 + B_3 + under_7 >= 0
p += - B_3 + B_7 - over_8 <= 0
p += 0.5 * over_0 + 0.5 * over_10 + 0.5 * over_12 + 0.5 * over_14 + 0.02 * over_16 + 0.02 * over_18 + 0.5 * over_2 + 0.02 * over_20 + 0.02 * over_22 + 0.02 * over_24 + 0.02 * over_26 + 0.02 * over_28 + 0.02 * over_30 + 0.02 * over_32 + 0.02 * over_34 + 0.02 * over_36 + 4 * over_38 + 0.5 * over_4 + 4 * over_40 + 4 * over_42 + 4 * over_44 + 4 * over_46 + 0.5 * over_6 + 0.5 * over_8 + 0.5 * under_1 + 0.5 * under_11 + 0.5 * under_13 + 0.5 * under_15 + 0.02 * under_17 + 0.02 * under_19 + 0.02 * under_21 + 0.02 * under_23 + 0.02 * under_25 + 0.02 * under_27 + 0.02 * under_29 + 0.5 * under_3 + 0.02 * under_31 + 0.02 * under_33 + 0.02 * under_35 + 0.02 * under_37 + 4 * under_39 + 4 * under_41 + 4 * under_43 + 4 * under_45 + 4 * under_47 + 0.5 * under_5 + 0.5 * under_7 + 0.5 * under_9 == PenaltyTree_48
p += PenaltyTree_48
p.writeLP("tmp/manual.lp")
最佳答案
这似乎是由于与pull 1.5.6 一起提供的旧版本cbc 的错误引起的,我将尽快用pull 1.5.7 重新打包较新版本的cbc。您还可以通过 COIN_CMD 解算器来使用其他版本的 CBC(如果它在路径上)。
关于python - PuLP 生成可通过命令行 CBC 求解的 LP 文件,但 PuLP 报告未定义的解决方案,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28144161/
我一直在使用 lpSolve 和 lpSolveAPI。我构建了我的约束矩阵、目标函数等并提供给 lp 函数,这工作得很好。我想使用 write.lp 将问题保存为 lp 文件,但遇到了问题。我不断收
我想知道为什么以下线性程序之间存在差异。它们写在 LP file format 中.我假设 x=1 在这两种情况下都是最佳解决方案。 程序A: min: x; x >= 1; bin x; 输出: V
这就是我的代码的样子 protected Response uploadFile(final File file) throws HttpUploadException { System.ou
我在处理的项目中遇到了线性规划求解器的问题。首先,我尝试使用 Ajanta,但这并不能解决我需要解决的一类问题。所以我尝试了GLPK和lp_solve,但似乎我无法让Windows理解动态库在哪里。
我正在尝试了解最短路径问题的 LP 公式是如何工作的。但是我无法理解约束。为什么这个公式有效? http://ie.bilkent.edu.tr/~ie400/Lecture8.pdf 我无法理解第
大家好,我有一个关于线性规划的问题。 画出下列线性规划的可行域: 分钟 sx + ty st. 2x + y = -5 -x + 4y 0 或 y>0 形式的约束。 1) 参见 4),可能更好
我正在尝试在 Racket 的 scribble/lp 中编写一个小示例程序。该项目的来源在 Github . 我遇到的问题是编织 html 中的链接断开。我已将其作为 gh-page. 提供为项目。
我正在研究对预测进行排名的方法,并找到了这篇论文,A novel ranking procedure for forecasting approaches using Data Envelopment
我有两个多边形 BP和 GP由一组不等式约束-x+y= 0 我认为(这是我所有的尝试,可能都是非常错误的)L_BP = (x,y)矢量和 lambda = (x+y)/normalization还有那
我正在尝试解决具有两个变量和两个约束的 LP 问题,其中一个是不等式,另一个是 Scipy 中的等式约束。为了转换约束中的不等式,我在其中添加了另一个名为 A 的变量。 Min(z) = 80x +
我有一个整数规划模型,我想用 CPLEX 求解它的线性松弛。最初,我将变量定义为: BoolVarMatrix X(env,I); for(IloInt i = 0; i < I; i++){ X
我有一个包含商店 ID、纬度和经度的列表。假设我们的点数是偶数,我想将每家商店与另一家商店相匹配,这样我们的连接是唯一的,并且我们可以最小化总距离。 我很好奇我的方法是不是太愚蠢了,还有更好的方法。目
我用谷歌搜索了一下,上面说是行式打印机。我认为这没有任何意义... 最佳答案 l 用于列表,p 用于路径。查看所有其他 variants ,例如execl, execlp, execle, execv
我有陷波滤波器的概念问题。据我了解,陷波滤波器输出等于高通和低通滤波器输出的总和。但是,MATLAB 中的快速测试并未显示这一点。下面是一些测试代码: % Load a simple signal a
有没有办法让 lpSolve 返回多个解决方案?在下面的情况下,我想要 (5,0) 和 (0,5) 两者。 如果 lpSolve 不能这样做,那么是否还有其他 R 包可以返回积分线性优化程序的所有可能
我正在构建一个 Chrome 扩展(使用 Vue),其中使用 firebase。我将 firebase 服务器添加到我的内容安全策略中: "script-src 'self' https://cdn.
环境:Gurobi 8.1.1 + python3 我尝试构建以下线性程序模型并打印对偶价格。 最小 100 x + y s.t。 x + y >= 1 && 0 = 1 ) m.optimize()
在使用 CPLEX C API 进行 MIP 优化期间,是否可以检索当前节点(即每 n 个节点)的线性松弛(双变量、降低的成本等)? 我注册了一个回调函数 (CPXsetsolvecallbackfu
我想在linux的c程序中使用上面的命令。 到目前为止,我已经搜索过可以在代码中进行的系统调用和 exec 调用。还有其他方法使用 exec 或系统命令吗?对于多线程服务器来说,使用系统命令不是一个理
是否有可能在 gurobi 中检索不可行 lp 的对偶的极端射线? 既然问题的原始问题是不可行的,问题的对偶应该是无界的。 有一个 Var.UnbdRay 属性,如果它的原始是无界的,我可以将其用于
我是一名优秀的程序员,十分优秀!