0 / 0
Zurück zur englischen Version der Dokumentation
Lösen und Analysieren eines Decision Optimization: das Diätproblem
Letzte Aktualisierung: 21. Nov. 2024
Lernprogramm zum Notizbuch Decision Optimization

Dieses Beispiel zeigt, wie ein Python-basiertes Modell unter Verwendung eines Beispiels erstellt und gelöst wird.

Vorbereitende Schritte

Anforderungen
Zum Bearbeiten und Ausführen von Decision Optimization -Modellen müssen die folgenden Voraussetzungen erfüllt sein:
Administrator -oder Editor -Rollen
Sie müssen über die Rolle Admin oder Editor im Projekt verfügen. Viewer von gemeinsam genutzten Projekten können nur Experimente anzeigen, aber nicht ändern oder ausführen.
watsonx.ai Laufzeitdienst
Sie müssen einen watsonx.ai Runtime-Dienst haben, der mit Ihrem Projekt verbunden ist. Sie können eine hinzufügen, wenn Sie ein Decision Optimization Experimenterstellen.
Bereitstellungsbereich
Sie benötigen einen Bereitstellungsbereich, der Ihrem Decision Optimization Experimentzugeordnet ist. Sie können einen Bereitstellungsbereich auswählen, wenn Sie ein Decision Optimization Experimenterstellen.

Informationen zu dieser Task

Dieses bekannte Optimierungsproblem ermittelt die beste Mischung von Nahrungsmitteln, um Diätanforderungen zu erfüllen und gleichzeitig die Kosten zu minimieren. Die Dateneingaben sind das Ernährungsprofil und der Preis verschiedener Nahrungsmittel sowie die minimalen und maximalen Werte für Nährstoffe in einer Diät. Das Modell wird als Minimierung eines linearen Programms dargestellt. Die in diesem Beispiel verwendeten Dateien sind in DO-samplesverfügbar.

Vorgehensweise

So erstellen und lösen Sie ein auf Pythonbasierendes Modell mithilfe eines Beispiels:

  1. Laden Sie alle DO-Beispiele auf Ihren Computer herunter und extrahieren Sie sie. Sie können auch nur die Datei diet.zip aus dem Unterordner Model_Builder für Ihr Produkt und Ihre Version herunterladen, aber extrahieren Sie sie in diesem Fall nicht.
  2. Öffnen Sie Ihr Projekt oder erstellen Sie ein leeres Projekt.
  3. Wählen Sie die Registerkarte Assets aus
  4. Wählen Sie Neues Asset > Optimierungsprobleme lösen im Bereich Mit Modellen arbeiten aus.
  5. Klicken Sie auf Lokale Datei im Fenster Optimierungsprobleme lösen , das geöffnet wird.
  6. Suchen Sie den Ordner Model_Builder in Ihren heruntergeladenen DO-samples. Wählen Sie den entsprechenden Produkt- und Versionsunterordner aus. Wählen Sie die Datei Diet.zip aus und klicken Sie auf Öffnen. Alternativ können Sie Drag and Drop verwenden.
  7. 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.
  8. Klicken Sie auf Neuer Bereitstellungsbereich, geben Sie einen Namen ein und klicken Sie auf Erstellen (oder wählen Sie einen vorhandenen Bereich aus dem Dropdown-Menü aus).
  9. Klicken Sie auf Create.
    Es wird ein Decision Optimization -Modell mit demselben Namen wie das Beispiel erstellt.
  10. In der Ansicht Daten vorbereiten werden die importierten Datenassets angezeigt.
    Diese Tabellen enthalten die Mindest- und Maximalwerte für Nährstoffe in der Ernährung (diet_nutrients), die Nährstoffe in verschiedenen Lebensmitteln (diet_food_nutrients) sowie den Preis und die Menge bestimmter Lebensmittel (diet_food).

    Tabellen mit Eingabedaten in der Ansicht 'Daten vorbereiten'

  11. Klicken Sie in der Seitenleiste auf Modell erstellen , um Ihr Modell anzuzeigen.
    Das Python-Modell minimiert die Kosten der Nahrungsmittel in der Diät und erfüllt gleichzeitig die minimalen Nährstoff- und Kalorienanforderungen.

    In der Ansicht 'Modell ausführen' angezeigtes Python -Modell für Diätproblem

    Beachten Sie auch, wie Eingaben (Tabellen in Daten vorbereiten Ansicht) und Ausgaben (in diesem Fall die Lösungstabelle, die in der Explore-Lösung angezeigt werden soll Ansicht) in diesem Modell angegeben sind.

  12. Führen Sie das Modell aus, indem Sie in der Ansicht Modell erstellen auf die Schaltfläche Ausführen klicken.

Ergebnisse

Nach Abschluss der Ausführung werden die Ergebnisse in der Ansicht Lösung erkunden angezeigt. Sie können auch auf Engine-Statistiken oder Protokoll klicken, um das Lösungsdiagramm anzuzeigen und die Protokolldateien zu überprüfen. Auf der ersten Registerkarte der Ansicht Lösung erkunden wird das Ziel (bzw. die Ziele, wenn mehrere vorhanden sind) mit seinen Werten und Gewichtungen angezeigt. Auf der Registerkarte Lösungstabellen finden Sie eine Liste der Lebensmittel und ihrer Mengen sowie die von ihnen bereitgestellten Nährstoffe.

Sie können die Lösungstabellen auch als csv-Dateien herunterladen.

Wenn Ihr Modell widersprüchliche Bedingungen enthält, werden diese auf der Registerkarte Konflikte mit den Lockerungen angezeigt, die zur Lösung des Modells erforderlich sind.

In der Visualisierungsansichtwird die Lösung als Tabelle und Diagramm auf der Seite Lösung angezeigt. Sie können Anmerkungen (Notes), andere Typen von Tabellen und Diagrammen zum Anzeigen von Eingabedaten, Lösungsdaten oder KPIs hinzufügen, indem Sie die Widgets auswählen und bearbeiten. Sie können auch verschiedene Seiten in der Visualisierungsansichterstellen. In diesem Beispiel wird unter anderem auch eine Eingabe-Seite geliefert. Weitere Informationen finden Sie unter Visualisierungsansicht in einem Decision Optimization -Experiment.

Sie können jetzt mit der Ausführung von Vergleichen zwischen verschiedenen Szenarios beginnen. Die Basislösung enthält zum Beispiel eine Mengenangabe für 'Hot Dog'. Sie könnten jetzt eine alternative Lösung für eine Person prüfen, die eine vegetarische Diät bevorzugt.

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen