Puede crear y ejecutar modelos de Decision Optimization en Python cuadernos utilizando DOcplex, una API de Python nativa para Decision Optimization. Ya hay varios cuadernos de Decision Optimization disponibles para su uso.
Python 3.11 and 3.10
(deprecated). Los tiempos de ejecución siguientes le proporcionan acceso a Community Edition de los motores CPLEX. Community Edition se limita a resolver problemas con hasta 1000 restricciones y 1000 variables, o con un espacio de búsqueda de 1000 X 1000 para problemas de programación de restricciones.Runtime 24.1 on Python 3.11 S/XS/XXSRuntime 23.1 on Python 3.10 (deprecated) S/XS/XXS
NLP + DO runtime 24.1 on Python 3.11conCPLEX 22.1.1.0DO + NLP runtime 23.1 on Python 3.10 (deprecated)conCPLEX 20.1.0.1
Puede cambiar fácilmente entornos (tiempos de ejecución y versión de Python ) dentro de un cuaderno utilizando la pestaña Entorno (consulte Cambio del entorno de un cuaderno). Por lo tanto, puede formular modelos de optimización y probarlos con conjuntos de datos pequeños en un entorno. A continuación, para resolver modelos con conjuntos de datos más grandes, puede conmutar a un entorno diferente, sin tener que volver a escribir o copiar el código del cuaderno .
- El ejemplo Sudoku, un ejemplo de programación de restricciones en el que el objetivo es resolver una cuadrícula de Sudoku 9x9.
- El ejemplo de problema de producción de pasta, un ejemplo de programación lineal en el que el objetivo es minimizar el coste de producción de algunos productos de pasta y asegurarse de que se satisface la demanda de los clientes de los productos.
Todos los cuadernos de Decision Optimization utilizan DOcplex.
docplex
Los cuadernos de Decision Optimization utilizan DOcplex, una API Python nativa para modelar y resolver problemas de Decision Optimization . La API está disponible de forma predeterminada como parte del entorno Python.
- Modelado de programación matemática para Python que utiliza
docplex.mp - Modelado de programación de restricciones para Python que utiliza
docplex.cp
from docplex.mp.model import ModelLa licencia de la API se ofrece bajo la licencia de Apache V2.0 y es compatible con numpy/pandas.
Puede leer la documentación completa de la API de DOcplex en rawgit. Puede encontrar ejemplos de DOcplex en Decision Optimization GitHub.
API de cliente de Decision Optimization
Además de DOcplex, hay disponible una API de cliente Decision Optimization para que pueda crear escenarios y manejar modelos creados en Decision Optimization IU de experimento. Por ejemplo, véase Generación de múltiples escenarios de Decision Optimization.
Consulte la documentación de la API de cliente deDecision Optimization. También puede encontrar el ejemplo anterior en la carpeta jupyter de DO-samples.
Ejecución de cuadernos de Decision Optimization
En función de si está interesado en Programación de restricciones o Programación lineal, elija uno de los dos cuadernos presentados anteriormente y ejecútelo de la forma siguiente.
- En el Centro de recursos, abra el cuaderno con el que desea trabajar.
- Si ya ha creado un proyecto en Cloud Pak for Data as a Service, pulse Añadir a proyecto.
- Seleccione un proyecto existente en la lista desplegable, y seleccione un runtime, por ejemplo Runtime 24.1 en Python 3.11 XS (o para modelos más grandes que requieran la Edición Comercial de motores CPLEX, seleccione DO + NLP Runtime 24.1 en Python 3.11 XS), y haga clic en Create. El cuaderno se añade al proyecto.
Si todavía no tiene un proyecto en Cloud Pak for Data as a Service, pulse el botón Descargar 
para descargar el ejemplo en el sistema.
- Cree un proyecto nuevo: seleccione Proyectos > Ver todos los proyectos en el menú y pulse el botón Nuevo proyecto.
- Seleccione Crear un proyecto vacío y, en la ventana que se abre, especifique un nombre y pulse Crear.
- Seleccione la pestaña Activos .
- Seleccionar Nuevo recurso > Trabajar con datos y modelos enPython o R en el Trabajar con modelos sección.
- Elija Archivo local. A Continuación, Pulse Arrastre y suelte los archivos aquí o cargue y vaya al cuaderno en el sistema.
- Pulse Crear cuaderno.El cuaderno se añade al proyecto.
Para ejecutar el cuaderno, pulse Celda > Ejecutar todo.
Los cuadernos de ejemplo de Python se proporcionan en Decision Optimization GitHub. Para utilizar estos cuadernos, consulte Jupyter. Estos ejemplos no utilizan la interfaz de usuario de experimento.
También se proporciona un cuaderno de Python que muestra cómo generar varios escenarios y que utiliza datos aleatorizados en la carpeta jupyter de DO-samples. Este enfoque puede ser útil para probar un modelo realizado en la IU de experimento con distintos conjuntos de datos. Para obtener más información, consulte Generación de varios escenarios.
Guías de aprendizaje de Decision Optimization
Puedes encontrar más DOcplex ejemplos que le introducen a la DOcplexPython API en elDecision OptimizationGitHub:
- Programación lineal
- Puede leer una descripción detallada de este cuaderno en esta guía de aprendizaje de programación lineal (CPLEX Parte 1). Puede clonar o descargar este Decision Optimization Programación lineal cuaderno de Github.
- Más allá de la programación lineal
- Puede leer una descripción detallada de este cuaderno en esta guía de aprendizaje de programación lineal (CPLEX Parte 2). Puede clonar o descargar este Decision Optimization Más allá de la programación lineal cuaderno de Github.
- Iniciación a la planificación en CPLEX para Python
- Puede leer una descripción detallada de este cuaderno en esta Guía de aprendizaje de planificación en CPLEX para Python. Puede clonar o descargar este Iniciación a la planificación en CPLEX para Python cuaderno desde Github.