Verwendungsmöglichkeiten von Decision Optimization
Letzte Aktualisierung: 21. Nov. 2024
Verwendung von Decision Optimization
Zum Erstellen von Decision Optimization -Modellen können Sie Python -Notebooks mit DOcplex, einer nativen Python -API für Decision Optimization, erstellen oder die Decision Optimization-Experimentbenutzerschnittstelle verwenden, die mehr Vorteile und Funktionen bietet.
Verschiedene Möglichkeiten zur Verwendung von Decision Optimization
Copy link to section
Abhängig von Ihren Kenntnissen und Ihrem Fachwissen können Sie Decision Optimizationauf die folgenden Arten verwenden.
Python Notebooks
Sie können Python Notebooks mit DOcplex, einer nativen Python API für Decision Optimization, erstellen. Siehe DOcplex. Sie benötigen Fachwissen für die Modellierung von Betriebsforschung (OR), um Variablen, Ziele und Einschränkungen zur Darstellung Ihres Problems zu erstellen.
Der Modeling Assistant unterstützt Sie bei der Formulierung von Modellen in natürlicher Sprache, die nur wenig oder gar keine Kenntnisse von OR erfordert und nicht das Schreiben von Python -Code erfordert. Siehe Modeling Assistant -Modelle.
Modeling Assistant ist nur in Englisch verfügbar und nicht globalisiert.
OPL-Modelle
Sie können OPL-Modelle erstellen, importieren und bearbeiten. Weitere Informationen finden Sie unter OPL-Modelle.
CPLEX- und CPO-Modelle (CPO).
Sie können .mps -Dateien erstellen, importieren und bearbeiten (.lp -und .cpo -Dateien) sowie importieren und bearbeiten. Anschließend können Sie sie auflösen und die Lösungsdateien herunterladen.
Sie können die watsonx.ai Runtime REST API verwenden, um Java-Modelle bereitzustellen und auszuführen. Weitere Informationen finden Sie unter Decision Optimization Java-Modelle.
Batchbereitstellung
Weitere Informationen zum Einsatz mit watsonx.ai Runtime finden Sie unter Decision Optimization.
Eine schrittweise Anleitung zum Erstellen, Lösen und Bereitstellen eines Decision Optimization -Modells über die Benutzerschnittstelle finden Sie im Lernprogramm für den Schnelleinstieg mit Video.
Abb. 1. Decision Optimization -Experimente modellieren und lösen
Vorteile vonDecision OptimizationExperiment UI
Copy link to section
Die folgende Tabelle zeigt, wie Sie verschiedene Funktionen sowohl mit als auch ohne Decision OptimizationBenutzerschnittstelle für Experimenteausführen können. Jupyter Notebooks in dieser Tabelle sind Notebooks ohne die Decision OptimizationExperiment UI. Wie Sie sehen, haben Sie weitere Vorteile, wenn Sie die Benutzerschnittstelle vonDecision OptimizationExperimentverwenden.
Tabelle 1. Decision Optimization mit der Benutzerschnittstelle von Experiment
Aufgabe
Jupyter Notebook (ohne Decision OptimizationBenutzerschnittstelle für Experimente)
Decision OptimizationBenutzerschnittstelle für Experimente (4 Modelltypen)
Python
OPL-Modelle
CPLEX-und CPO-Modelle
Modeling Assistant
Daten verwalten
Daten aus Projekten importieren.
Daten aus Projekten importieren und Daten in Daten vorbereitenAnsicht bearbeiten. Siehe Eingabedaten vorbereiten.
Daten aus Projekten importieren und Daten in Daten vorbereitenAnsicht bearbeiten. Siehe Eingabedaten vorbereiten.
Daten aus Projekten importieren und Daten in Daten vorbereitenAnsicht bearbeiten. Siehe Eingabedaten vorbereiten.
Beziehungen in den Daten werden auf intelligente Weise abgeleitet.
Optimierungsmodelle formulieren und ausführen
Erstellen Sie eine völlig neue Modellformulierung in einem Python notebook. Verwendung der DOcplex-API
Mit Notebooks können einzelne Zellen interaktiv ausgeführt werden, was das Debugging vereinfacht.
Modellformulierung völlig neu in Python erstellen.
Modellformulierung aus einem Notebook oder einer Datei importieren und anzeigen.
Importiertes Python-Modell direkt bearbeiten.
Exportieren Sie Ihr Modell als Notebook. Mit Notebooks können einzelne Zellen interaktiv ausgeführt werden, was das Debugging vereinfacht.
Modellformulierung völlig neu in OPL erstellen.
Modellformulierung aus einer OPL-Datei importieren und anzeigen.
Importiertes OPL-Modell direkt bearbeiten.
Erstellen Sie eine Modellformulierung von Grund auf in CPLEX oder CPO.
Importieren Sie eine CPLEX-oder CPO-Modelldatei (Dateien.lp, .mpsund .cpo ).
Bearbeiten Sie die Dateien .lp, .mpsund .cpo .
Modell ausführen und Lösungsdatei herunterladen.
Modellformulierung völlig neu durch Auswahl der in natürlicher Sprache vorgeschlagenen Optionen erstellen.
Modeling Assistant-Modellformulierung aus einem Szenario importieren und anzeigen.
Importiertes Modell direkt bearbeiten.
Mehrere Szenarios erstellen und vergleichen
Python-Code zur Handhabung des Szenariomanagements schreiben.
Stellen Sie Ihr präskriptives Decision Optimization -Modell und zugehörige allgemeine Daten einmal bereit und übergeben Sie dann Jobanforderungen nur mit den zugehörigen Transaktionsdaten an diese Bereitstellung. Sie können Modelle über die watsonx.ai Runtime REST API oder über den watsonx.ai Runtime Python Client bereitstellen. Siehe watsonx.ai Runtime REST API und watsonx.ai Runtime Python Client.