Я пытаюсь решить проблему линейного программирования с помощью COIN-OR в python. Я выполнил всю работу, но, похоже, есть ошибка, которую я не могу идентифицировать. Часто решение оказывается либо недопустимым, либо неправильным в зависимости от ограничений, которые я пытаюсь навязать. Значения, двоичная переменная также неверны, т.е. ~ 0,1 ^ 10 или ~ 0,999 .....
Пожалуйста, помогите мне найти ошибку или попробуйте руководство по ее устранению.
Я прилагаю
- zip файл (код + файл исходных данных из excel)
- слово док. для математической постановки
Основной класс Model1 принимает входные данные и создает новый выходной файл, а затем методы класса PanelTwo создают матрицу Distance и матрицу Njg.
Кажется, есть ошибка в методе конструктора класса Model1, который строит LP и решает LP
код для объявления переменных и ограничений:
M = 100000 * prob.schoolNum
sModel = []
for i in range(prob.schoolNum):
sModel.append(i)
gModel = []
for i in xrange(prob.gradeNum):
gModel.append(i)
Beta = []
for i in xrange(prob.schoolNum):
temp = 0
for j in xrange(prob.gradeNum):
temp = temp + prob.Njg[i][j]
if temp < prob.Nmax:
Beta.append(0)
else:
Beta.append(1)
# x = students of grade g transfer from school i to j
x = LpVariable.matrix("x_igj_", (sModel, gModel, sModel), 0, 1, LpBinary)
y = LpVariable.matrix("status of school", (sModel), 0, 1, LpBinary)
# o = resulting students in grade in school
o = LpVariable.matrix("o", (sModel, gModel), 0, None, LpInteger)
# oHelper = summation of o for all g rades
oHelper = LpVariable.matrix("oH", (gModel), 0, None, LpInteger)
#Njg_Helper = Total students in a particular school
Njg_helper = LpVariable.matrix("NH", (sModel), 0, None, LpInteger)
formulation = LpProblem("School Consolidation Model", LpMinimize)
formulation += lpSum(((prob.Njg[i][g] * x[i][g][j] for j in sModel) for g in gModel) for i in sModel)
for i in sModel:
for j in sModel:
for g in gModel:
formulation += x[i][g][j] * prob.D[i][j] <= prob.d1
for i in sModel:
for j in sModel:
for g in gModel:
formulation += x[i][g][j] <= y[j]
for i in sModel:
for g in gModel:
formulation += lpSum(x[i][g][j] for j in sModel) <= 1 - y[i]
for j in sModel:
formulation += ((lpSum(prob.Njg[j][g] for g in gModel) - prob.Nmax) * (1 - y[j])) <= 0
for i in sModel:
for j in sModel:
if i != j and Beta[i] * Beta[j] != 1:
formulation += (prob.D[i][j] - prob.d2) >= (y[i] + y[j] - 2) * M
for g in gModel:
formulation += lpSum(o[j][g] for j in sModel) == oHelper[g]
formulation += lpSum(prob.Njg[i][g] for i in sModel) == oHelper[g]
for j1 in sModel:
formulation += lpSum(prob.Njg[i1][g]*x[i1][g][j1] for i1 in sModel) == o[j1][g]-prob.Njg[j1][g]*y[j1]
formulation.solve()