Python Gurobi问题-使用回调函数添加usercuts

我目前正在研究一个MILP公式，我想使用Gurobi和分支切割方法来解决这个问题。我的模型是一个经典的带时间窗的提货和交货问题（PDPTW）的变体，定义了几类有效不等式。当分支和边界解算器运行时，如果满足当前节点中的某些条件，我想添加这些不等式（即，我想添加切割）。我的问题如下：

model._vars = model.getVars() #---> added this call right before the optimization starts
model.optimize(mycallback)

def mycallback(model,where):
    if where == GRB.Callback.MIPNODE:
        status = model.cbGet(GRB.Callback.MIPNODE_STATUS)
        # If current node was solved to optimality, add cuts to strenghten
        # linear relaxation
        if status == GRB.OPTIMAL:
            this_Sol =  model.cbGetNodeRel(model._vars) # Get variables of current solution
            # Adding a cut
            model.cbCut(lhs=this_Sol[123]+this_Sol[125],sense=GRB.LESS_EQUAL,rhs=1) #---> Dummy cut just 
                                                                                    # for illustration 
                                                                                    # purposes

我的变量被定义为字典，这使得在制定约束时很容易使用它们，因为我可以很容易地使用它们的原始索引。下面提供了我如何定义变量的示例

tauOD = {}
# Start- End-Service time of trucks
for i in range(0,Nt):
    tauOD[i,0]=model.addVar(lb=0.0, ub=truckODTime[i][0],
                             vtype=GRB.CONTINUOUS,name='tauOD[%s,%s]'%(i,0))
    tauOD[i,1]=model.addVar(lb=0.0, ub=truckODTime[i][1],
                             vtype=GRB.CONTINUOUS,name='tauOD[%s,%s]'%(i,1))

一旦根据变量、约束和成本函数定义了我的模型，在一个经典的分支定界问题中，我只需使用model.optimize（）来开始这个过程。在本例中，我使用命令model.optimize（my_callback），其中my_callback是我定义的用于添加剪切的回调函数。我的问题是，由于某些原因，回调函数不喜欢定义为字典的模型变量。我发现的唯一解决方法如下：

model._vars = model.getVars() #---> added this call right before the optimization starts
model.optimize(mycallback)

def mycallback(model,where):
    if where == GRB.Callback.MIPNODE:
        status = model.cbGet(GRB.Callback.MIPNODE_STATUS)
        # If current node was solved to optimality, add cuts to strenghten
        # linear relaxation
        if status == GRB.OPTIMAL:
            this_Sol =  model.cbGetNodeRel(model._vars) # Get variables of current solution
            # Adding a cut
            model.cbCut(lhs=this_Sol[123]+this_Sol[125],sense=GRB.LESS_EQUAL,rhs=1) #---> Dummy cut just 
                                                                                    # for illustration 
                                                                                    # purposes

然后在回调中，我现在可以使用变量的顺序而不是索引检索变量，如下所示：

model._vars = model.getVars() #---> added this call right before the optimization starts
model.optimize(mycallback)

def mycallback(model,where):
    if where == GRB.Callback.MIPNODE:
        status = model.cbGet(GRB.Callback.MIPNODE_STATUS)
        # If current node was solved to optimality, add cuts to strenghten
        # linear relaxation
        if status == GRB.OPTIMAL:
            this_Sol =  model.cbGetNodeRel(model._vars) # Get variables of current solution
            # Adding a cut
            model.cbCut(lhs=this_Sol[123]+this_Sol[125],sense=GRB.LESS_EQUAL,rhs=1) #---> Dummy cut just 
                                                                                    # for illustration 
                                                                                    # purposes

前面提到的剪切只是一个虚拟示例，它表明我可以使用顺序变量来添加剪切，而不是使用它们的索引。例如，我希望能够在回调中编写一个约束，如下所示

---

x[0,3,0]+x[0,5,0]你应该用变量的dict复制变量

要获取变量索引，还必须复制一份os索引列表

试试这个：

model.\u I=model.I
模型。_J=模型.J
模型。_K=模型.K
型号。\u x=型号.x

您需要这些索引列表，以便可以循环每个目标变量x以验证某些条件。就像为模型编写法线约束一样

然后在回调中，您可以进行索引迭代：

def mycallback（型号，其中）：
如果其中==GRB.Callback.MIPNODE：
x=model.cbGetSolution（model.\u x）
对于模型中的i。\u i:
如果sum（[x[i，j，k]表示模型中的j.\u j表示模型中的k.\u k]）>1：
添加__切口（）

您应该通过DICT复制变量

要获取变量索引，还必须复制一份os索引列表

试试这个：

model.\u I=model.I
模型。_J=模型.J
模型。_K=模型.K
型号。\u x=型号.x

您需要这些索引列表，以便可以循环每个目标变量x以验证某些条件。就像为模型编写法线约束一样

然后在回调中，您可以进行索引迭代：

def mycallback（型号，其中）：
如果其中==GRB.Callback.MIPNODE：
x=model.cbGetSolution（model.\u x）
对于模型中的i。\u i:
如果sum（[x[i，j，k]表示模型中的j.\u j表示模型中的k.\u k]）>1：
添加__切口（）

谢谢@Seimetz的回答。不幸的是，我错过了一些东西。我知道我没有遵循程序，但我用我的后续问题回答了我自己的问题（见上文）。我试着用一系列的评论来回答我的后续问题，但这种方法变得容易多了。非常感谢任何额外的帮助。谢谢谢谢你@Seimetz，但我还是有点困惑。如果我理解正确，命令

model.\u x=model.x

检索我的模型的

x

类型的所有变量的列表（我认为这是比

vars=model.getVars（）

更具体的东西，它检索所有变量而不使用原始符号）。然后，在回调内部，命令

x=model.cbGetSolution（model.\ux）

获取我的所有x变量的值。我仍然不明白为什么对于I，j，k，这些仅仅是索引，我需要遵循相同的过程（请参阅下面的注释，因为我在这里没有空间了），命令

model发生了什么事情。_I=model.I

？我不是一个可变字典集，所以我想知道窗帘后面发生了什么。为什么我不能简单地将范围（0,10）中的I写成

：如果sum（[x[I，j，k]表示范围（0,10）中的j表示范围（0,10）中的k表示范围（0,10））>1:

？换句话说，我确实理解（或者至少我认为我理解）

model中发生了什么。x=model.x

，当相同的命令应用于索引I、j、k时，我不知道发生了什么。同时，非常感谢您迄今为止的帮助！

I

是一个包含I个索引的列表，就像我用作示例的范围（0,10）。假设您使用

addvars创建了
x
([i in i]，[j in j]，[k in k]）

。您可以使用

范围（0,10）

。我只是假设大小可能会改变。谢谢@Seimetz的回答。不幸的是，我遗漏了一些东西。我知道我没有遵循过程，但我回答了我自己的问题（见上文）关于我的后续问题。我尝试使用一系列注释来回答我的后续问题，但这种方法变得简单多了。非常感谢任何其他帮助。谢谢！谢谢@Seimetz，但我仍然有点困惑。如果我理解正确，命令

model.\u x=model.x

将检索所有变量的列表类型为我的模型的

x

（我认为这是比

vars=model.getVars（）

更为特殊的东西，它检索所有的模型而不使用原始的符号）。然后，在回调函数中，命令

x=model.cbGetSolution（model.\u x）

获取我所有x变量的值。我仍然不明白为什么对于I、j、k，它们只是索引，我需要遵循相同的过程（请参阅下面的注释，因为我的空间不足）命令

model.\u I=model.I

？我不是一个变量字典集，所以我想知道窗帘后面发生了什么。为什么不能