0 / 0
Torna alla versione inglese della documentazione

Decision Optimization notebook

Ultimo aggiornamento: 21 nov 2024
Decision Optimization notebook

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 and 3.10 (deprecated). 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
  • Runtime 23.1 on Python 3.10 (deprecated) 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
  • DO + NLP runtime 23.1 on Python 3.10 (deprecated) con CPLEX 20.1.0.1

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 di DO - samples

Tutti i notebook Decision Optimization utilizzano DOcplex.

DOcplex

Decision Optimization notebook utilizza DOcplex, un'API Python nativa per la modellazione e la soluzione dei problemi Decision Optimization . 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 DOcplex API su rawgit. Puoi trovare esempi DOcplex in 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 scenari multipli Decision Optimization.

Consultare Documentazione API client Decision Optimization. È inoltre possibile trovare l'esempio precedente nella cartella jupyter di 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 watsonx.ai:
  1. Da Hub di risorse, aprire il notebook con cui si desidera lavorare.
  2. Se è già stato creato un progetto, fare clic su Aggiungi al progetto.
  3. 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 si dispone già di un progetto, fare clic sul pulsante Scarica Pulsante di download per scaricare l'esempio sul computer.

  1. Creare un nuovo progetto: selezionare Progetti > Visualizza tutti i progetti dal menu e fare clic su Nuovo progetto .
  2. Selezionare Crea un progetto vuoto e nella finestra che viene aperta immettere un nome e fare clic su Crea.
  3. Selezionare la scheda Asset .
  4. Selezionare Nuovo asset> Gestisci dati e modelli in Python o notebook R nella sezione Gestisci modelli .
  5. Scegliere File locale. Quindi, fare clic su Trascina e rilascia file o carica e passare a notebook sul computer.
  6. 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 Esempi di notebook Jupyter. Questi esempi non utilizzano la UI di sperimentazione.

Inoltre, un Python notebook che mostra come generare più scenari e che utilizza dati randomizzati, viene fornito nella cartella jupyter di DO - esempi. Questo approccio può essere utile per verificare un modello creato nella IU dell'esperimento con dataset differenti. Per ulteriori informazioni, consultare Generazione di più scenari.

Decision Optimization tutorial

È possibile trovare altri DOcplex esempi che introducono all'API DOcplex Python sul sito Decision Optimization GitHub:

Programmazione lineare
È possibile leggere una descrizione dettagliata di questo notebook in questa esercitazione di programmazione lineare (CPLEX Part 1). È possibile clonare o scaricare questo Decision Optimization Programmazione lineare notebook da Github.
Oltre la programmazione lineare
È possibile leggere una descrizione dettagliata di questo notebook in questa esercitazione di programmazione lineare (CPLEX Part 2). È possibile clonare o scaricare questo Decision Optimization Oltre la programmazione lineare notebook di Github.
Introduzione alla pianificazione in CPLEX per Python
È possibile leggere una descrizione dettagliata di questo notebook in questa Pianificazione in CPLEX per Python esercitazione. È possibile clonare o scaricare questo Introduzione alla pianificazione in CPLEX for Python notebook da Github.