En esta documentación se presentan varios ejemplos como guías de aprendizaje. También puede utilizar muchos otros ejemplos que se proporcionan en el Decision Optimization GitHub, y en el Hub de recursos.
Enlaces rápidos:
Decision Optimization GitHub DO-samples
Consulte Decision Optimization GitHub para ver un repositorio de ejemplos para su uso con IBM watsonx.ai. Para ver ejemplos de Decision Optimization IU de experimento , consulte la sección siguiente Decision Optimization Ejemplos de IU de experimento. Este repositorio también contiene ejemplos de cuaderno de Jupyter que se pueden importar a watsonx.ai. Consulte cuadernos de Jupyter .
Ejemplo de Java
Consulte el ejemplo de modelo Java que se proporciona en el contenedor modelo Decision Optimization Java™ worker en el trabajador Java GitHub.
Ejemplos descritos en esta documentación
En la tabla siguiente se listan los modelos de ejemplo que se describen en esta documentación y que muestran cómo utilizar Decision Optimization.
| Ejemplos | Cómo aprender a... |
Consulte |
|
|---|---|---|---|
Cree modelos de planificación utilizando el Modeling Assistant. |
Ejemplo de construcción de viviendas |
|
Resolución de un modelo utilizando el asistente de modelado de Modeling Assistant |
Cree modelos de optimización de Python utilizando la Decision Optimization IU de experimento. |
Ejemplo de dieta |
|
|
Ejemplo de escenario múltiple |
|
||
Cree o importe DOcplex Python cuadernos. |
Ejemplos de Decision Optimization Notebook |
|
Ejemplos de Decision Optimization experimento (Python, OPL, Modeling Assistant)
Para obtener una guía paso a paso para crear, resolver y desplegar un modelo de Decision Optimization , utilizando la interfaz de usuario, consulte la Guía de aprendizaje de inicio rápido con vídeo.
En la tabla siguiente se listan los ejemplos de Decision Optimization que se proporcionan en DO-samples en Decision Optimization GitHub. Todos estos activos utilizan Decision Optimization IU de experimento y contienen datos.
Para ejecutar modelos, debe asociar una instancia de watsonx.ai Runtime con su Proyecto y asociar un espacio de despliegue con su experimento Decision Optimization. También debe tener el rol Editor o Admin en el espacio de despliegue.
- Descargue y extraiga todos los DO-samples en el sistema. También puede descargar sólo el ejemplo, pero en este caso, no lo extraiga.
- Abra el proyecto o cree un proyecto vacío.
- En la pestaña Gestionar del proyecto, seleccione la sección Servicios e integraciones y pulse Asociar servicio. A continuación, seleccione una instancia de servicio de Machine Learning existente (o cree una nueva) y pulse Asociar. Cuando el servicio está asociado, se muestra un mensaje de realizado satisfactoriamente y, a continuación, puede cerrar la ventana Asociar servicio .
- Seleccione la pestaña Activos .
- Seleccione Nuevo activo > Resolver problemas de optimización en la sección Trabajar con modelos .
- Pulse Archivo local en la ventana Resolver problemas de optimización que se abre.
- Vaya a la carpeta Model_Builder en los DO-samplesdescargados. Seleccione la subcarpeta de producto y versión relevante. Elija el archivo .zip de ejemplo y pulse Abrir. Como alternativa, arrastre el ejemplo a la ventana.
- Si aún no ha asociado un servicio watsonx.ai Runtime a su proyecto, primero debe seleccionar Añadir un servicio Machine Learning automático para seleccionar o crear uno antes de elegir un espacio de despliegue para su experimento.
- Pulse Nuevo espacio de despliegue, especifique un nombre y pulse Crear (o seleccione un espacio existente en el menú desplegable).
- Pulse Crear.
Se crea un modelo de Decision Optimization con el mismo nombre que el ejemplo.
| Modelos para Decision Optimization | Tipo de problema | Tipo de modelo |
|---|---|---|
| BridgeScheduling | Programación | Modeling Assistant |
| Diet | Combinación | Python |
| DietLP | Combinación | LP (CPLEX) |
| EnvironmentAndExtension | Utilización de un entorno con una extensión que contiene un archivo de biblioteca y código YAML. | Python |
| HouseConstructionScheduling | Planificación con asignación | Modeling Assistant |
| IntermediateSolutions | Habilitación de soluciones intermedias para modelos CPLEX y CPO | Python |
| MarketingCampaignAssignment | Asignación de recursos (Escenarios 1 - 4) Selección y asignación (Escenario 4 - Selección) |
Modeling Assistant |
| Multiarchivos | Utilización de un modelo con varios archivos. | Python y LP |
| PastaProduction | Producción | OPL |
| PortfolioAllocation | Selección y asignación | Modeling Assistant |
| PythonEngineSettings | Rompecabezas geométrico con ajustes de motor personalizados | Python |
| ShiftAssignment | Asignación de recursos con decisiones personalizadas y una restricción personalizada | Modeling Assistant |
| StaffPlanning | Planificación de varios escenarios (para que se utilice con CopyAndSolveScenarios.ipynb) |
Python |
| SupplyDemandPlanning | Planificación de oferta y demanda | Modeling Assistant |
| TalentCPO | Programación de películas | CPO (CP Optimizer) |
Ejemplos de cuaderno de Jupyter
- Descargue y extraiga todos los DO-samples en el sistema. También puede descargar una única muestra.
- Abra el proyecto o cree un proyecto vacío.
- Seleccione la pestaña Activos .
- Seleccione Nuevo activo > Trabajar con datos y modelos en Python o cuadernos R en la sección Trabajar con modelos .
- Seleccione el separador Desde archivo en la ventana nueva que se abre.
- Asigne el nombre notebook, pulse Arrastrar y soltar archivos o cargue y vaya al notebook en la carpeta jupyter de los DO-samplesdescargados. Seleccione la subcarpeta de producto y versión relevante.
- Pulse Crear. El cuaderno se añade al proyecto.
Python cuadernos en Concentrador de recursos
Los Decision Optimization Python cuadernos están disponibles en Concentrador de recursos. Para utilizar estos cuadernos en un proyecto existente, abra un cuaderno en el concentrador de recursos, pulse Añadir a proyecto, seleccione el proyecto y pulse Crear.