Docs
...
Decision Optimization notebooks

Decision Optimization Notebooks

Letzte Aktualisierung: 21. Nov. 2024
Decision Optimization-Notebooks

Sie können Decision Optimization -Modelle in Python Notebooks erstellen und ausführen, indem Sie DOcplex, eine native Python -API für Decision Optimizationverwenden. Mehrere Decision Optimization Notebooks stehen Ihnen bereits zur Verfügung.

Sie können Decision Optimization mit Python 3.11 and 3.10 (deprecated)verwenden. Die folgenden Laufzeiten geben Ihnen Zugriff auf die Community Edition der CPLEX-Engines. Die Community Edition ist auf die Lösung von Problemen mit bis zu 1000 Einschränkungen und 1000 Variablen oder mit einem Suchbereich von 1000 X 1000 für Constraintprogrammierungsprobleme beschränkt.
  • Runtime 24.1 on Python 3.11 S/XS/XXS
  • Runtime 23.1 on Python 3.10 (deprecated) S/XS/XXS
Um größere Probleme auszuführen, wählen Sie eine Laufzeit aus, die die vollständige CPLEX Commercial Edition enthält. Die Decision Optimization -Umgebung (DOcplex) ist in den folgenden Laufzeiten verfügbar (vollständige CPLEX Commercial Edition):
  • NLP + DO runtime 24.1 on Python 3.11 mit CPLEX 22.1.1.0
  • DO + NLP runtime 23.1 on Python 3.10 (deprecated) mit CPLEX 20.1.0.1

Sie können Umgebungen (Laufzeiten und Python -Version) innerhalb eines Notebooks über die Registerkarte 'Umgebung' ändern (siehe Umgebung eines Notebooks ändern). So können Sie Optimierungsmodelle formulieren und mit kleinen Datasets in einer Umgebung testen. Anschließend können Sie zur Lösung von Modellen mit größeren Datasets zu einer anderen Umgebung wechseln, ohne den Notebook -Code neu schreiben oder kopieren zu müssen.

Im Ressourcenhubsind mehrere Beispiele für Decision Optimization Notebooks verfügbar, darunter:
  • Das Beispiel 'Sudoku', ein Beispiel für Constraintprogrammierung, bei dem das Ziel in der Lösung eines 9x9-Sudoku-Rasters besteht.
  • Das Beispiel "Pasta Production Problem", ein Beispiel für lineare Programmierung, bei dem das Ziel darin besteht, die Produktionskosten für einige Pasta-Produkte zu minimieren und sicherzustellen, dass die Nachfrage der Kunden nach den Produkten erfüllt wird.
Diese und weitere Beispiele sind auch im Ordner jupyter des Befehls DO-samples verfügbar

Alle Decision Optimization Notebooks verwenden DOcplex.

DOcplex

Die Decision Optimization Notebooks verwenden DOcplex, eine native Python -API für die Modellierung und Lösung von Decision Optimization -Problemen. Die API ist standardmäßig als Teil der Python-Umgebung verfügbar.

Sie setzt sich aus zwei Modulen zusammen:
  • Mathematische Programmiermodellierung für Python , die docplex.mp verwendet
  • Constraint Programming Modeling for Python , das docplex.cp verwendet
In Ihrem Code können Sie die Bibliothek angeben, die Sie wie folgt verwenden möchten (z. B. für Mathematical Programming-Bibliotheken:
from docplex.mp.model import Model

Die API wird unter der Apache-Lizenz V2.0 lizenziert und ist numpy/pandas freundlich.

Sie können die vollständige DOcplex-API-Dokumentation auf rawgitlesen. Sie finden DOcplex -Beispiele auf der Decision Optimization GitHub.

Decision Optimization -Client-API

Neben DOcplexist eine Decision Optimization -Client-API verfügbar, mit der Sie Szenarios erstellen und Modelle bearbeiten können, die in der Decision Optimization -Benutzerschnittstelle für Experimenteerstellt wurden. Siehe zum Beispiel Generierung mehrerer Decision Optimization Szenarien.

Weitere Informationen finden Sie in der Dokumentation zur Decision Optimization -Client-API. Das vorherige Beispiel finden Sie auch im Ordner jupyter des Ordners DO-samples.

Decision Optimization Notebooks ausführen

Wählen Sie je nachdem, ob Sie an Constraint Programming oder Linear Programming interessiert sind, eines der beiden zuvor dargestellten Notebooks aus und führen Sie es wie folgt aus.

Wenn Sie bereits über ein Projekt in watsonx.aiverfügen:
  1. Öffnen Sie im Ressourcenhubdas Notebook , mit dem Sie arbeiten möchten.
  2. Wenn Sie bereits ein Projekt erstellt haben, klicken Sie auf Zum Projekt hinzufügen.
  3. Wählen Sie ein bestehendes Projekt in der Dropdown-Liste und wählen Sie eine Laufzeit, zum Beispiel Runtime 24.1 auf Python 3.11 XS (oder für größere Modelle, die die Commercial Edition der CPLEX-Engines benötigen, wählen Sie DO + NLP Runtime 24.1 auf Python 3.11 XS), und klicken Sie Erstellen. Das Notebook wird Ihrem Projekt hinzugefügt.

Wenn Sie noch kein Projekt haben, klicken Sie auf die Schaltfläche 'Herunterladen' Schaltfläche 'Herunterladen' , um das Beispiel auf Ihren Computer herunterzuladen.

  1. Erstellen Sie ein neues Projekt: Wählen Sie Projects > View all Projects im Menü aus und klicken Sie auf die Schaltfläche New Project.
  2. Wählen Sie Leeres Projekt erstellen aus und geben Sie in dem Fenster, das geöffnet wird, einen Namen ein und klicken Sie auf Erstellen.
  3. Wählen Sie die Registerkarte Assets aus.
  4. Wählen Sie Neues Asset > Mit Daten und Modellen in Python oder R-Notebooks arbeiten im Abschnitt Mit Modellen arbeiten aus.
  5. Wählen Sie Lokale Dateiaus. Klicken Sie anschließend auf Dateien ziehen und ablegen oder hochladen und navigieren Sie zu Notizbuch auf Ihrem Computer.
  6. Klicken Sie auf Notebook erstellen.Das Notebook wird Ihrem Projekt hinzugefügt.
Ihr Notebook wird automatisch geöffnet.

Um Ihr Notebookauszuführen, klicken Sie auf Zelle > Alle ausführen.

Python werden in Decision Optimization GitHubbereitgestellt. Informationen zur Verwendung dieser Notebooks finden Sie unter Jupyter-Notebook-Beispiele. In diesen Beispielen wird die Benutzerschnittstelle für Experimentenicht verwendet.

Ein Python -Notebook , das Ihnen zeigt, wie mehrere Szenarios generiert werden, und das randomisierte Daten verwendet, wird im Ordner jupyter des DO-samplesbereitgestellt. Dieser Ansatz kann nützlich sein, um ein Modell zu testen, das in der Benutzerschnittstelle für Experimente mit verschiedenen Datasets erstellt wurde. Weitere Informationen finden Sie unter Mehrere Szenarios generieren.

Decision Optimization-Lernprogramme

Weitere DOcplex Beispiele, die Sie in die DOcplex Python API einführen, finden Sie auf dem Decision Optimization GitHub:

Lineare Programmierung
Eine ausführliche Beschreibung dieses Notebooks finden Sie in diesem Lernprogramm zur linearen Programmierung (CPLEX-Teil 1). Sie können diese Decision Optimization Lineare Programmierung Notizbuch von Githubklonen oder herunterladen.
Über die lineare Programmierung hinaus
Eine ausführliche Beschreibung dieses Notebooks finden Sie in diesem Lernprogramm zur linearen Programmierung (CPLEX Teil 2). Sie können diese Decision Optimization Beyond Linear Programming Notizbuch von Githubklonen oder herunterladen.
Erste Schritte mit der Planung in CPLEX für Python
Sie können eine detaillierte Beschreibung dieses Notebooks in diesem Lernprogramm zur Zeitplanung in CPLEX für Pythonlesen. Sie können diese Version von Getting started with Scheduling in CPLEX for Python notebook von Githubklonen oder herunterladen.