Translation not up to date
W tej dokumentacji przedstawiono kilka przykładów w postaci kursów. Można również użyć wielu innych przykładów dostępnych w serwisie Decision Optimization GitHuboraz w serwisie Samples.
Szybkie odsyłacze:
Decision Optimization GitHub DO-przykłady
Repozytorium przykładów do użycia z produktem IBM watsonx.aiznajduje się na stronie Decision Optimization GitHub . W przypadku przykładów Decision Optimization experiment UI należy zapoznać się z następującą sekcją Decision Optimization experiment UI samples. To repozytorium zawiera również przykłady notatnika Jupyter, które można zaimportować do pliku watsonx.ai. Patrz Jupyter (Jupyter) notebooki.
Przykład Java
Patrz przykład modelu Java udostępniony w sekcji Decision Optimization Java™ worker w Java worker GitHub.
Przykłady opisane w tej dokumentacji
W poniższej tabeli przedstawiono przykładowe modele opisane w tej dokumentacji oraz sposób korzystania z produktu Decision Optimization.
| Przykłady | Dowiedz się, jak ... |
Patrz |
|
|---|---|---|---|
Tworzenie modeli planowania przy użyciu Modeling Assistant. |
Przykład budowy domu |
|
|
Utwórz modele optymalizacji Python za pomocą Decision Optimization eksperyment UI. |
Przykład diety |
|
|
Przykład wielu scenariuszy |
|
||
Utwórz lub zaimportuj DOcplex Python notebooki. |
Decision Optimization notatnik przykłady |
|
Decision Optimization eksperyment -przykłady (Modeling Assistant, Python, OPL)
Szczegółowy opis budowania, rozwiązywania i wdrażania modelu Decision Optimization za pomocą interfejsu użytkownika można znaleźć w sekcji Kurs szybkiego startu z filmami wideo.
Poniższa tabela zawiera listę przykładów Decision Optimization dostępnych w katalogu DO-samples w serwisie Decision Optimization GitHub. Wszystkie te zasoby korzystają z Decision Optimization interfejsu użytkownika eksperymentu i zawierają dane.
Aby uruchomić modele, należy powiązać instancję produktu Watson Machine Learning z projektem i powiązać obszar wdrażania z eksperymentemproduktu Decision Optimization . Użytkownik musi mieć również rolę Edytujący lub Administrator w obszarze wdrażania.
- Pobierz i rozpakuj wszystkie DO-samples na komputerze. Można również pobrać tylko jeden przykład, ale w tym przypadku nie należy go wyodrębniać.
- Otwórz projekt lub utwórz pusty projekt.
- Na karcie Zarządzanie projektu wybierz sekcję Usługi i integracje i kliknij opcję Powiąż usługę. Następnie wybierz istniejącą instancję usługi Machine Learning (lub utwórz nową). i kliknij opcję Powiąż. Po powiązaniu usługi zostanie wyświetlony komunikat o powodzeniu, a następnie można zamknąć okno Powiąż usługę .
- Wybierz kartę Zasoby .
- W sekcji Praca z modelami wybierz opcję Nowe zadanie > Rozwiąż problemy z optymalizacją .
- Kliknij opcję Plik lokalny w oknie Rozwiązywanie problemów z optymalizacją , które zostanie otwarte.
- Przejdź do folderu Model_Builder w pobranym pliku DO-samples. Wybierz odpowiedni podfolder produktu i wersji. Wybierz przykładowy plik .zip i kliknij przycisk Otwórz. Alternatywnie przeciągnij przykład do okna.
- Jeśli z projektem nie została jeszcze powiązana usługa Machine Learning , należy najpierw wybrać opcję Dodaj usługę Machine Learning , aby wybrać lub utworzyć usługę przed wybraniem obszaru wdrażania dla eksperymentu.
- Kliknij opcję Nowy obszar wdrażania, wprowadź nazwę, a następnie kliknij opcję Utwórz (lub wybierz istniejący obszar z menu rozwijanego).
- Kliknij makro Create.
Tworzony jest model Decision Optimization o takiej samej nazwie jak przykład.
| Modele dla produktu Decision Optimization | Typ problemu | Typ modelu |
|---|---|---|
| BridgeScheduling | planowanie | Modeling Assistant |
| Dieta | Mieszanie | Python |
| DietLP | Mieszanie | LP (CPLEX) |
| Rozszerzenie EnvironmentAnd | Używanie środowiska z rozszerzeniem zawierającym plik biblioteki i kod YAML. | Python |
| Planowanie HouseConstructiongospodarstw domowych | Planowanie z przypisaniem | Modeling Assistant |
| IntermediateSolutions | Włączanie rozwiązań pośrednich dla modeli CPLEX i CPO | Python |
| Przypisanie MarketingCampaign | Przypisanie zasobów (Scenariusze 1-4) Wybór i przydział (Scenariusz 4-wybór) |
Modeling Assistant |
| Wiele plików | Używanie modelu z wieloma plikami. | Python i LP |
| PastaProduction | Produkcja | OPL |
| PortfolioAllocation | Wybór i przydział | Modeling Assistant |
| Ustawienia PythonEngine | Puzzle geometryczne z dostosowanymi ustawieniami silnika | Python |
| ShiftAssignment | Przypisanie zasobów z decyzjami niestandardowymi i ograniczeniem niestandardowym | Modeling Assistant |
| StaffPlanning | Planowanie wielu scenariuszy (do użycia z CopyAndSolveScenarios.ipynb) |
Python |
| Planowanie SupplyDemand | Planowanie podaży i popytu | Modeling Assistant |
| TalentCPO | Planowanie filmów | CPO (optymalizator CP) |
Notatnik Jupyter-przykłady
- Pobierz i rozpakuj wszystkie DO-samples na komputerze. Można również pobrać tylko jeden przykład.
- Otwórz projekt lub utwórz pusty projekt.
- Wybierz kartę Zasoby .
- Wybierz opcję Nowe zadanie > Praca z danymi i modelami w notatnikach Python lub R w sekcji Praca z modelami .
- W nowym oknie wybierz kartę Z pliku .
- Nazwij notatnik, a następnie kliknij ikonę Przeciągnij i upuść pliki lub prześlij i przejdź do notatnika w folderze jupyter . Wybierz odpowiedni podfolder produktu i wersji w pobranej sekcji DO-samples. W przypadku watsonx wybierz folder Watson Studio Public.
- Kliknij opcję Utwórz. Do projektu zostanie dodany notatnik .
Python notebooki w sekcji Przykłady
Decision Optimization Python notebooki są dostępne w Przykłady. Aby użyć tych notatników w istniejącym projekcie, otwórz notatnik w obszarze Przykłady, kliknij opcję Dodaj do projektu, wybierz projekt i kliknij opcję Utwórz.