Ограничения по времени в Gekko
Я пытаюсь ограничить векторный вывод «simu_total_volume» ниже, требуя, чтобы выходные элементы решения (x7 = 1) были разнесены на s записей (недель), а также контролируя максимальное количество раз, когда x7 может быть = 1 в общей сложности. .
Код ниже, кажется, работает, но я замечаю уменьшение суммы x7 с 10 (без требования к интервалу) до 8 (с требованием к интервалу), несмотря на то, что для суммы (x7) до = 10 достаточно места с учетом ограничений. . Я также могу вручную организовать все пространство решений и найти более оптимальное решение в Excel, поэтому я не уверен, почему Gekko не находит его.
Вот полная информация для локального воспроизведения (проверено на точность):
import numpy as np
from gekko import GEKKO
m = GEKKO(remote=False)
m.options.NODES = 3
m.options.IMODE = 3
m.options.MAX_ITER = 1000
lnuc_weeks = [0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0]
min_promo_price = [3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,3]
max_promo_price = [3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5, 3.5,3.5, 3.5, 3.5, 3.5, 3.5, 3.5]
base_srp = [3.48, 3.48, 3.48, 3.48, 3.0799, 3.0799, 3.0799, 3.0799,3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799, 3.0799]
lnuc_min_promo_price = 1.99
lnuc_max_promo_price = 1.99
coeff_fedi = [0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589,0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589, 0.022589]
coeff_feao = [0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995, 0.02929995]
coeff_diso = [0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338, 0.05292338]
sumproduct_base = [0.20560305, 0.24735297, 0.24957423, 0.23155435, 0.23424058,0.2368096 , 0.27567109, 0.27820648, 0.2826393 , 0.28660598, 0.28583971, 0.30238505, 0.31726649, 0.31428312, 0.31073792, 0.29036779, 0.32679041, 0.32156337, 0.24633734]
neg_ln = [[0.14842000515],[0.14842000512],[0.14842000515],[0.14842000512],[-0.10407483058],[0.43676249024],[0.43676249019],[0.43676249024],[0.43676249019],[0.43676249024],[0.43676249019], [0.026284840258],[0.026284840291],[0.026284840258],[0.026284840291], [0.026185109811],[0.026284840258],[0.026284840291],[0.026284840258]]
neg_ln_ppi_coeff = [1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879,1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879, 1.22293879,1.22293879, 1.22293879, 1.22293879, 1.22293879]
base_volume = [124.38, 193.2, 578.72, 183.88, 197.42, 559.01, 67.68, 110.01,60.38, 177.11, 102.65, 66.02, 209.83, 81.22, 250.44, 206.44, 87.99, 298.95, 71.07]
week = pd.Series([13, 14, 17, 18, 19, 26, 28, 33, 34, 35, 39, 42, 45, 46, 47, 48, 50, 51, 52])
n = 19
x1 = m.Array(m.Var,(n), integer=True) #LNUC weeks
i = 0
for xi in x1:
xi.value = lnuc_weeks[i]
xi.lower = 0
xi.upper = lnuc_weeks[i]
i += 1
x2 = m.Array(m.Var,(n)) #Blended SRP
i = 0
for xi in x2:
xi.value = 5
m.Equation(xi >= m.if3((x1[i]) - 0.5, min_promo_price[i], lnuc_min_promo_price))
m.Equation(xi <= m.if3((x1[i]) - 0.5, max_promo_price[i], lnuc_max_promo_price))
i += 1
x3 = m.Array(m.Var,(n), integer=True) #F&D
x4 = m.Array(m.Var,(n), integer=True) #FO
x5 = m.Array(m.Var,(n), integer=True) #DO
x6 = m.Array(m.Var,(n), integer=True) #TPR
#Default to F&D
i = 0
for xi in x3:
xi.value = 1
xi.lower = 0
xi.upper = 1
i += 1
i = 0
for xi in x4:
xi.value = 0
xi.lower = 0
xi.upper = 1
i += 1
i = 0
for xi in x5:
xi.value = 0
xi.lower = 0
xi.upper = 1
i += 1
i = 0
for xi in x6:
xi.value = 0
xi.lower = 0
xi.upper = 1
i += 1
x7 = m.Array(m.Var,(n), integer=True) #Max promos
i = 0
for xi in x7:
xi.value = 1
xi.lower = 0
xi.upper = 1
i += 1
x = [x1,x2,x3,x4,x5,x6,x7]
neg_ln=[m.Intermediate(-m.log(x[1][i]/base_srp[i])) for i in range(n)]
total_vol_fedi =[m.Intermediate(coeff_fedi[0]+ sumproduct_base[i] + (neg_ln[i]*neg_ln_ppi_coeff[0])) for i in range(n)]
total_vol_feao =[m.Intermediate(coeff_feao[0]+ sumproduct_base[i] + (neg_ln[i]*neg_ln_ppi_coeff[0])) for i in range(n)]
total_vol_diso =[m.Intermediate(coeff_diso[0]+ sumproduct_base[i] + (neg_ln[i]*neg_ln_ppi_coeff[0])) for i in range(n)]
total_vol_tpro =[m.Intermediate(sumproduct_base[i] + (neg_ln[i]*neg_ln_ppi_coeff[0])) for i in range(n)]
simu_total_volume = [m.Intermediate((
(m.max2(0,base_volume[i]*(m.exp(total_vol_fedi[i])-1)) * x[2][i] +
m.max2(0,base_volume[i]*(m.exp(total_vol_feao[i])-1)) * x[3][i] +
m.max2(0,base_volume[i]*(m.exp(total_vol_diso[i])-1)) * x[4][i] +
m.max2(0,base_volume[i]*(m.exp(total_vol_tpro[i])-1)) * x[5][i]) + base_volume[i]) * x[6][i]) for i in range(n)]
[m.Equation(x3[i] + x4[i] + x5[i] + x6[i] == 1) for i in range(i)]
#Limit max promos
m.Equation(sum(x7)<=10)
#Enforce spacing
s=1
for s2 in range(1, s+1):
for i in range(0, n-s2):
f = week[week == week[i] + s2].index
if len(f)>0:
m.Equation(x7[i] + x7[f[0]]<=1)
m.Maximize(m.sum(simu_total_volume))
m.options.SOLVER=1
m.solve(disp = True)
Отличное предложение @Reinderien включить воспроизводимый код. Спасибо за публикацию полной проблемы, datadude558
Ответы 1
Примените ограничение интервала с помощью суммирования по подмножеству периодов с помощью скользящего окна, например:
m.Equation(sum(x[0:3])<=1)
m.Equation(sum(x[1:4])<=1)
m.Equation(sum(x[2:5])<=1)
Вот тест, который показывает решения с различными ограничениями по интервалу, максимум 4 из 5 выбранных. Ограничения расстояния последовательно [0,1,2,3]:
from gekko import GEKKO
m = GEKKO(remote=False)
for s in [0,1,2,3]:
n = 5
x = m.Array(m.Var,n,integer=True,value=1,lb=0,ub=1)
m.Equation(sum(x)<=4)
for i in range(0,n-s):
m.Equation(sum(x[i:i+s+1])<=1)
m.Maximize(sum(x))
m.options.SOLVER=1
m.solve(disp=False)
print(f'spacing: {s} solution: {x}')
Решение:
spacing: 0 solution: [[0.0] [1.0] [1.0] [1.0] [1.0]]
spacing: 1 solution: [[1.0] [0.0] [1.0] [0.0] [1.0]]
spacing: 2 solution: [[0.0] [1.0] [0.0] [0.0] [1.0]]
spacing: 3 solution: [[1.0] [0.0] [0.0] [0.0] [1.0]]
Существует несколько решений для случая с интервалом 0 и 2 и уникальные решения для интервала 1 и 3. Решающая программа возвращает только одно из решений для каждого случая. Возможно, вам придется добавить дополнительную цель, если вы предпочитаете выбирать более ранние слоты.
Спасибо! Итак, «m.Equation(sum(x[i:i+s+1])<=1)» работает, но кажется, что он не возвращает ни одного из оптимальных подмножеств, которые я нахожу вручную (я также выполнил байесовскую оптимизацию на нем и ничего лучшего он так и не нашел). Я пошел дальше и просто опубликовал полную информацию о проблеме, чтобы вы могли скопировать и вставить код вопроса, и он должен запускаться локально. Вы увидите результат «-4226», но я могу получить 5041, просто вручную организовав пространство решения с учетом требований к интервалу и частоте. Очень ценю руководство и думаю, что я просто что-то упускаю.
Единственное, что стоит попробовать, — это подключить лучшее решение и использовать ограничения на эти значения для проверки уравнений. Это помогает проверить уравнения и убедиться, что наилучшее ручное решение осуществимо. Исчерпывающее, эвристическое и целочисленное программирование — это три способа получения решения: apmonitor.com/me575/index.php/Main/ScheduleOptimization Эвристические решения часто являются отличным способом получить начальное предположение для подхода целочисленного программирования.
Добавлена некоторая логика поиска по индексу, чтобы обойти неравномерное расположение, похоже, работает в этом новом цикле.
Не воспроизводимо;
mне определено