Optimization Solver:Panduan Pengguna Optimization Solver

Contoh pemanggilan command line

Pada Linux dan macOS, asumsikan Anda telah menginstal MindOpt ke direktori yang ditentukan oleh variabel lingkungan `$MINDOPT_HOME` seperti yang dijelaskan dalam dokumen instalasi:

mindopt $MINDOPT_HOME/examples/data/afiro.mps

Pada Windows:

mindopt %MINDOPT_HOME%\examples\data\afiro.mps

Contoh pemanggilan melalui C/C++/C#/Java/Python/MATLAB

V1.x

env = mindoptpy.Env()
env.start()
model = mindoptpy.read(filename, env)
model.optimize()
print(f"Nilai objektif optimal adalah: {model.objval}")
for v in x:
    print(f"{v.VarName} = {v.X}")

MDOEnv env = new MDOEnv();
MDOModel model = new MDOModel(env, filename);
model.optimize();
System.out.println("Nilai objektif optimal adalah: " + model.get(MDO.DoubleAttr.ObjVal));
MDOVar[] x = model.getVars();
for (int i = 0; i < x.length; ++i) {
    System.out.println(x[i].get(MDO.StringAttr.VarName) + " = " + x[i].get(MDO.DoubleAttr.X));
}

MDOEnv env = MDOEnv();
MDOModel model = MDOModel(env, filename);
model.optimize();
std::cout << "Optimal objective value is: " << model.get(MDO_DoubleAttr_ObjVal) << std::endl;
std::vector<MDOVar> vars = model.getVars();
for (auto v : vars) {
    std::cout << v.get(MDO_StringAttr_VarName) << " = " << v.get(MDO_DoubleAttr_X) << std::endl;
}

MDOenv* env;
MDOemptyenv(&env);
MDOstartenv(env);
MDOmodel* model;
double obj;

MDOreadmodel(env, argv[1], filename);
MDOoptimize(model);
MDOgetdblattr(model, MDO_DBL_ATTR_OBJ_VAL, &obj);
printf("Nilai objektif optimal adalah: %f\n", obj);

/* Bebaskan lingkungan. */
MDOfreemodel(model);
MDOfreeenv(env);

MDOEnv env = new MDOEnv();
MDOModel model =new MDOModel(env, filename);
model.optimize();
Console.WriteLine($"Optimal objective value is: {model.Get(MDO.DoubleAttr.ObjVal)}");
MDOVar[] vars = model.GetVars();
for (int i = 0; i < vars.Length; i++)
{
    Console.WriteLine($"{vars[i].Get(MDO.StringAttr.VarName)} = {vars[i].Get(MDO.DoubleAttr.X)}");
}

model = mindopt_read(file);
result = mindopt(model);

for v=1:length(result.X)
    fprintf('%s %d\n', model.varnames{v}, result.X(v));
end
fprintf('Optimal objective value is: %e\n', result.ObjVal);

objval = result.ObjVal;

Untuk contoh kode lengkap, lihat Selengkapnya.

V0.x

# Method 1: A new model creation method was introduced in version 0.19.0. This method provides faster cloud authentication and consumes less concurrency.
env = mindoptpy.MdoEnv()
model = mindoptpy.MdoModel(env)
model.read_prob(filename)
model.solve_prob()
model.display_results()

# Method 2: The old model creation method is still supported.
# model = mindoptpy.MdoModel()
# model.read_prob(filename)
# model.solve_prob()
# model.display_results()

//<dependency>
//    <groupId>com.alibaba.damo</groupId>
//    <artifactId>mindoptj</artifactId>
//    <version>[0.20.0,)</version>
//</dependency>
// Load the dynamic-link library, as follows:
Mdo.load("c:\\mindopt\\0.20.0\\win64_x86\\lib\\mindopt_0_20_0.dll");

// Method 1: A new model creation method was introduced in version 0.19.0. This method provides faster cloud authentication and consumes less concurrency.
// Set up the environment during program initialization, for example, in the setup phase of MapReduce.
MdoEnv env = new MdoEnv();
// Create a model.
MdoModel model = env.createModel();
model.readProb(filename)
model.solveProb();
model.displayResult();
model.free();
// The Java SDK requires you to manually release the env at the end of the program, for example, in the cleanup phase of MapReduce.
env.free();

// Method 2: The old model creation method is still supported but is marked as deprecated and will be removed in a future version.
/*
MdoModel model = new MdoModel();
model.readProb(filename)
model.solveProb();
model.displayResult();
*/

// Method 1: A new model creation method was introduced in version 0.19.0. This method provides faster cloud authentication and consumes less concurrency.
using mindopt::MdoEnv;
MdoEnv env;
MdoModel model(env);
model.readProb(filename);
model.solveProb();
model.displayResults();

// Method 2: The old model creation method is still supported.
/*
MdoModel model;
model.readProb(filename);
model.solveProb();
model.displayResults();
*/

// Method 1: A new model creation method was introduced in version 0.19.0. This method provides faster cloud authentication and consumes less concurrency.
MdoEnvPtr env;
MdoMdlPtr model;
Mdo_createEnv(&env);
Mdo_createMdlWithEnv(&model, env);
Mdo_readProb(model, filename);
Mdo_solveProb(model);
Mdo_displayResults(model);
Mdo_freeMdl(&model);
// The C SDK requires you to manually release the env.
Mdo_freeEnv(&env);

// Method 2: The old model creation method is still supported.
/*
MdoMdlPtr model;
Mdo_createMdl(&model);
Mdo_readProb(model, filename);
Mdo_solveProb(model);
Mdo_displayResults(model);
Mdo_freeMdl(&model);
*/

Untuk contoh kode lengkap, lihat dokumentasi V0.x.

Metode 1: Input melalui file

• Pemecah mendukung format MPS dan format LP, seperti file .mps dan .lp, serta versi terkompresinya, seperti .mps.gz dan .mps.bz2.

• Pemecah mendukung format .dat-s, yang digunakan dalam contoh masalah SDP.

• Pemecah mendukung format .qps, yang digunakan untuk data masalah QP.

• Modul `mindoptampl` mendukung input file .nl. Misalnya, Anda dapat menjalankan perintah mindoptampl filename.nl.

Untuk informasi lebih lanjut, lihat More.

Metode 2: Input melalui Modeling API

V1.x

Tersedia beberapa API terkait yang mendukung input data per baris (row-wise).

• Berikut adalah contoh singkat dalam Python:

  • Gunakan mindoptpy.Model.modelsense = MDO.MINIMIZE untuk mengatur fungsi objektif ke minimisasi.

  • Gunakan mindoptpy.Model.addVar() untuk menambahkan variabel optimasi dan menentukan batas bawah, batas atas, koefisien objektif, nama, serta tipe variabel tersebut.

  • Gunakan mindoptpy.Model.addConstrs() untuk menambahkan kendala.

Untuk informasi selengkapnya, lihat Selengkapnya. Untuk daftar atribut, lihat Selengkapnya. Bab API juga berisi contoh lengkap untuk setiap bahasa.

V0.x

Tersedia beberapa API terkait, dan data yang sama dapat diinput dengan berbagai cara.

• Berikut adalah contoh singkat dalam Python untuk input per baris (row-wise):

  • Gunakan mindoptpy.MdoModel.set_int_attr() untuk mengatur fungsi objektif ke minimisasi.

  • Gunakan mindoptpy.MdoModel.add_var() untuk menambahkan empat variabel optimasi dan menentukan batas bawah, batas atas, nama, serta tipe variabel tersebut.

  • Gunakan mindoptpy.MdoModel.add_cons() untuk menambahkan kendala.

• Berikut adalah contoh singkat dalam Python untuk input per kolom (column-wise):

  • Gunakan mindoptpy.MdoModel.set_int_attr() untuk mengatur fungsi objektif ke minimisasi.

  • Pertama, panggil mindoptpy.MdoModel.add_cons() untuk membuat kendala dengan nilai sisi kiri dan kanan yang ditentukan, tetapi tanpa elemen non-nol.

  • Buat objek kolom sementara mindoptpy.MdoCol() untuk menyimpan kendala dan nilai elemen non-nol secara berurutan.

  • Akhirnya, panggil mindoptpy.MdoModel.add_var() untuk membuat variabel baru beserta koefisien fungsi objektifnya, elemen non-nol dalam vektor kolom, batas bawah dan atas, nama variabel, serta tipe variabel.

Untuk informasi selengkapnya, lihat dokumentasi V0.x. Untuk daftar atribut model, lihat dokumentasi V0.x.

Metode 3: Bahasa pemodelan MindOpt APL, AMPL, Pyomo, PuLP, dan JuMP

MindOpt mendukung beberapa tool pemodelan umum, termasuk yang berikut:

1. MindOpt APL

Dukungan untuk MindOpt APL, bahasa pemodelan yang dikembangkan oleh tim MindOpt, diperkenalkan pada tahun 2022.

• Anda dapat menggunakan bahasa pemodelan dan solver ini secara gratis di browser melalui platform pemodelan dan penyelesaian online MindOpt. Platform ini juga mencakup studi kasus untuk membantu Anda memulai dengan cepat. Tidak diperlukan instalasi perangkat lunak. Cukup buka browser Anda untuk menggunakannya.

• Untuk dokumentasi sintaks lebih lanjut, lihat Selengkapnya.

2. AMPL

Sebelum menggunakan AMPL untuk memanggil MindOpt, Anda harus menginstal MindOpt dan AMPL. Aplikasi `mindoptampl` terletak di direktori \bin\mindoptampl paket instalasi. `mindoptampl` menyediakan parameter yang dapat dikonfigurasi. Anda dapat menggunakan perintah option AMPL untuk mengatur parameter mindoptampl_options. Contohnya:

ampl: option mindoptampl_options 'numthreads=4 maxtime=1e+4';

Untuk informasi dan contoh selengkapnya, lihat Selengkapnya.

3. CVXPY

Sebelum menggunakan CVXPY untuk memanggil MindOpt, Anda harus menginstal MindOpt dan CVXPY. Untuk memanggil API CVXPY MindOpt, Anda harus terlebih dahulu mengimpor file antarmuka mindopt_conif.py dan mindopt_qpif.py. Impor file-file ini dalam kode Python Anda sebagai berikut:

from mindopt_conif import *
from mindopt_qpif import *

Untuk informasi dan contoh selengkapnya, lihat Selengkapnya.

4. Pyomo

Sebelum menggunakan Pyomo untuk memanggil MindOpt, Anda harus menginstal MindOpt dan Pyomo. Untuk memanggil API Pyomo MindOpt, Anda harus menggunakan file antarmuka mindopt_pyomo.py. Antarmuka MindOpt Pyomo mewarisi dari kelas DirectSolver milik Pyomo. Kode implementasinya terdapat dalam file \lib\pyomo\mindopt_pyomo.py paket instalasi. Impor file ini dalam kode Python Anda sebagai berikut:

from mindopt_pyomo import MindoptDirect

Untuk informasi dan contoh selengkapnya, lihat Selengkapnya.

5. PuLP

Sebelum menggunakan PuLP untuk memanggil MindOpt, Anda harus menginstal MindOpt dan PuLP. Untuk memanggil API PuLP MindOpt, Anda harus menggunakan file antarmuka mindopt_pulp.py. Antarmuka MindOpt PuLP mewarisi dari kelas LpSolver milik PuLP. Kode implementasinya terdapat dalam file \lib\pulp\mindopt_pulp.py paket instalasi. Impor file ini dalam kode Python Anda sebagai berikut:

from mindopt_pulp import MINDOPT

Untuk informasi dan contoh lebih lanjut, lihat More.

6. JuMP

JuMP adalah tool pemodelan open source berbasis bahasa pemrograman Julia. Sebelum menggunakan JuMP untuk memanggil MindOpt, Anda harus menginstal MindOpt, Julia, JuMP, dan AmplNLWriter. Panggil API JuMP untuk membuat objek pemodelan dan tentukan `mindoptampl` sebagai solver.

model = Model(() -> AmplNLWriter.Optimizer(mindoptampl))

Untuk informasi selengkapnya, lihat Selengkapnya.

Referensi konfigurasi perangkat komputasi: Karakteristik algoritma berbeda untuk penyelesaian LP

Saat mengonfigurasi sumber daya mesin, jumlah sumber daya yang dikonsumsi bervariasi tergantung pada struktur masalah dan algoritma yang dipilih. Anda harus menguji dan memilih konfigurasi sesuai kebutuhan.

Untuk penyelesaian LP, kami saat ini menyediakan algoritma Simplex, Interior-Point Method (IPM), dan Concurrent optimization. Alur eksekusi ditunjukkan pada gambar "Execution flow" di bawah. Algoritma Concurrent dipilih secara default. Anda dapat mengatur parameter "Method" untuk memilih algoritma yang berbeda.

Perbedaan antara ketiga algoritma tersebut adalah sebagai berikut:

Eksekusi command line

Saat Anda menjalankan pemecah dari command line, pemecah akan mencetak output proses penyelesaian dan ringkasan hasilnya. Pemecah juga menghasilkan file hasil .bas dan .sol dengan nama yang sama di direktori yang sama dengan file masalah.

Gambar berikut menunjukkan bahwa setelah menjalankan perintah mindopt afiro.mps, file afiro.bas dan afiro.sol dihasilkan di folder tersebut. File .bas menyimpan basis, dan file .sol menyimpan nilai objektif optimal dan solusi untuk nilai variabel.

Penyelesaian melalui API dan pengambilan hasil

V1.x

Setelah menginput masalah yang akan diselesaikan, panggil API optimize() untuk menyelesaikannya. Misalnya, perintah Python-nya adalah model.optimize().

Setelah penyelesaian, Anda dapat memanggil API untuk mengambil hasilnya. Contoh berikut menggunakan Python:

• Panggil model.status untuk mengambil status solusi. Status yang mungkin termasuk UNKNOWN, OPTIMAL, INFEASIBLE, UNBOUNDED, INF_OR_UBD, dan SUB_OPTIMAL. Misalnya, MDO.OPTIMAL dalam Python.

• Gunakan model.objval untuk mengambil nilai objektif.

  • Anda juga dapat memanggil model.getAttr(MDO.Attr.PrimalObjVal) untuk mengambil nilai atribut model lainnya. Demikian pula:

    • SolutionTime: Total waktu eksekusi dalam detik

    • DualObjVal: Nilai objektif dual

    • ColBasis: Basis solusi primal

• Panggil var.X untuk mengambil solusi suatu variabel.

• Untuk daftar atribut solusi lainnya, lihat Selengkapnya.

Untuk contoh kode lengkap, lihat folder `example` dalam paket instalasi, dokumentasi di Selengkapnya, atau bab contoh dalam dokumentasi API setiap bahasa, seperti contoh Python.

V0.x

Setelah menginput masalah yang akan diselesaikan, panggil API solveProb untuk menyelesaikannya. Misalnya, perintah Python-nya adalah model.solve_prob().

Setelah penyelesaian, Anda dapat memanggil API untuk mengambil hasilnya. Contoh berikut menggunakan Python:

• Panggil model.display_results() untuk mencetak hasilnya.

• Panggil model.get_status() untuk mengambil status solusi.

• Panggil model.get_real_attr("PrimalObjVal") untuk mengambil nilai objektif primal. Demikian pula:

  • "DualObjVal": Nilai objektif dual

  • "PrimalSoln": Solusi primal

  • "ColBasis": Basis solusi primal

  • Untuk daftar atribut solusi lainnya, lihat dokumentasi V0.x

Untuk contoh kode lengkap, lihat folder `example` dalam paket instalasi atau dokumentasi.

Analisis ketidaklayakan batasan

Selama proses pemodelan dan penyelesaian, Anda mungkin menghadapi masalah tak layak (infeasible) akibat konflik kendala. Menganalisis masalah tak layak dan mengidentifikasi kendala utama yang menyebabkan konflik dapat sangat membantu dalam pemodelan. Subset minimal kendala yang menyebabkan masalah menjadi tak layak disebut irreducible infeasible system (IIS).

MindOpt menyediakan API untuk menghitung IIS. Jika suatu masalah berstatus "INFEASIBLE", Anda dapat menggunakan API compute IIS untuk menganalisis masalah tak layak tersebut. Misalnya, Anda dapat memodifikasi atau menghapus kendala dalam IIS agar masalah optimasi menjadi layak.

Berikut adalah contoh cara memanggil antarmuka IIS dalam Python:

V1.x

if model.status == MDO.INFEASIBLE or model.status == MDO.INF_OR_UBD:
    idx_rows, idx_cols = model.compute_iis()

Untuk petunjuk lengkap mengenai perhitungan IIS, lihat Selengkapnya.

V0.x

status_code, status_msg = model.get_status()
if status_msg == "INFEASIBLE":
    idx_rows, idx_cols = model.compute_iis()

Untuk petunjuk lengkap mengenai perhitungan IIS, lihat dokumentasi V0.x.

Alur eksekusi MindOpt:

Masalah optimasi yang berbeda memiliki metode penyelesaian yang berbeda, tetapi alur keseluruhan serupa. Berikut adalah contoh alur pemanggilan untuk masalah LP. Selama proses tersebut, Anda dapat mengatur parameter tertentu.