Decision Optimization notebook

Ultimo aggiornamento: 27 giu 2025

Puoi creare ed eseguire i modelli Decision Optimization in Python notebooks utilizzando DOcplex, un'API Python nativa per Decision Optimization. Diversi Decision Optimization notebook sono già disponibili per l'utilizzo.

È possibile utilizzare Decision Optimization con Python 3.11. I seguenti runtime forniscono l'accesso alla Community Edition dei motori CPLEX. La Community Edition è limitata alla risoluzione di problemi con un massimo di 1000 vincoli e 1000 variabili o con uno spazio di ricerca di 1000 X 1000 per problemi di programmazione dei vincoli.

Runtime 24.1 on Python 3.11 S/XS/XXS

Per eseguire problemi più grandi, selezionare un runtime che include l'edizione commerciale CPLEX completa. L'ambiente Decision Optimization (DOcplex) è disponibile nei seguenti runtime (versione commerciale CPLEX completa):

NLP + DO runtime 24.1 on Python 3.11 con CPLEX 22.1.1.0

È possibile modificare facilmente gli ambienti (runtime e versione Python ) all'interno di un notebook utilizzando la scheda Ambiente (consultare Modifica dell'ambiente di un notebook). In questo modo, è possibile formulare modelli di ottimizzazione e testarli con piccoli dataset in un ambiente. Quindi, per risolvere i modelli con dataset più grandi, è possibile passare a un ambiente diverso, senza dover riscrivere o copiare il codice del notebook .

Sono disponibili più esempi di Decision Optimization notebook in Hub di risorse, tra cui:

L'esempio Sudoku, un esempio di Vincolo Programmazione in cui l'obiettivo è quello di risolvere una griglia di Sudoku 9x9 .
L'esempio di Pasta Production Problem, un esempio di Programmazione Lineare in cui l'obiettivo è quello di minimizzare il costo di produzione per alcuni prodotti di pasta e garantire che la domanda dei clienti per i prodotti sia soddisfatta.

Questi e altri esempi sono disponibili anche nella cartella jupyter della cartella DO-samples

Tutti i notebook Decision Optimization utilizzano DOcplex.

DOcplex

I Decision Optimization dOcplex, un'API nativa di Python per la modellazione e la risoluzione di problemi Decision Optimization problemi. L'API è disponibile per impostazione predefinita come parte dell'ambiente Python .

È composto da due moduli:

Mathematical Programming Modeling per Python che utilizza docplex.mp
Modeling di programmazione dei vincoli per Python che utilizza docplex.cp

Nel tuo codice è possibile specificare la libreria che si desidera utilizzare come segue, ad esempio per le librerie Mathematical Programming:

from docplex.mp.model import Model

L'API è concessa in licenza con la licenza Apache License V2.0 ed è numpy/pandas friendly.

Puoi leggere la documentazione completa dell'API DOcplex su rawgit. È possibile trovare esempi di DOcplex sul sito web Decision Optimization GitHub.

Decision Optimization API client

Oltre a DOcplex, è disponibile un'API client Decision Optimization per creare scenari e gestire i modelli creati nella IU dell'esperimento Decision Optimization . Ad esempio, vedere Generazione di più scenari Decision Optimization.

Consultare la documentazione dell'API client Decision Optimization. L'esempio precedente si trova anche nella cartella jupyter della cartella DO-samples.

Esecuzione Decision Optimization notebook

A seconda se si è interessati a Constraint Programming o Linear Programming, scegliere uno dei due notebook presentati in precedenza ed eseguirlo nel modo seguente.

Se hai già un progetto in Cloud Pak for Data as a Service:

Da Hub di risorse, aprire il notebook con cui si desidera lavorare.
Se è già stato creato un progetto in Cloud Pak for Data as a Service, fare clic su Aggiungi al progetto.
Selezionare un progetto esistente nell'elenco a discesa e scegliere un runtime, ad esempio Runtime 24.1 su Python 3.11 XS (o per modelli più grandi che richiedono l'edizione commerciale dei motori CPLEX, selezionare DO + NLP Runtime 24.1 su Python 3.11 XS) e fare clic su Create. Il notebook viene aggiunto al progetto.

Se non avete già un progetto in Cloud Pak for Data as a Service, fate clic sul pulsante Download Pulsante di download per scaricare l'esempio sul vostro computer.

Creare un nuovo progetto: selezionare Progetti > Visualizza tutti i progetti dal menu e fare clic su Nuovo progetto .
Selezionare Crea un progetto vuoto e nella finestra che viene aperta immettere un nome e fare clic su Crea.
Selezionare la scheda Asset .
Selezionare Nuova risorsa > Lavora con dati e modelli inPython o R nel Lavora con i modelli sezione.
Scegliere File locale. Quindi, fare clic su Trascinare e rilasciare i file qui o caricarli e passare a notebook sul computer.
Fare clic su Crea notebook.Il notebook viene aggiunto al progetto.

Il tuo notebook si apre automaticamente.

Per eseguire il tuo notebook, fare clic su Cell> Esegui tutto.

I notebook Python di esempio sono forniti in Decision Optimization GitHub. Per utilizzare questi notebook, vedere Jupyter. Questi esempi non utilizzano la UI di sperimentazione.

Anche un blocco note Python che mostra come generare scenari multipli e che utilizza dati randomizzati, è fornito nella cartella jupyter della cartella DO-samples. Questo approccio può essere utile per verificare un modello creato nella IU dell'esperimento con dataset differenti. Per ulteriori informazioni, vedere Generazione di scenari multipli.