Notebooki Decision Optimization

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Decision Optimization notebooki

Last updated: 18 lip 2023

Notebooki Decision Optimization

Istnieje możliwość utworzenia i uruchomienia modeli Decision Optimization w Python notebooków za pomocą programu DOcplex, rodzimego interfejsu API Python dla Decision Optimization. Dostępnych jest już kilka Decision Optimization notebooków , które można wykorzystać.

Środowisko Decision Optimization obsługuje obecnie Python 3.10. Następujące środowiska Python umożliwiają dostęp do Community Edition mechanizmów CPLEX. Dzięki temu możliwe jest rozwiązywanie problemów z maksymalnie 1000 ograniczeniami i 1000 zmiennych, lub z przestrzenią wyszukiwania 1000 X 1000 dla problemów związanych z programowaniem ograniczeń.

Runtime 22.2 on Python 3.10 S/XS/XXS

Aby uruchomić większe problemy, należy wybrać środowisko wykonawcze zawierające pełną edycję komercyjną CPLEX. Środowisko Decision Optimization (DOcplex) jest dostępne w następujących środowiskach wykonawczych (pełne wydanie komercyjne CPLEX):

DO + NLP runtime 22.2 on Python 3.10

W notatniku można łatwo zmieniać środowiska (środowiska wykonawcze i Python ) za pomocą karty Środowisko (patrz sekcja Zmiana środowiska notatnika). Oznacza to, że można formułować modele optymalizacji i testować je z niewielkimi zestawami danych w jednym środowisku, a następnie, w celu rozwiązania z większymi zestawami danych, można po prostu przełączyć się na inne środowisko, bez konieczności przepisania lub kopiowania kodu notebook .

Istnieje wiele przykładów Decision Optimization notebooki dostępnych w Przykłady, w tym:

Przykład Sudoku, przykład Programowanie ograniczeń, w którym celem jest rozwiązanie 9x9 siatki Sudoku.
Przykład Problem dotyczący makaronu, przykład programowania liniowego, w którym celem jest zminimalizowanie kosztów produkcji niektórych produktów z makaronu i zapewnienie, że popyt klientów na produkty jest zadowalający.

Te i dodatkowe przykłady są również dostępne w folderze jupyter w sekcji DO-samples .

Wszystkie Decision Optimization notebooki używają programu DOcplex.

DOcplex

Decision Optimization notebooki używają DOcplex, rodzimego interfejsu API Python do modelowania i rozwiązywania problemów Decision Optimization . Interfejs API jest dostępny domyślnie jako część środowiska Python .

Składa się on z dwóch modułów:

Mathematical Programming Modeling for Python using docplex.mp
Modelowanie programowania ograniczeń dla języka Python przy użyciu programu docplex.cp

W kodzie można określić bibliotekę, która ma być używana w następujący sposób, na przykład dla bibliotek programowania matematycznego:

from docplex.mp.model import Model

Interfejs API jest licencjonowany zgodnie z licencją Apache V2.0 i jest przyjazny dla produktu numpy/pandas .

Pełną dokumentację funkcji API DOcplex API on rawgitmożna odczytać. Przykłady DOcplex można znaleźć na Decision Optimization GitHub.

Interfejs API klienta Decision Optimization

Oprócz produktu DOcplexdostępny jest interfejs API klienta Decision Optimization , który umożliwia tworzenie scenariuszy i obsługę modeli wykonanych w Decision Optimization interfejs użytkownika doświadczenia. Na przykład: Generowanie wielu scenariuszy.

Patrz Dokumentacja interfejsu API klienta produktu Decision Optimization. Poprzedni przykład można znaleźć w folderze jupyter w przykładach do wykonania.

Uruchamianie programu Decision Optimization notebooków

W zależności od tego, czy interesuje Cię programowanie ograniczeń czy programowanie liniowe, wybierz jedną z dwóch notebooków zaprezentowanych wcześniej w tej sekcji i uruchom ją w następujący sposób.

Jeśli projekt został już utworzony w pliku watsonx.ai, wykonaj następujące czynności:

Z poziomu Przykładyotwórz notatnik , z którym chcesz pracować.
Jeśli projekt został już utworzony, kliknij opcję Dodaj do projektu.
Wybierz istniejący projekt z listy rozwijanej, a następnie wybierz środowisko wykonawcze, na przykład środowisko wykonawcze 22.2 w języku Python 3.10 XS (lub w przypadku większych modeli, które wymagają wersji handlowych mechanizmów CPLEX, wybierz opcję DO + NLP Runtime 22.2 w języku Python 3.10 XS) i kliknij opcję Utwórz. notebook zostanie dodany do projektu.

Jeśli projekt nie został jeszcze utworzony, kliknij przycisk Pobierz Przycisk pobierania , aby pobrać przykład na komputerze.

Utwórz nowy projekt: wybierz z menu opcję Projekty > Wyświetl wszystkie projekty , a następnie kliknij przycisk Nowy projekt .
Wybierz opcję Utwórz pusty projekt , a następnie w oknie, które zostanie otwarte, wprowadź nazwę i kliknij opcję Utwórz.
Wybierz zakładkę Zasoby .
W sekcji Praca z modelami wybierz opcję Nowe zadanie > Praca z danymi i modelami w notebookach Python lub R .
Wybierz opcję Z pliku. Następnie kliknij przycisk Przeciąganie i upuszczanie plików lub przesyłanie i przejdź do notatnik na komputerze.
Kliknij opcję Utwórz notatnik.Do projektu jest dodawany notatnik .

Zostanie automatycznie otwarty notatnik .

Aby uruchomić notatnik, należy kliknąć opcję Komórka > Uruchom wszystkie.

Przykładowe Python notebooki są dostępne w Decision Optimization GitHub. Aby użyć tych informacji, należy zapoznać się z przykładami notatnika Jupyter. W tych przykładach nie jest używany interfejs użytkownika eksperymentu.

Python notatnik , który przedstawia sposób generowania wielu scenariuszy przy użyciu danych randomizowanych, znajduje się w folderze jupyter w DO-przykłady. Może to być użyteczne w przypadku testowania modelu w interfejsie użytkownika eksperymentu z różnymi zestawami danych. Informacje na temat tego, jak to zrobić zawiera sekcja Generowanie wielu scenariuszy .

Kursy Decision Optimization

Więcej przykładów DOcplex , które wprowadzą użytkownika do interfejsu API DOcplex Python w Decision Optimization GitHub, można znaleźć:

Programowanie liniowe: Szczegółowy opis tego notatnika można znaleźć w tym kursie programowania liniowego (CPLEX część 1). Można sklonować lub pobrać ten produkt Decision Optimization Linear Programming notatnik from Github.
Programowanie poza liniowym: Szczegółowy opis tego notatnika można przeczytać w tym kursie Programowanie liniowe (CPLEX część 2). Można sklonować lub pobrać ten produkt Decision Optimization Beyond Linear Programming notatnik z Github.
Pierwsze kroki z programem Planowanie w programie CPLEX dla Python: Szczegółowy opis tego notatnika można przeczytać w tym temacie Planowanie w kursie CPLEX dla języka Python. Można sklonować lub pobrać ten plik Pierwsze kroki z programem Planowanie w programie CPLEX dla Python w języku Python z programu Github.