运筹优化学习09:一个示例带你入门如何使用C++、C#、Java、Python、Matlab调用Cplex(上)

简介: 运筹优化学习09:一个示例带你入门如何使用C++、C#、Java、Python、Matlab调用Cplex

1 C++调用Cplex的在VS2010中的配置及示例代码演示

1.1 cplex在vs2010中的配置

  • 正常建立一个控制台项目
  • 在【项目--属性】下,作如下设置:
  • 【C/C++】--【常规】--【附加库目录】,添加如下两个库目录:
你的安装位置\concert\include
你的安装位置\cplex\include
  • 【C/C++】--【预处理器】--【预处理器定义】,粘贴如下内容:
WIN32
NDEBUG
_CONSOLE
_LIB
IL_STD
  • 【连接器】--【附加库目录】,选中如下两个路径:

你的安装路径\concert\lib\x86_windows_vs2010\stat_mda

你的安装路径\cplex\lib\x86_windows_vs2010\stat_mda

  • 【连接器】--【附加依赖项】,复制以下内容:
concert.lib
cplex1261.lib
ilocplex.lib

1.2 测试示例

1.2.1 测试用例

gif.png

1.2.2 测试代码

//**************************************************************//
// the test version of Cplex with C++
// time 2019-09-28
// author A & R
//*************************************************************//
#include <ilcplex/ilocplex.h>
#include<cstdlib>
#include<iostream>
ILOSTLBEGIN //#define ILOSTLBEGIN using namespace std;
int main(int argc, char **argv)
{
  IloEnv env;//construct an Cplex environment env, which belongs to a handle class IloEnv;
  try{
  IloModel model(env);// define the varies "env"
  IloNumVarArray vars(env);// define the varies vars(env), the x1, x2, x3 can be expressed with vars(0), vars(1), vars(2)
  // define the bounds of varies
  vars.add(IloNumVar(env, 0.0, 40.0));
  vars.add(IloNumVar(env));
  vars.add(IloNumVar(env));
  //objective to optimize:
  model.add(IloMaximize(env, vars[0]+2*vars[1]+3*vars[2]));//opjective: Maximize the x1+2*x2+3*x3;
  //subject to:
  model.add(-vars[0]+vars[1]+vars[2]<=20);
  model.add(vars[0]-3*vars[1]+vars[2]<=30);
  //expection processing, refer to "C++ try&catch"
  IloCplex cplex(model);
  if(!cplex.solve()){
  env.error()<<"Failed to optimize LP."<<endl;
  throw(-1);
  }
  IloNumArray vals(env);
  env.out() << "solution status = "<< cplex.getStatus() << endl;
  env.out() << "Solution value=" << cplex.getObjective() << endl;
  cplex.getValues(vals, vars);
  env.out() << "Values = " << vals << endl;
  }
  // cathch functions, refer to "C++ try&catch"
  catch(IloException&e){
  cerr << "Concert exception caught:" << e << endl;
  }
  catch(...){
  cerr << "Unknown exception caught" << endl;
  }
  env.end();
  //return 0;
  system("PAUSE");
  return EXIT_SUCCESS;
}

1.2.3 运行结果

20190928110724786.png


2 C#调用Cplex在VS2010下的配置

2.1 C#配置Cplex

这个配置比较简单,直接添加两个引用即可


你的Cplex安装目录\cplex\bin\x86_win32\ILOG.CPLEX.dll"

你的Cplex安装目录\cplex\bin\x86_win32\ILOG.Concert.dll"


2.2 算例测试及代码

2.2.1 算例代码

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using ILOG.Concert;
using ILOG.CPLEX;
namespace csCplex
{
    class Program
    {
        static void Main(string[] args)
        {
            try
            {
                //1 先创建一个Cplex空模型
                Cplex cplexModel = new Cplex();
                //2 生成决策变量并赋值
                INumVar[][] deVar = new INumVar[1][];
                double[] lowerBound = { 0.0, 0.0, 0.0};
                double[] upBound = { 40.0, double.MaxValue,double.MaxValue };
                string[] deVarName = { "x1", "x2", "x3"};
                //包含两个变量,下界,上界,变量名称
                INumVar[] X = cplexModel.NumVarArray(3, lowerBound, upBound, deVarName);
                deVar[0] = X;
                //定义模型目标函数的系数
                double[] objCoff = { 1.0, 2.0, 3.0 };
                cplexModel.AddMaximize(cplexModel.ScalProd(X, objCoff));
                //3 添加约束条件
                IRange[][] rng = new IRange[1][];
                rng[0] = new IRange[2];
                //添加小于等于约束
                rng[0][0] = cplexModel.AddLe(
                            cplexModel.Sum(cplexModel.Prod(-1.0, X[0]), cplexModel.Prod(1.0, X[1]),cplexModel.Prod(1.0, X[2])), 
                            20, "约束1");
                rng[0][1] = cplexModel.AddLe(
                            cplexModel.Sum(cplexModel.Prod(1.0, X[0]), cplexModel.Prod(-3.0, X[1]), cplexModel.Prod(1.0, X[2])),
                            30, "约束2");
                //4 导出模型
                cplexModel.ExportModel("C#调用Cplex演示示例模型.lp");
                //5 求解模型
                if (cplexModel.Solve())
                {
                    int nvars = cplexModel.GetValues(deVar[0]).Length;
                    for (int i = 0; i < nvars; i++)
                    {
                        cplexModel.Output().WriteLine("x" + i + "=" + cplexModel.GetValues(deVar[0])[i]);
                    }
                }
                cplexModel.End();
            }
            catch(ILOG.Concert.Exception e)
            {
                System.Console.WriteLine("concert exception:" + e);
            }
            finally
            {
                System.Console.WriteLine("模型求解完毕");
            }
        }
    }
}

2.2.3 运行结果

20190928120332678.png

201909281203529.png


3 Java语言调用Cplex的配置与示例演示

注意java的位数要与Cplex的位数一致,64位与32位不兼容

3.1 配置

  • 添加环境变量

您的Cplex安装路径\cplex\bin\x86_win32\cplex1261.dll

您的Cplex安装路径\cplex\lib\cplex.jar

  • 设置构建路径,【你的java项目,右键】--【Bulid Path】--【Condigure Build Path..】--【Existing Project into Workspce】--【Next】

20190928121841245.png

  • 【Add External jars】,选择你安装位置下的\cplex\lib\cplex.jar

20190928122236347.png

  • 配置库

2019092812334616.png


相关文章
|
5天前
|
存储 Java
Java入门——数据类型、自动类型转换、强制类型转换
Java入门——数据类型、自动类型转换、强制类型转换
11 2
|
2天前
|
机器学习/深度学习 算法
基于GA遗传优化的CNN-GRU的时间序列回归预测matlab仿真
摘要: 使用MATLAB2022a,展示了一种基于遗传算法优化的CNN-GRU时间序列预测模型,融合遗传算法与深度学习,提升预测精度。遗传算法负责优化模型超参数,如学习率和神经元数量,以最小化均方误差。CNN负责特征提取,GRU处理序列数据中的长期依赖。流程包括初始化、评估、选择、交叉、变异和迭代,旨在找到最佳超参数组合。
|
2天前
|
消息中间件 存储 前端开发
RabbitMQ在Java中的完美实现:从入门到精通
本文由木头左介绍如何在Java项目中使用RabbitMQ。RabbitMQ是开源的AMQP实现,支持多种客户端,适合分布式系统中的消息传递。首先需安装Erlang和RabbitMQ,接着在Java项目中添加RabbitMQ客户端库依赖。通过创建连接工厂和连接,建立与RabbitMQ的通信,并展示了创建连接和通道的代码示例。
|
3天前
|
算法
m基于PSO粒子群优化的LDPC码OMS译码算法最优偏移参数计算和误码率matlab仿真
MATLAB2022a仿真实现了Offset Min-Sum (OMS)译码算法与粒子群优化(PSO)结合,以优化偏移参数,提升LDPC码解码性能。PSO通过迭代寻找最小化误码率(BER)的最佳偏移量。核心程序运用PSO进行参数更新和适应度函数(BER)评估,最终在不同信噪比下展示OMS解码性能,并保存结果。
6 0
|
4天前
|
机器学习/深度学习 算法 数据可视化
基于GA遗传优化的CNN-LSTM的时间序列回归预测matlab仿真
摘要:该内容展示了基于遗传算法优化的CNN-LSTM时间序列预测模型在matlab2022a中的应用。核心程序包括遗传算法优化过程、网络训练、误差分析及预测结果的可视化。模型通过GA调整CNN-LSTM的超参数,提升预测准确性和稳定性。算法流程涉及初始化、评估、选择、交叉和变异等步骤,旨在找到最佳超参数以优化模型性能。
|
4天前
|
算法
基于GA-PSO遗传粒子群混合优化算法的VRPTW问题求解matlab仿真
摘要: 本文介绍了考虑时间窗的车辆路径问题(VRPTW),在MATLAB2022a中进行测试。VRPTW涉及车辆从配送中心出发,服务客户并返回,需在指定时间窗内完成且满足车辆容量限制,目标是最小化总行驶成本。文章探讨了遗传算法(GA)和粒子群优化(PSO)的基本原理及其在VRPTW中的应用,包括编码、适应度函数、选择、交叉、变异等步骤。同时,提出了动态惯性权重、精英策略、邻域搜索、多种群和启发式信息等优化策略,以应对时间窗限制并提升算法性能。
|
5天前
|
算法
m基于PSO粒子群优化的LDPC码NMS译码算法最优归一化参数计算和误码率matlab仿真
MATLAB2022a仿真实现了基于遗传优化的NMS LDPC译码算法,优化归一化参数以提升纠错性能。NMS算法通过迭代处理低密度校验码,而PSO算法用于寻找最佳归一化因子。程序包含粒子群优化的迭代过程,根据误码率评估性能并更新解码参数。最终,展示了迭代次数与优化过程的关系,并绘制了SNR与误码率曲线。
12 2
|
5天前
|
算法 调度 决策智能
基于GA-PSO遗传粒子群混合优化算法的DVRP问题求解matlab仿真
该文介绍了车辆路径问题(VRP)的优化求解,特别是动态车辆路径问题(DVRP)。在MATLAB2022a中运用GA-PSO混合优化算法进行测试,展示了运行结果图像。核心程序包含粒子更新、交叉、距离计算等步骤。DVRP在物流配送、运输调度中有广泛应用,目标是最小化行驶距离并满足车辆容量限制。遗传算法通过选择、交叉和变异操作寻找解,而粒子群优化模拟鸟群行为更新速度和位置。GA-PSO混合算法结合两者优点,提高搜索效率。在DVRP中,算法需考虑问题特性和约束,以找到高质量解。
|
5天前
|
存储 Java API
Java——Stream流(1/2):Stream流入门、Stream流的创建(认识Stream、体验Stream流、Stream流的使用步骤、获取Stream流的方法)
Java——Stream流(1/2):Stream流入门、Stream流的创建(认识Stream、体验Stream流、Stream流的使用步骤、获取Stream流的方法)
9 0
|
5天前
|
存储 Java 程序员
Java入门——基本语法(注释、字面量、变量、使用变量的注意事项、关键字、标识符)
Java入门——基本语法(注释、字面量、变量、使用变量的注意事项、关键字、标识符)
16 2