Beispielmodelle und Notebooks für Decision Optimization
Letzte Aktualisierung: 21. Nov. 2024
Decision Optimization -Beispielmodelle und -Notebooks
In dieser Dokumentation werden mehrere Beispiele als Lernprogramme dargestellt. Sie können auch viele andere Beispiele verwenden, die im Decision Optimization GitHub und im Resource hub zur Verfügung gestellt werden.
Unter Decision Optimization GitHub finden Sie ein Repository mit Beispielen für die Verwendung mit IBM watsonx.ai. Beispiele für Decision OptimizationExperiment UI finden Sie im folgenden Abschnitt Decision OptimizationExperiment UI -Beispiele. Dieses Repository enthält auch Jupyter- Notebook -Beispiele, die in watsonx.aiimportiert werden können. Siehe Jupyter Notebooks.
Java-Beispiel
Copy link to section
Sehen Sie sich das Java-Modellbeispiel an, das in der Boilerplate Decision OptimizationJava™ worker in Java worker GitHubbereitgestellt wird.
Beispiele, die in dieser Dokumentation beschrieben werden
Copy link to section
In der folgenden Tabelle sind Beispielmodelle aufgelistet, die in dieser Dokumentation beschrieben werden und die Ihnen zeigen, wie Sie Decision Optimizationverwenden.
Eine schrittweise Anleitung zum Erstellen, Lösen und Bereitstellen eines Decision Optimization -Modells über die Benutzerschnittstelle finden Sie im Lernprogramm für den Schnelleinstieg mit Video.
In der folgenden Tabelle sind die Decision Optimization -Beispiele aufgelistet, die in DO-Beispiele in Decision Optimization GitHubbereitgestellt werden. Alle diese Assets verwenden die Benutzerschnittstelle von Decision OptimizationExperiment und enthalten Daten.
Hinweis:
Um Modelle auszuführen, müssen Sie eine ' watsonx.ai Laufzeit -Instanz mit Ihrem ' Projekt und einen Bereitstellungsraum mit Ihrem ' Decision Optimization ' experiment verbinden. Außerdem benötigen Sie die Rolle Editor oder Administratorim Bereitstellungsbereich.
So verwenden Sie diese Beispiele:
Laden Sie alle DO-samples auf Ihren Computer herunter und extrahieren Sie sie. Sie können auch nur das eine Beispiel herunterladen, aber in diesem Fall nicht extrahieren.
Öffnen Sie Ihr Projekt oder erstellen Sie ein leeres Projekt.
Wählen Sie auf der Registerkarte Verwalten Ihres Projekts den Abschnitt Services und Integrationen aus und klicken Sie auf Service zuordnen. Wählen Sie dann eine vorhandene Machine Learning -Serviceinstanz aus (oder erstellen Sie eine neue) und klicken Sie auf Zuordnen. Wenn der Service zugeordnet ist, wird eine Nachricht über erfolgreiche Ausführung angezeigt und Sie können das Fenster Service zuordnen schließen.
Wählen Sie die Registerkarte Assets aus.
Wählen Sie Neues Asset > Optimierungsprobleme lösen im Abschnitt Mit Modellen arbeiten aus.
Klicken Sie auf Lokale Datei im Fenster Optimierungsprobleme lösen , das geöffnet wird.
Navigieren Sie zum Ordner Model_Builder in Ihren heruntergeladenen DO-samples. Wählen Sie den entsprechenden Produkt- und Versionsunterordner aus. Wählen Sie Ihre Beispieldatei .zip aus und klicken Sie auf Öffnen. Ziehen Sie alternativ das Beispiel in das Fenster.
Wenn Sie noch keinen watsonx.ai Runtime-Dienst mit Ihrem Projekt verknüpft haben, müssen Sie zunächst einen Dienst für Machine Learning hinzufügen auswählen oder erstellen, bevor Sie einen Bereitstellungsbereich für Ihr Experiment auswählen.
Klicken Sie auf Neuer Bereitstellungsbereich, geben Sie einen Namen ein und klicken Sie auf Erstellen (oder wählen Sie einen vorhandenen Bereich im Dropdown-Menü aus).
Klicken Sie auf Erstellen.
Es wird ein Decision Optimization -Modell mit demselben Namen wie das Beispiel erstellt.
Tabelle 2. Decision Optimization Modelle
Modelle für Decision Optimization
Problemtyp
Modelltyp
BridgeScheduling
Planung
Modeling Assistant
Ernährung
Übergänge
Python
DietLP
Übergänge
LP (CPLEX)
EnvironmentAndExtension
Verwenden einer Umgebung mit einer Erweiterung, die eine Bibliotheksdatei und einen YAML-Code enthält
Python
HouseConstructionScheduling
Terminierung mit Zuordnung
Modeling Assistant
IntermediateSolutions
Aktivieren von Zwischenlösungen für CPLEX-und CPO-Modelle
Python
MarketingCampaignAssignment
Ressourcenzuordnung (Szenarios 1-4)
Auswahl und Zuordnung (Szenario 4 - Auswahl)
Modeling Assistant
Multifiles
Verwendung eines Modells mit mehreren Dateien.
Python und LP
PastaProduction
Produktion
OPL
PortfolioAllocation
Auswahl & Zuordnung
Modeling Assistant
PythonEngineSettings
Geometrisches Puzzle mit angepassten Motoreinstellungen
Python
ShiftAssignment
Ressourcenzuordnung mit angepassten Entscheidungen und einer angepassten Integritätsbedingung
Modeling Assistant
StaffPlanning
Multi-Szenario-Planung
(zu verwenden mit CopyAndSolveScenarios.ipynb)
Python
SupplyDemandPlanning
Angebot & Nachfrageplanung
Modeling Assistant
TalentCPO
Filmterminierung
CPO (CP Optimizer)
Jupyter- Notebook -Beispiele
Copy link to section
Jupyter Notebooks werden auch in Decision Optimization GitHub bereitgestellt, die die Benutzerschnittstelle für Experimentenicht verwenden. Gehen Sie wie folgt vor, um diese Python Notebook -Beispiele zu verwenden:
Laden Sie alle DO-samples auf Ihren Computer herunter und extrahieren Sie sie. Sie können auch nur ein Beispiel herunterladen.
Öffnen Sie Ihr Projekt oder erstellen Sie ein leeres Projekt.
Wählen Sie die Registerkarte Assets aus.
Wählen Sie Neues Asset > Mit Daten und Modellen in Python oder R-Notebooks arbeiten im Abschnitt Mit Modellen arbeiten aus.
Wählen Sie die Registerkarte Aus Datei im neuen Fenster aus, das geöffnet wird.
Benennen Sie Ihr Notebook, klicken Sie auf Drag-and-drop-Dateien oder laden Sie hoch und navigieren Sie zum Notebook im Ordner jupyter in Ihren heruntergeladenen DO-samples. Wählen Sie den entsprechenden Produkt- und Versionsunterordner aus.
Klicken Sie auf Erstellen. Das Notebook wird Ihrem Projekt hinzugefügt.
Python Notebooks im Ressourcenhub
Copy link to section
Decision Optimization Python Notebooks sind über den Ressourcenhubverfügbar. Um diese Notebooks in einem vorhandenen Projekt zu verwenden, öffnen Sie ein Notebook im Ressourcenhub, klicken Sie auf Zu Projekt hinzufügen, wählen Sie Ihr Projekt aus und klicken Sie auf Erstellen.