达摩院的MindOpt优化求解器又获「线性规划」第一啦?

简介: MindOpt优化求解器又迎来新版本啦~此次发布的 V0.15.0 版本中,MindOpt 升级了单纯形法模块和内点法模块,并新发布了新模块。不仅功能增加,性能依然很强,在单纯形法评测「再夺第一」!并且还在阿里云产品平台上线,可自助下载求解器SDK包和获取授权码!实验室还有其他的成绩公开!

MindOpt优化求解器又迎来新版本啦~此次发布的 V0.15.0 版本中,MindOpt 升级了单纯形法模块和内点法模块,并新发布了新模块。不仅功能增加,性能依然很强!!!在10月3号更新的Mittelmann求解器榜单上,阿里巴巴-达摩院-决策智能实验室研发的「MindOpt优化求解器」 V0.15.0 版本在单纯形法评测再夺第一,在内点法评测有10%提升,排名第三。

优化求解器是求解决策类问题的核心算法软件,在路径规划、供应链、商品定价、资源配置等场景中发挥着关键作用,是企业提高决策能力、实现降本增效的重要工具。业界最权威的Mittelmann求解器榜单由美国亚利桑那州立大学Hans Mittelmann教授维护,榜单从数万个实际问题中精心挑出最难的优化问题作为评测数据集,吸引众多商业级求解器软件来参与评测。

新的单纯形模块针对现实决策问题的结构特点,实现了更丰富的pricing算法和新的初始基选取方法,大幅提升了求解实际问题的速度,夺得第一。新的内点法模块针对初始解、步长以及搜索方向等模块进行优化,再本次评测中性能有了10%的提升,排名第三。

榜单成绩部分截图:
1633318899828-bd5ddda9-59d0-42e2-99b7-883df64c0e7a.png


重点!重点!重点!继上一次在天池平台免费开放后,收到了很多用户反馈需要单机版,团队同学就将此版本发布到阿里云的产品平台啦。依然是免费!免费!免费!大家可以在阿里云上搜索“优化求解器”,自助下载求解器SDK包和获取授权码(直通车地址:https://www.aliyun.com/product/ai/opt)。新版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。又好用了不少,感谢大家的支持~~

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


达摩院-决策智能实验室,致力于机器学习、数学优化、时序分析、因果推断等运筹优化技术的研究与创新,构建智能决策系统、提升业务运营效率、降低运营成本。除了MindOpt优化求解器,还有其他精彩内容公布哟~

  1. 以达摩院决策智能实验室团队为核心的 “铃动时序智能团队” 今年初次参加了由清华大学联合中国计算机学会(CCF)发起的智能运维AIOps挑战赛,并获得了亚军
  2. 决策智能实验室团队和来自语言技术实验室的兄弟团队,通过结合两者在训练优化和NLP模型上的技术优势,在通用语言理解评估基准(GLUE Benchmark,https://gluebenchmark.com/leaderboard)中得分达到91.0,获得第一的成绩,截止目前也是以仅0.1分之差排第二。
  3. 团队成员在最近公布的NeurIPS会议上,有6篇优化和机器学习领域的论文被接受,其中2篇spotlight
  4. 最近,团队成员多人获得ACM、IEEE、INFORMS、POMS、达摩院的个人或者论文奖项。(注:INFOMRS为Institute for Operations Research and the Management Sciences;POMS为Production and Operations Management Society)

让我们继续期待决策智能实验室更多的作品吧~~

1633319604622-2297c497-ace5-4bb9-9089-5c1d824dc4e2.png

目录
相关文章
|
4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。
|
4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。
|
4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%。
|
4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。
|
5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。
|
5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。
|
5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。
|
7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)
|
7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。
|
2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。
35 1
下一篇
DataWorks