优化求解器之MPS文件的格式简介

本文涉及的产品
模型训练 PAI-DLC,5000CU*H 3个月
交互式建模 PAI-DSW,5000CU*H 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
简介: 在使用MindOpt优化求解器解决实际问题时,其中重要的一环在于如何建立优化模型,以及存储优化模型以便于作为求解器的输入文件。存储优化模型的文件,其关键在于定义一种清晰的格式,用来说明优化模型的数学结构和相关的数据。接下来我们将发布一系列文章,对常见的MPS/LP等格式的模型文件和命名规范进行简要的介绍。

这篇文章是系列文章的开篇,将对MPS格式的文件进行简要的介绍。顾名思义,MPS文件是以 .mps 后缀结尾的一种文件格式,是用于表达线性和整数规划问题的一种标准格式,现在许多的优化求解器都支持这种格式。MPS文件是一种旧格式文件类型,格式是固定的列格式。下列通过一个具体的优化模型来讲述MPS文件的命名规范。


线性规划模型:

max     x1 + 2 x2 + 3 x3 + x4

s.t.       − x1 + x2 + x3 + 10 x4 ≤ 20

          x1 − 3 x2 + x3 ≤ 30

          x2 - 3.5 x4 = 0

          0 ≤ x1 ≤ 40,x2 ≥ 0,x3 ≥ 0,2 ≤ x4 ≤3



其对应的MPS文件内容为(绿色部分是小编加的解释说明,原文件中没有):

NAME       MindOptExample#NAME表示这个优化模型的名字,可不写内容

ROWS       #ROWS定义各行名字,包括目标函数与约束条件

N  obj      #N表示自由行,obj是对目标函数的命名,可任意取名

L  c1         #L表示该行小于等于, c1是对该行的命名,可任意取名

L  c2      

E  c3         #E表示该行等于

COLUMNS  #COLUMS定义各列名字

   x1               obj                 -1   c1                  -1

   x1                c2                   1  

   x2                obj                 -2   c1                   1

   x2                c2                  -3   c3                   1

   x3                obj                 -3   c1                   1

   x3                c2                   1    

   MARK0000  'MARKER'             'INTORG'

   x4                obj                 -1   c1                  10

   x4                c3                -3.5

   MARK0001  'MARKER'             'INTEND'

RHS  #RHS定义约束条件等号右边的值

   rhs               c1                  20   c2                  30              

BOUNDS #BOUNDS定义决策变量的上界或下界

UP bnd       x1                  40  #UP 表示上界

LO bnd       x4                   2  #LO 表示下界

UP bnd       x4                   3

ENDATA   #ENDATA表示MPS文件结束


结合上述优化模型来说明MPS文件的命名规范:


  1. MPS文件的内容固定从每行的第 2、5、15、25、40 和 50 列开始写,并且区分大小写。


  1. MPS文件中每行(包括目标函数和约束)和每列(变量)都有一个名字。


  1. 第一行为NAME区域,表示这个优化模型的名字,后面可以不写内容,写在第15列。


  1. ROWS用来定义每个行的名字,包括目标函数与约束条件。在 ROWS 部分,约束矩阵的每一行必须有一个行类型和指定的行名称。第2列或第3列为约束,其中
  • E 表示该行等于
  • L 表示该行小于等于, c1是对改行的命名,可以任意取名
  • G 表示该行大于等于
  • N 表示自由行, obj是对目标函数的命名,可以任意取名


  1. COLUMNS用来定义各列(变量)名字。在 COLUMNS 部分,变量名称与目标系数和所有非零约束矩阵元素一起定义。从第5列开始写,表示所在行的名字。如果变量系数为0,则不写入。
  • 第一列要空
  • 第二列表示列的名字,也就是求解变量
  • 第三列表示所在行的名字
  • 第四列表示所在行与列对应的系数
  • 其中 MARK0000‘MARKER’‘INTORG’与 MARK0001‘MARKER’ ‘INTEND’分别表示整数变量的起止
  • 第五列、第六列分别与第三列、第四列的含义相同


  1. RHS定义约束条件等号右边的值。从第5列开始写,第5列表示所在行的名字
  • 第一列要空
  • 第二列表示 rhs 名字,可以任取
  • 第三列表示所在行的名字
  • 第四列表示所在行对应的 RHS 值
  • 第五列、第六列分别与第三列、第四列的含义相同


  1. BOUNDS用来定义决策变量的上界或下界,第2列写约束条件,其中
  • UP表示小于等于
  • LO表示大于等于
  • FX表示该变量为固定值
  • FR表示该变量的范围为 ( − ∞ , ∞ )
  • MI 表示下界为负无穷
  • PL 表示上界为正无穷

另外,MPS 变量默认的范围为 [ 0 , ∞ )


  1. ENDATA表示MPS文件结束。


FREE MPS

此外,MindOpt 支持 Free MPS 格式。Free MPS 格式与 fixed MPS 格式类似,相对来说限制更少。


例如,Free MPS 格式允许定义更长的名称,或是支持指定超过12位的值。其中字段没有 fixed MPS 中严格的固定的列位置的限制,它们可以写在除第一列之外的任何地方,每个字段与下一个字段之间用一个或多个空格隔开,但是它们必须按照相同的固定格式出现。在rows和bounds的代码部分,可以是小写或大写,并且可以从任意位置开始。重复的列名有时会被跳过,并在其中放置系统自定义的名称。


但是,与MPS格式相比,Free MPS 格式有一个重要的限制:名称中不能包含空格。需要注意的是,Free MPS 解析器不能读取所有的 fixed MPS 格式,名称中的空格或以空格开头的名称在读取时可能会产生问题。


OBJSENSE

和许多其他求解器一样,MindOpt 也在 free MPS 格式中增加了一个“规则” OBJSENSE,用来指明优化方向。这是一个可选的部分,在 OBJSENSE 下方的一行将通过MAXIMIZE, MAX, MINIMIZE, MIN 关键字来指明优化方向。若未指定,则默认使用极小化方向(类似 fixed MPS 格式)。

格式如下:

OBJSENSE

MAX

此外,这个 OBJSENSE 的部分应写在 ROWS 之前。


更细节的MPS格式说明见:http://web.mit.edu/lpsolve_v5520/doc/mps-format.htm



联系我们:

邮箱:solver.damo@list.alibaba-inc.com

钉钉群:32451444

更多更新通知:https://solver.damo.alibaba.com

钉钉答疑群.png

相关文章
优化求解器之Pyomo建模工具简介
在使用优化求解器解决实际问题的过程中,通过程序接口输入优化模型往往会耗费大量时间和精力,且容易出错。为了简化这一步骤,建模语言应运而生。建模语言最初的概念是在1976年提出的,后经过不断的发展,形成了如今蓬勃的技术、产品和应用市场。建模语言往往并不对实际问题进行求解,而专注在模型建立本身,其目的是将复杂的优化问题简化为抽象的代数表达形式;让用户在开发上只需要专注于代数模型的建立,模型完成后再将数据分别引入。如此不但加快开发流程,更有效减少模型输入错误的可能性。接下来我们将发布一系列文章,对常见的AMPL, Pyomo, PuLP等建模语言进行简要的介绍。
优化求解器之Pyomo建模工具简介
|
编译器 Linux Windows
优化求解器之AMPL建模工具简介
在使用优化求解器解决实际问题的过程中,通过程序接口输入优化模型往往会耗费大量时间和精力,且容易出错。为了简化这一步骤,建模语言应运而生。建模语言最初的概念是在1976年提出的,后经过不断的发展,形成了如今蓬勃的技术、产品和应用市场。建模语言往往并不对实际问题进行求解,而专注在模型建立本身,其目的是将复杂的优化问题简化为抽象的代数表达形式;让用户在开发上只需要专注于代数模型的建立,模型完成后再将数据分别引入。如此不但加快开发流程,更有效减少模型输入错误的可能性。接下来我们将发布一系列文章,对常见的AMPL, Pyomo, PuLP等建模语言进行简要的介绍。
优化求解器之AMPL建模工具简介
|
Perl 存储 文件存储
优化求解器之LP文件的格式简介
在使用MindOpt优化求解器解决实际问题时,其中重要的一环在于如何建立优化模型,以及存储优化模型以便于作为求解器的输入文件。存储优化模型的文件,其关键在于定义一种清晰的格式,用来说明优化模型的数学结构和相关的数据。接下来我们将发布一系列文章,对常见的MPS/LP等格式的模型文件和命名规范进行简要的介绍。
优化求解器之LP文件的格式简介
|
6月前
|
达摩院 开发者 容器
「达摩院MindOpt」优化形状切割问题(MILP)
在制造业,高效地利用材料不仅是节约成本的重要环节,也是可持续发展的关键因素。无论是在金属加工、家具制造还是纺织品生产中,原材料的有效利用都直接影响了整体效率和环境影响。
「达摩院MindOpt」优化形状切割问题(MILP)
|
6月前
|
人工智能 自然语言处理 达摩院
MindOpt 云上建模求解平台:多求解器协同优化
数学规划是一种数学优化方法,主要是寻找变量的取值在特定的约束情况下,使我们的决策目标得到一个最大或者最小值的决策。
|
24天前
|
机器学习/深度学习 算法 数据可视化
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域,优化器的选择对模型性能至关重要。尽管PyTorch中的标准优化器如SGD、Adam和AdamW被广泛应用,但在某些复杂优化问题中,这些方法未必是最优选择。本文介绍了四种高级优化技术:序列最小二乘规划(SLSQP)、粒子群优化(PSO)、协方差矩阵自适应进化策略(CMA-ES)和模拟退火(SA)。这些方法具备无梯度优化、仅需前向传播及全局优化能力等优点,尤其适合非可微操作和参数数量较少的情况。通过实验对比发现,对于特定问题,非传统优化方法可能比标准梯度下降算法表现更好。文章详细描述了这些优化技术的实现过程及结果分析,并提出了未来的研究方向。
22 1
|
4月前
|
人工智能 算法 调度
优化问题之如何选择合适的优化求解器
优化问题之如何选择合适的优化求解器
|
4月前
|
调度 决策智能
优化问题之优化求解器有哪些主要的评估特性
优化问题之优化求解器有哪些主要的评估特性
|
达摩院 调度
使用达摩院MindOpt优化交通调度_最大化通行量—线性规划问题
在数学规划中,网络流问题是指一类基于网络模型的流量分配问题。网络流问题的目标是在网络中分配资源,使得网络的流量满足一定的限制条件,并且使得某些目标函数最小或最大化。网络流问题通常涉及一个有向图,图中每个节点表示一个资源,每条边表示资源之间的关系。边上有一个容量值,表示该边上最多可以流动的资源数量。流量从源节点开始流出,经过一系列中间节点,最终到达汇节点。在这个过程中,需要遵守一定的流量守恒和容量限制条件。
|
6月前
|
存储 达摩院 调度
「达摩院MindOpt」优化FlowShop流水线作业排班问题
在企业在面临大量多样化的生产任务时,如何合理地安排流水线作业以提高生产效率及确保交货期成为了一个重要的问题。
「达摩院MindOpt」优化FlowShop流水线作业排班问题