Optimization 锌矿模型的优化

我有一个迷你锌模型，它应该找到d[1..n]和o[1..k，0..n]，这样 x[k]=o[k，0]+d[1]*o[k，1]+d[2]*o[k，2]。。。d[n]+o[k，n]和o[k，i]的绝对值之和最小化

我有许多不同的x[I]和d[1..n]对于所有的x[I]和d[1..n]应该保持不变

我有一个工作模型，粘贴在下面，它在n=2的情况下很快（不到一秒钟）找到了一个很好的解决方案。但是，如果我在一小时后转到n=3（代码中的num_dims），我没有得到任何答案，除了一个简单的答案（xi=o0），即使这个问题有点递归，对于2维的一个好的答案可以作为3维的起点，通过使用O0作为席西，对于一个新的2维问题。 我以前使用过Minizing，但是，我没有OR或优化方面的背景，因此我真的不知道如何优化我的模型。对于如何做到这一点的任何提示，我都会很有帮助，可以通过添加约束或以某种方式指导搜索。有没有办法在Minizing中调试此类性能问题

我当前的型号：

% the 1d offsets
array [1 .. num_stmts] of int : x;
x = [-10100, -10001, -10000, -9999, -9900, -101, -100, -99, -1, 1, 99, 100, 101, 9900, 9999, 10000, 10001, 10100];
int : num_stmts = 18;

% how many dimensions we decompose into
int : num_dims = 2;

% the dimension sizes
array [1 .. num_dims] of var int : dims;

% the access offsets
array [1 .. num_stmts, 1 .. num_dims] of var int : offsets;

% the cost function: make access distance (absolute value of offsets) as small as possible
var int : cost = sum (s in 1 .. num_stmts, d in 1 .. num_dims) (abs(offsets[s,d]));

% dimensions must be positive
constraint forall (d in 1 .. num_dims) (dims[d] >= 0);

% offsets * dimensions must be equal to the original offsets
constraint forall (s in 1 .. num_stmts) (
  x[s] = offsets[s,1] + sum(d in 2 .. num_dims) (offsets[s,d] * dims[d-1])
 );

% disallow dimension crossing
constraint forall (s in 1 .. num_stmts, d in 1 .. num_dims) (
  abs(offsets[s,d]) < dims[d]
 );

% all dims together need to match the array size
constraint product (d in 1..num_dims) (dims[d]) = 1300000;

solve minimize cost;

output ["dims = ", show(dims), "\n"] ++
       [ if d == 1 then show_int(6, x[s]) ++ " = " else "" endif ++ 
       " " ++ show_int(4, offsets[s, d]) ++ if d>1 then " * " ++ show(dims[d-1]) else "" endif ++
       if d == num_dims then "\n" else " + " endif  |
   s in 1 .. num_stmts, d in 1 .. num_dims];

%1d偏移量
int:x的数组[1..num_stmts]；
x=[-10100，-10001，-10000，-9999，-9900，-101，-100，-99，-99，-1，1，99，100，101，9900，9999，10000，10001，10100]；
int:num_stmts=18；
%我们分解成多少个维度
int:num_dims=2；
%尺寸
变量int的数组[1..num_dims]：dims；
%访问偏移量
变量int:offset的数组[1..num_stmts，1..num_dims]；
%成本函数：使访问距离（偏移的绝对值）尽可能小
var int：成本=总和（1..num stmts中的s，1..num dims中的d）（绝对值（偏移量[s，d]）；
%维度必须为正
对所有（1..num_dims中的d）的约束（dims[d]>=0）；
%偏移*尺寸必须等于原始偏移
1..num stmts中的所有约束(
x[s]=偏移量[s，1]+和（2..num_dims中的d）（偏移量[s，d]*dims[d-1]）
);
%不允许维度交叉
所有（1..num\u stms中的s，1..num\u dims中的d）的约束(
abs（偏移量[s，d]）1，则“*”++show（dims[d-1]）else”结束++
如果d==num_dims，则“\n”else“+”endif|
1..num_stmts中的s，1..num_dims中的d]；

您正在使用Minizing IDE吗？您是否尝试过使用不同的解算器

我正在努力解决将

n

随机正整数分成

m

组（

m

）的问题，其中每组的总和应尽可能接近其他数字

---

当

n

达到100左右和

m

达到10左右时，所需时间明显延长（30分钟+），结果不令人满意。这是使用默认的Gecode（捆绑）解算器。碰巧，我检查了每个解算器，发现投币或CBC（捆绑）在15秒内找到了最佳解决方案。

您是否使用Minizing IDE？您是否尝试过使用不同的解算器

我正在努力解决将

n

随机正整数分成

m

组（

m

）的问题，其中每组的总和应尽可能接近其他数字

---

当

n

达到100左右和

m

达到10左右时，所需时间明显延长（30分钟+），结果不令人满意。这是使用默认的Gecode（捆绑）解算器。碰巧，我检查了每个解算器，发现投币或CBC（捆绑）在15秒内找到了最佳解决方案。

您对决策变量

dims

和

偏移量

的期望值是多少？与其使用

int

，不如限制它们的值域。确保产品

偏移量[s，d]*dims[d-1]

不会溢出。限制DIM和偏移量可以解决问题，即，如果我将它们设置在-200..200的范围内。对于这个特定的问题，我知道正确的答案是dims=[100100130]，我可以做到。但是，一般来说，每个DIM都可能大到1300000，这会导致整数溢出。遗憾的是Minizing似乎不支持bignum算法。使用以下策略而不是“求解最小化成本”，Gecode在大约25秒内求解“num_dims=8”：“solve:：int_search（dims，first_fail，indomain_split，complete）最小化成本”；然而，num_dims高达8的所有解决方案的成本均为80。这是正确的吗？如果是这样，则可以在模型中使用。您希望决策变量

dims

和

偏移量

的值是多少？与其使用

int

，不如限制它们的值域。确保产品

偏移量[s，d]*dims[d-1]

不会溢出。限制DIM和偏移量可以解决问题，即，如果我将它们设置在-200..200的范围内。对于这个特定的问题，我知道正确的答案是dims=[100100130]，我可以做到。但是，一般来说，每个DIM都可能大到1300000，这会导致整数溢出。遗憾的是Minizing似乎不支持bignum算法。使用以下策略而不是“求解最小化成本”，Gecode在大约25秒内求解“num_dims=8”：“solve:：int_search（dims，first_fail，indomain_split，complete）最小化成本”；然而，num_dims高达8的所有解决方案的成本均为80。这是正确的吗？如果是，则可以在模型中使用。