CPLEX与Python API-如何使模型制定更快？

我转向CPLEX，因为我有一个相当大的线性问题要解决。
如果我们使用符号：

最小化：c^T*x

---

受制于：A_ub*xDocplex有一个CplexTransformer类（Docplex.mp.sktrans.transformers.py），该类从矩阵和成本向量构建并求解线性模型。 它接受numpy矩阵、pandas数据帧和scipys的稀疏coo矩阵 （对于非常稀疏的矩阵，coo矩阵公式确实有帮助）

下面是一个非常小的代码片段，显示了CplexTransformer的使用：

# ----- a very small CplexTransformer example
from docplex.mp.sktrans.transformers import CplexTransformer
import scipy.sparse as sp


def solve_cpxtrans_sparse_coo():
    xs = [0, 0, 1, 1, 0, 1]
    ys = [0, 1, 1, 2, 3, 3]
    dd = [1, 1, 1, 1, 5, 7]
    spm = sp.coo_matrix((dd, (xs, ys)), shape=(2, 4))
    ubs = 10
    res = CplexTransformer(sense="min").transform(spm, y=[3, 2, 1], ubs=ubs, sense='ge')
    print(res)
    xs= res['value'].tolist()
    print(xs)

---

假设A_ub是稀疏矩阵

a_rows = A_ub.row.tolist()
a_cols = A_ub.col.tolist()
a_vals = A_ub.data
list_rhs = list(b_ub)
problem.linear_constraints.add(rhs=list_rhs, senses=['L'] * n_less_cons)
problem.linear_constraints.set_coefficients(zip(a_rows, a_cols, a_vals))

---

你可以试试。在我的例子中效果更好。

这里讨论了相同的问题：。

---

这个问题似乎仍然没有解决办法

不幸的是，这个类似乎只是一个很好的包装器。在引擎盖下，它只是再次分解成行的numpy/scipy/pandas结构，创建问题并解决问题。与我在没有

CplexTransformer

的情况下的实现所花费的时间相同。有一件事会有所帮助，那就是关闭“CplexTransformer”。对于CPLEX Python API，默认情况下它是“打开”的。这可以通过在创建

problem

@rkersh之后添加

problem.parameters.read.datacheck.set（problem.parameters.read.datacheck.values.off）

来完成，谢谢！这并不能完全解决问题，但至少将准备时间减少了约40%。所以，现在整个过程大约需要22秒（从30秒下降）。但是它仍然比开源GLPK慢。顺便问一下，你的矩阵是否完全密集（即没有零）？如果不是，您可以直接构建稀疏阵列，您应该会获得更好的性能。此外，按列而不是按行构建模型的速度稍微快一些。上面的“直接构建稀疏数组”意味着你可以使用和朋友，例如。Ryan关于矩阵是否完全密集的问题从未得到回答。如果矩阵不是完全稠密的，但其中有大量的零，那么如果构建SparsePair实例时不包含任何零，则运行速度会快得多。在numpy中将矩阵创建为稀疏矩阵可能会使此操作更简单。

a_rows = A_ub.row.tolist()
a_cols = A_ub.col.tolist()
a_vals = A_ub.data
list_rhs = list(b_ub)
problem.linear_constraints.add(rhs=list_rhs, senses=['L'] * n_less_cons)
problem.linear_constraints.set_coefficients(zip(a_rows, a_cols, a_vals))