如何在CPLEX-python中添加和删除约束？

Question

我在python中使用Cplex。我已经知道如何正确编码数学优化问题并创建函数以显示友好的解决方案（F1）。当前，我想在不创建新模型的情况下修改模型的某些功能。我的想法是先求解模型P，然后求解模型P1（更改决策变量域），P2（放松一些set o约束），依此类推。我想使用我的函数F1获得这些模型的解决方案。

我的代码如下：

import time
import numpy as np
import cplex
from cplex import Cplex
from cplex.exceptions import CplexError
import sys
from openpyxl import Workbook
import xlrd

def GAP_RL(I,J,data):
    #TIEMPO INICIAL
    inicio=time.process_time() #------------------------------- INICIO DEL CONTEO DE TIEMPO
    #CONJUNTOS
    maquinas=range(I)  #CONJUNTO DE TRABAJOS
    trabajos=range(J)  #CONJUNTO DE MÁQUINAS
    #print("MÁQUINAS={} | TRABAJOS= {} |\n".format(list(maquinas),list(trabajos)))
    print("\n")
    #PARÁMETROS
    wb = Workbook()
    ws = wb.active
    book = xlrd.open_workbook(data+'.xlsx')           
    sheet = book.sheet_by_name("c")
    c_a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    c_a=np.matrix(c_a)  
    print("COSTO DE ASIGNACIÓN")      
    print("")         
    print(c_a) # ------------------------------------------------ COSTO DE ASIGNACIÓN
    print("\n")
    sheet = book.sheet_by_name("a")
    a=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    a=np.matrix(a)  
    print("UTILIZACIÓN")      
    print("")         
    print(a) #---------------------------------------------------- REQUERIMIENTOS   
    print("\n")
    sheet = book.sheet_by_name("b")
    b=[[int(sheet.cell_value(r,c)) for c in range(sheet.ncols)] for r in range(sheet.nrows)]
    b=np.matrix(b)  
    print("DISPONIBILIDAD")      
    print("")         
    print(b) #---------------------------------------------------- CAPACIDAD MÁXIMA DE PROCESO
    print("\n")

    Model=cplex.Cplex()                                                  #CREACIÓN DEL MODELO.

    Model.parameters.mip.tolerances.integrality.set(0)                   #ESPECIFICA LA CANTIDAD POR LA CUAL UNA 
                                                                         #VARIABLE ENTERA PUEDE SER DIFERENTE DE UN 
                                                                         #ENTERO Y AÚN ASÍ CONSIDERASE FACTIBLE
    Model.objective.set_sense(Model.objective.sense.minimize)            #SENTIDO DE OPTIMIZACIÓN.

    #Model.parameters.timelimit.set(float(7200))                         #TIEMPO MÁXIMO DE EJECUCIÓN [SEGUNDOS].

    #Model.parameters.mip.tolerances.mipgap.set(float(0.1))              #GAP DE TÉRMINO.

    #VARIABLES DE DECISIÓN
    x_vars=np.array([["x("+str(i)+","+str(j)+")" for j in trabajos] for i in maquinas])
    x_varnames = x_vars.flatten()
    x_vartypes='B'*I*J
    x_varlb = [0.0]*len(x_varnames)
    x_varub = [1.0]*len(x_varnames)
    x_varobj = []
    for i in maquinas:
        for j in trabajos:
            x_varobj.append(float(c_a[i,j]))
    Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames)
    #RESTRICCIONES

    #PRIMER CONJUNTO DE RESTRICCIONES: CADA TRABAJO ES ASIGNADO A UNA ÚNICA MÁQUINA.
    for j in trabajos:
        row1=[]
        val1=[]
        for i in maquinas:
            row1.append(x_vars[i,j])
            val1.append(float(1.0))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row1, val= val1)], senses = 'E', rhs = [float(1.0)])

    #SEGUNDO CONJUNTO DE RESTRICCIONES: LAS ASIGNACIONES DE TRABAJOS CONSIDERAN LA CAPACIDAD MÁXIMA DE PROCESAMIENTO DE LAS MÁQUINAS
    for i in maquinas:
        row2=[]
        val2=[]
        for j in trabajos:
            row2.append(x_vars[i,j])
            val2.append(float(a[i,j]))
        Model.linear_constraints.add(lin_expr = [cplex.SparsePair(ind = row2, val= val2)], senses = 'L', rhs = [float(b[i])])
    #RESOLVER MODELO Y EXPANDIR
    solution=Model.solve() 
    Model.write('modelo_GAP.lp') 
    #MOSTRAR SOLUCION
    def show_solution():
        print("--------------------------------------------------------------------------------------------------------------")
        print("\nVALOR FUNCIÓN OBJETIVO - COSTO TOTAL DE ASIGNACIÓN = {}".format(Model.solution.get_objective_value()))
        print("--------------------------------------------------------------------------------------------------------------")

        for i in maquinas:
            for j in trabajos:
                if(Model.solution.get_values("x("+str(i)+","+str(j)+")")!=0.0):
                    print("x("+str(i+1)+","+str(j+1)+")"+" = "+str(Model.solution.get_values("x("+str(i)+","+str(j)+")")))
        fin=time.process_time()
        tiempo=float(fin)-float(inicio)
        print("")
        print("TIEMPO DE CÓMPUTO [s]= ", float(tiempo))
    show_solution()
GAP_RL(I=2,J=7,data='data')

数据文件如下：

矩阵c_a如下：

矩阵a如下：

矩阵b为以下内容：

因此，我想知道如何在以这种方式编写的模型中进行这些更改。预先感谢。

Answer 1

这里有一些技巧可帮助您朝正确的方向前进：

1. add方法（例如Cplex.variables.add，Cplex.linear_constraints.add）返回包含包含已添加到模型的索引的迭代器。您可以使用它来记住要修改的变量或约束类的索引。例如：

   varind = list(Model.variables.add(obj = x_varobj, lb = x_varlb, ub = x_varub, types = x_vartypes, names = x_varnames))
   

2. 或者，如果为变量/约束指定名称，则可以按名称查询或修改它们。但是，这可能会导致性能下降，因此请阅读用户手册中的this部分。

3. 您可以使用Cplex.variables.set_lower_bounds和Cplex.variables.set_upper_bounds更改变量的上下限。

4. 您可以使用Cplex.linear_constraints.delete删除线性约束。

5. 最后，您可以通过将现有模型传递给Cplex构造函数来创建模型的副本（即克隆）。例如：

   Model1 = cplex.Cplex(Model)
   

Answer 2

您可以使用docplex python API非常轻松地做到这一点。

from docplex.mp.model import Model

# original model

mdl = Model(name='buses')
nbbus40 = mdl.integer_var(name='nbBus40')
nbbus30 = mdl.integer_var(name='nbBus30')
mdl.add_constraint(nbbus40*40 + nbbus30*30 >= 300, 'kids')
mdl.minimize(nbbus40*500 + nbbus30*400)

mdl.solve()



for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

#now remove the constraint

print()
print("now 0 kids instead of 300")    

mdl.get_constraint_by_name("kids").rhs=0;
mdl.solve()

for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

# and now let 's adapt to Covid19 1 seat out of 2

print("now 40 seats buses take 20 children and same ratio for 30 seats buses") 

mdl.add_constraint(nbbus40*20 + nbbus30*15 >= 300, 'kidsCov19')

mdl.solve()

for v in mdl.iter_integer_vars():
    print(v," = ",v.solution_value)

给出

nbBus40  =  6.0
nbBus30  =  2.0

now 0 kids instead of 300
nbBus40  =  0
nbBus30  =  0
now 40 seats buses take 20 children and same ratio for 30 seats buses
nbBus40  =  15.0
nbBus30  =  0

我已经使用了zoo and bus example