- 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?
我是 Pulp 的新手,因此在尝试进行条件约束时遇到了问题。我制作了一个梦幻足球优化器,可以选择 9 名球员的最佳选择,我的求解器目前完全适用于职位限制、工资限制等。
我需要添加的最后一件事是一个约束,使它在它选择的 9 名球员中,需要有 8 名球员的唯一球队名称。例如:在我的代码 ###Stack QB with 2 teammates
中,鉴于此限制,有一个四分卫和一个 WR/TE 将在同一个团队中.因此,其他所有人都应该在不同的团队中,才能拥有 8 个唯一的团队名称。
下面是我试图用来做这个约束的代码,正在优化的 excel 文件的头部和我的代码到目前为止没有约束我想在选定的 9 名球员中添加 8 个唯一的球队名称。
我目前已经尝试过这个,但它不起作用!真的很感激任何帮助!
list_of_teams = raw_data['Team'].unique()
team_vars = pulp.LpVariable.dicts('team', list_of_teams, cat = 'Binary')
for team in list_of_teams:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Team'][i] == team] + [-9*team_vars[team]]) <= 0
prob += pulp.lpSum([team_vars[t] for t in list_of_teams]) >= 8
file_name = 'C:/Users/Michael Arena/Desktop/Football/Simulation.csv'
raw_data = pd.read_csv(file_name,engine="python",index_col=False, header=0, delimiter=",", quoting = 3)
player_ids = raw_data.index
player_vars = pulp.LpVariable.dicts('player', player_ids, cat='Binary')
prob = pulp.LpProblem("DFS Optimizer", pulp.LpMaximize)
prob += pulp.lpSum([raw_data['Projection'][i]*player_vars[i] for i in player_ids])
##Total Salary upper:
prob += pulp.lpSum([raw_data['Salary'][i]*player_vars[i] for i in player_ids]) <= 50000
##Total Salary lower:
prob += pulp.lpSum([raw_data['Salary'][i]*player_vars[i] for i in player_ids]) >= 49900
##Exactly 9 players:
prob += pulp.lpSum([player_vars[i] for i in player_ids]) == 9
##2-3 RBs:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'RB']) >= 2
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'RB']) <= 3
##1 QB:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'QB']) == 1
##3-4 WRs:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'WR']) >= 3
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'WR']) <= 4
##1-2 TE's:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'TE']) >= 1
# prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'TE']) <= 2
##1 DST:
prob += pulp.lpSum([player_vars[i] for i in player_ids if raw_data['Position'][i] == 'DST']) == 1
###Stack QB with 2 teammates
for qbid in player_ids:
if raw_data['Position'][qbid] == 'QB':
prob += pulp.lpSum([player_vars[i] for i in player_ids if
(raw_data['Team'][i] == raw_data['Team'][qbid] and
raw_data['Position'][i] in ('WR', 'TE'))] +
[-1*player_vars[qbid]]) >= 0
###Don't stack with opposing DST:
for dstid in player_ids:
if raw_data['Position'][dstid] == 'DST':
prob += pulp.lpSum([player_vars[i] for i in player_ids if
raw_data['Team'][i] == raw_data['Opponent'][dstid]] +
[8*player_vars[dstid]]) <= 8
###Stack QB with 1 opposing player:
for qbid in player_ids:
if raw_data['Position'][qbid] == 'QB':
prob += pulp.lpSum([player_vars[i] for i in player_ids if
(raw_data['Team'][i] == raw_data['Opponent'][qbid] and
raw_data['Position'][i] in ('WR', 'TE'))]+
[-1*player_vars[qbid]]) >= 0
prob.solve()
最佳答案
在线性规划术语中
让 x_i = 1
如果i^th
玩家被选中,否则为 0,i = 1....I
.
让 t_i
成为i^th
的团队播放器,这是一个常数。
让 t_j
是 j^th
独特的团队,也是不变的,j = 1....T
.
并让 t_{ij} = 1
如果 t_i == t_j
, 否则为 0。这也是一个常数。
那么你可以说从球队中选出的球员总数t_j
是 (t_{1j}*x_1 + t_{1j}*x_2 + ... + t_{Ij}*x_I)
,它在逻辑上取一个介于 0 和 I 之间的值。
现在,您可以让二进制变量 y_j = 1
如果任何选定的球员来自团队t_j
, 否则为 0,如下所示:
(t_{1j}*x_1 + t_{1j}*x_2 + ... + t_{Ij}*x_I) >= y_j
这为您提供了以下情况:
(t_{1j}*x_1 + t_{1j}*x_2 + ... + t_{Ij}*x_I) = 0
,然后 y_j
是 0; (t_{1j}*x_1 + t_{1j}*x_2 + ... + t_{Ij}*x_I) > 0
,然后 y_j
可以是 0 或 1。(y_1 + y_2 + ... + y_T) >= 8
,这意味着
(t_{1j}*x_1 + t_{1j}*x_2 + ... + t_{Ij}*x_I) > 0
至少 8 个不同的团队
t_j
.
player_vars
是等效于
x_i
的二进制变量
teams = raw_data['Team'] # t_i
unique_teams = teams.unique() # t_j
player_in_team = teams.str.get_dummies() # t_{ij}
# Example output for `teams = pd.Series(['A', 'B', 'C', 'D', 'E', 'F', 'A', 'C', 'E'])`:
# A B C D E F
# 0 1 0 0 0 0 0
# 1 0 1 0 0 0 0
# 2 0 0 1 0 0 0
# 3 0 0 0 1 0 0
# 4 0 0 0 0 1 0
# 5 0 0 0 0 0 1
# 6 1 0 0 0 0 0
# 7 0 0 1 0 0 0
# 8 0 0 0 0 1 0
team_vars = pulp.LpVariable.dicts('team', unique_teams, cat='Binary') # y_j
for team in unique_teams:
prob += pulp.lpSum(
[player_in_team[team][i] * player_vars[i] for i in player_ids]
) >= team_vars[team]
prob += pulp.lpSum([team_vars[t] for t in unique_teams]) >= 8
关于Python Pulp - 独特团队的数量约束,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/64668102/
我是 python 和优化方面的新手。我遇到了一些错误,请帮助我解决它。我尝试在运行 Anaconda 3 的 PyCharm 中运行下面提到的代码 from pulp import * x = Lp
我有以下由 PuLP 生成的 LP 文件: \* copynumber *\ Minimize OBJ: PenaltyTree_48 Subject To _C1: - A_0 + A_3 - ov
我有一个 python PuLP 线性程序,它可以最大限度地降低成本。在没有办法降低成本的退化情况下,我希望它返回固定成本。然而,在没有变量的情况下, PuLP 似乎添加了一个 __dummy 变量,
我是 Pulp 的新手,因此在尝试进行条件约束时遇到了问题。我制作了一个梦幻足球优化器,可以选择 9 名球员的最佳选择,我的求解器目前完全适用于职位限制、工资限制等。 我需要添加的最后一件事是一个约束
我对 PuLP 完全陌生,想知道是否需要优化以下内容: x = pulp.LpVariable.dicts("Volume", range(0, 7), cat='Binary') 只要有一个 0,就
我正在尝试在 puLP (Python) 中求解 MILP,但不断收到以下错误: Traceback (most recent call last): File "main_lp.py", lin
我正在与一位合作者合作开展某个涉及线性规划的优化项目。我们都使用硬币或分支切割求解器来解决这个问题。我使用基于 Python 的 PuLP 包构建 .LP 文件。我不完全确定合作者如何创建他们的 .L
我希望使用 PULP 在 Python 中设置约束检查。假设我有变量 A1,..,Xn 和约束 (AffineExpression) A1X1 + ... + AnXn <= B,其中 A1,..,A
我有一个具有以下值的 Pandas 数据框: Name Age City Points 1 John 24 CHI 35 2 Mary
我正在尝试使用 PuLP 库创建一个程序,当您按下按钮时,它会解决线性问题并输出值。但我无法让它发挥作用。它只是写我的“输入更多值”并且不想解决。也许我对输入值有一些问题,但我不太确定。 这是我的
在 PuLP 的传输优化问题中: from pulp import * Warehouses = ["A","B"] # Creates a dictionary for the number of
在开始一个更大的问题之前,我试图做以下简单的示例优化问题。代码: from pulp import * x = LpVariable("x", 0, 3) y = LpVariable("y", 0,
我正在使用线性规划解决一个特定问题,并试图让自己熟悉 PuLP。我的问题是我的几个约束只包含一些决策变量,我正试图找到一种有效的方法来选择它们。 我的意思是: 我为所有决策变量设置了一个列表。 inv
我正在尝试使用 PuLP 来优化系统,从而最大限度地降低成本。我正在使用多个 If,问题是它总是满足第一个条件。这是我的代码。我希望有人能帮助我,因为我才刚刚开始学习这门语言。 import nump
我正在尝试运行一个优化问题,但我似乎无法解决。我是Python菜鸟。 我有一个包含 8760 个数字 (0 - 1) 的数据框。我需要将该数组中的每一行乘以一个因子,然后对该数组求和。该总和应等于 x
我正在尝试使用 Pulp Solver 将元素包装到卡车中,当元素数量较少(即 <25)时,它工作得很好,但当我将数量增加到 30-32 时,它需要很长时间才能解决。 这是 PuLP 求解器的代码:
我会尽量让我的问题简短。如果您需要任何进一步的信息,请告诉我。 我有一个 MIP,使用 PuLP 包在 Python 中实现。 (大约 100 个变量和约束)问题的数学公式来自一篇研究论文。本文还包括
在 Python PuLP 中,线性规划约束可以转化为弹性子问题。 http://www.coin-or.org/PuLP/pulp.html?highlight=lpsum#elastic-cons
在多年使用 Matlab 之后,我对 Python 还是很陌生。我正在尝试使用 Pulp 来设置整数线性程序。 给定一个数字数组: {P[i]:i=1...N} 我想最大化: sum( x_i P_i
我正在使用 python 作为编程语言并实现将相似长度分组在一起的约束以满足线性规划。引用下图代码 import pulp from itertools import product import p
我是一名优秀的程序员,十分优秀!