达摩院的MindOpt优化求解器发布新功能,又获第一,还免费

本文涉及的产品
模型训练 PAI-DLC,5000CU*H 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
交互式建模 PAI-DSW,每月250计算时 3个月
简介: 阿里巴巴-达摩院-决策智能实验室研发的「MindOpt优化求解器」 发布了新版本:V0.15.0,增加了「网络流求解」模块,在类似水管网、电网、公路网的调度和设计场景中可丰富应用,优化资源的使用。10月4号MindOpt首次参加了Mittelmann教授维护的业界权威求解器软件榜单的 Large Network-LP Benchmark 评测,超越Gurobi和国内竞品,获得了第一。软件在阿里云的产品平台上可自助下载,还免费!

阿里巴巴-达摩院-决策智能实验室研发的「MindOpt优化求解器」 发布了新版本:V0.15.0,增加了网络流求解模块,在类似水管网、电网、公路网的调度和设计场景中可丰富应用,优化资源的使用。10月4号MindOpt首次参加了Mittelmann教授维护的业界权威求解器软件榜单的 Large Network-LP Benchmark 评测,超越Gurobi和国内竞品,获得了第一

网络流 Large Network-LP 是什么呢?MindOpt的新功能有什么作用呢?

网络是由节点和连线构成的图。网络流是一种类比于水流或者电流的通用数学建模方法,可用于设计和调度水管网、电网、公路网。此外,还能帮我们找到最短的旅行路径、最便捷的物流、最小延迟的通讯方式,甚至还能用于提高排班排产排程的效率和提升资源分配的公平性。所以,网络流方法是交通、能源、通信、物流等多个领域的一个基础优化工具。

数学上,网络流是指图中每条边上流量,须介于上下界之间,除了指定的输入输出节点之外,其余节点的流量必须守恒。通过对流量“收费”并找到最便宜的流量,我们能够找到最短路径,最大流/最小割,最小代价最大流,最小生成树等特殊解,并能够解决资源分配问题。如果,费用是线性的,网络流便属于一种特殊的线性规划问题。这个性规划的约束矩阵中,每一列只有两个非零元素:“1”和“-1”。这种结构带来了许多优势,比如,如果解存在,则多项式时间可获得一个整数解(无需添加整数约束)!此外,普通计算机使用专用的网络流算法,就能求解极其大规模的网络流问题,并且速度比普通线性规划要快得多。Simplex Method或者Interior-Point Method虽然依旧可用,但并不是网络流问题的最好选择。

阿里巴巴旗下的菜鸟网络早已实现了用于物流优化的网络流方法。这次达摩院-决策智能实验室发布的是通用网络流线性规划求解器。不但远快于Google的OR-Tools 和 LEMON开源求解器,更能媲美目前最好的商业求解器。经过Mittelmann教授的权威测试,MindOpt网络流线性规划已经达到世界领先水平,在包括有过万节点数和过千万边的问题的测评集上,获得第一,平均速度超过第二名37%。

榜单成绩截图:
1633692694385-83ea053e-7b70-4009-ad7f-0a51df143fcc.png

重点!重点!重点!这个V0.15.0 新版本将上线在阿里云产品平台,而且依然是免费!免费!免费! 继元旦MindOpt团队在天池平台免费开放C/S后,收到了很多用户反馈需要单机运行版,MindOpt团队同学就将此版本发布到阿里云的产品平台,让广大开发者们可以自助下载求解器SDK包和获取授权码 。自助下载的MindOpt SDK升级了API,除了之前的C\C++\Python版本外,增加支持Java版本,并且在前两个版本还增加支持了建模工具 AMPL、Pyomo、PuLP。当前供下载的是V0.14.0内核,这个最新的V0.15.0版本在完成最后的评测和整理后也马上可以公开下载啦~

下载方式: 在阿里云上搜索“优化求解器”,或直通车地址:https://www.aliyun.com/product/ai/opt

同时,本次在阿里云的产品平台上,MindOpt优化求解器还发布了「黑盒优化」和「在线优化」算法,当前已支持线下输出,有需要的朋友们根据产品页面的“联系我们”了解和获取哟!

20211004114555.jpg

目录
相关文章
|
3月前
|
达摩院 供应链 安全
光储荷经济性调度问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文介绍使用MindOpt工具优化光储荷经济性调度的数学规划问题。光储荷经济性调度技术旨在最大化能源利用率和经济效益,应用场景包括分布式光伏微网、家庭能源管理系统、商业及工业用电、电力市场参与者等。文章详细阐述了如何通过数学规划方法解决虚拟电厂中的不确定性与多目标优化难题,并借助MindOpt云建模平台、MindOpt APL建模语言及MindOpt优化求解器实现问题建模与求解。最终案例展示了如何通过合理充放电策略减少37%的电费支出,实现经济与环保双重效益。读者可通过提供的链接获取完整源代码。
|
3月前
|
达摩院 BI 索引
切割问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文主要讲述了使用MindOpt工具对切割问题进行优化的过程与实践。切割问题是指从一维原材料(如木材、钢材等)中切割出特定长度的零件以满足不同需求,同时尽可能减少浪费的成本。文章通过实例详细介绍了如何使用MindOpt云上建模求解平台及其配套的MindOpt APL建模语言来解决此类问题,包括数学建模、代码实现、求解过程及结果分析等内容。此外,还讨论了一维切割问题的应用场景,并对其进行了扩展,探讨了更复杂的二维和三维切割问题。通过本文的学习,读者能够掌握利用MindOpt工具解决实际切割问题的方法和技术。
|
3月前
|
达摩院 算法 安全
智慧楼宇多目标调度问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文探讨了使用MindOpt工具优化智慧楼宇的多目标调度问题,特别是在虚拟电厂场景下的应用。智慧楼宇通过智能化技术综合考虑能耗、舒适度等多目标,实现楼宇设备的有效管理和调度。虚拟电厂作为多能源聚合体,能够参与电力市场,提供调峰、调频等辅助服务。文章介绍了如何使用MindOpt云上建模求解平台及MindOpt APL建模语言对楼宇多目标调度问题进行数学建模和求解,旨在通过优化储能设备的充放电操作来最小化用电成本、碳排放成本和功率变化成本,从而实现经济、环保和电网稳定的综合目标。最终结果显示,在使用储能设备的情况下,相比不使用储能设备的情形,成本节约达到了约48%。
|
3月前
|
达摩院 供应链 JavaScript
网络流问题--仓储物流调度【数学规划的应用(含代码)】阿里达摩院MindOpt
本文通过使用MindOpt工具优化仓储物流调度问题,旨在提高物流效率并降低成本。首先,通过考虑供需匹配、运输时间与距离、车辆容量、仓库储存能力等因素构建案例场景。接着,利用数学规划方法,包括线性规划和网络流问题,来建立模型。在网络流问题中,通过定义节点(资源)和边(资源间的关系),确保流量守恒和容量限制条件下找到最优解。文中还详细介绍了MindOpt Studio云建模平台和MindOpt APL建模语言的应用,并通过实例展示了如何声明集合、参数、变量、目标函数及约束条件,并最终解析了求解结果。通过这些步骤,实现了在满足各仓库需求的同时最小化运输成本的目标。
|
4月前
|
达摩院 安全 调度
网络流问题--交通调度【数学规划的应用(含代码)】阿里达摩院MindOpt
本文探讨了如何利用数学规划工具MindOpt解决交通调度问题。交通调度涉及网络流分析,考虑道路容量、车辆限制、路径选择等因素,以实现高效运行。通过建立数学模型,利用MindOpt云平台和建模语言MAPL,设定流量最大化目标并确保流量守恒,解决实际的调度问题。案例展示了如何分配车辆从起点到终点,同时满足道路容量约束。MindOpt Studio提供在线开发环境,支持模型构建和求解,帮助优化大规模交通调度。
|
4月前
|
达摩院
人员排班【数学规划的应用(含代码)】阿里达摩院MindOpt
本文介绍了使用阿里巴巴达摩院的MindOpt工具解决人员排班的数学规划问题。人员排班在多个行业中至关重要,如制造业、医疗、餐饮和零售等。问题涉及多种约束,包括工作需求、员工能力、工作时间限制、连续工作天数及公平性。通过MindOpt云建模平台和建模语言MindOpt APL,建立数学模型并编写代码来解决最小化总上班班次的问题。案例中展示了如何声明集合、参数、变量和约束,并给出了部分代码示例。最后,通过MindOpt求解器得到最优解,并将结果输出到CSV文件中。
|
4月前
|
存储 达摩院 供应链
排产排程问题【数学规划的应用(含代码)】阿里达摩院MindOpt
**文章摘要:** 本文探讨了使用阿里巴巴达摩院的MindOpt优化求解器解决制造业中的排产排程问题。排产排程涉及物料流动、工序安排、设备调度等多个方面,通常通过数学规划方法建模。MindOpt支持线性规划、整数规划等,能有效处理大规模数据。案例以香皂制造工厂为例,考虑了多种油脂的购买、存储和生产计划,以及价格变化和存储成本。问题通过数学建模转化为MindOpt APL代码,求解器自动寻找最优解,以最大化利润。文章还提供了代码解析,展示了解决方案的细节,包括目标函数(利润最大化)、约束条件(如生产效率、库存管理)以及结果分析。
|
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。
|
1月前
|
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。
27 1