CN112818280A - 一种信息处理方法以及相关设备 - Google Patents
一种信息处理方法以及相关设备 Download PDFInfo
- Publication number
- CN112818280A CN112818280A CN201911129371.9A CN201911129371A CN112818280A CN 112818280 A CN112818280 A CN 112818280A CN 201911129371 A CN201911129371 A CN 201911129371A CN 112818280 A CN112818280 A CN 112818280A
- Authority
- CN
- China
- Prior art keywords
- decision variable
- solver
- model
- problem model
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 46
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 230000009977 dual effect Effects 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims description 150
- 238000004422 calculation algorithm Methods 0.000 claims description 83
- 238000000354 decomposition reaction Methods 0.000 claims description 75
- 238000003462 Bender reaction Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000013461 design Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 108091071337 20 family Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开一种信息处理方法以及相关设备,该方法可用于最优解规划领域中,方法可以包括:获取目标规划模型的主问题模型和子问题模型,对主问题模型以及子问题模型进行求解,在确定目标规划模型的目标函数满足收敛条件的情况下,将第二求解器输出的对偶值与预设值相乘,并利用更新后的对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,重复执行对主问题模型以及子问题模型进行求解以及收敛性判断步骤,直至目标函数满足收敛条件,输出第一决策变量和第二决策变量的当前最优解,将对偶值与预设值相乘,提高了目标函数的收敛速度,大大缩短了获得决策变量的最优解的时间。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种信息处理方法以及相关设备。
背景技术
工业界的很多领域中都会存在多决策变量优化问题,这些问题建模成目标规划模型后,往往涉及多种决策变量,为了能够得到前述多种决策变量的最优解,目前往往通过奔德斯分解算法(Benders Decomposition)对目标规划模型中多种决策变量进行求解。
具体的,当利用Benders分解算法对多种决策变量进行求解的过程中,会通过嵌套循环的方式来进行求解,作为示例,例如采用Benders分解算法对九个决策变量进行求解,则需要先将九个决策变量中的一个目标决策变量视为一类变量,将剩余八个决策变量视为一类变量,得到九个决策变量中的一个目标决策变量的最优解,再将剩余八个决策变量中的一个目标决策变量视为一类变量,将剩余七个决策变量视为一类变量,得到八个决策变量中的一个目标决策变量的最优解,重复前述步骤直至得到每个决策变量的最优解。
而由于目标规划模型中的决策变量种类很多,采用Benders分解算法来获得每个决策变量的最优解会花费大量的时间,一种高效的最优解获取方法亟待推出。
发明内容
本申请实施例提供了一种信息处理方法以及相关设备,用于将子问题模型直接输入到求解器中,以触发求解器将子问题模型中的所有决策变量视为一类变量进行打包并求解;且将对偶值与预设值相乘,利用更新后的对偶值生成新的约束条件,提高了目标函数的收敛速度,大大缩短了获得决策变量的最优解的时间。
为解决上述技术问题,本申请实施例提供以下技术方案:
第一方面,本申请实施例提供一种信息处理方法,可用于最优解规划领域中,客户端可以通过展示界面展示目标规划模型的接收控件,从而客户端可以通过前述接收控件获取到用户输入的目标规划模型,其中,目标规划模型包括第一目标函数和第一约束条件;之后客户端会根据获取到的目标规划模型生成主问题模型和子问题模型,具体的,可以为客户端根据至少一个第一决策变量、接口变量的阈值以及目标规划模型生成主问题模型,根据至少一个第二决策变量和目标规划模型生成子问题模型,其中,第一决策变量指的是用于生成主问题模型的决策变量,接口变量为目标函数包括的多个单项式中存在第二决策变量的单项式的和,第二决策变量指的是用于生成子问题模型的决策变量,更具体的,可以为客户端根据预设选择规则从第一目标函数的所有决策变量中选择至少一个第一决策变量和至少一个第二决策变量,并对接口变量的阈值进行预估,也可以为客户端通过展示界面获取用户输入的至少一个第一决策变量、接口变量的阈值以及至少一个第二决策变量;在得到主问题模型和子问题模型之后,客户端可以利用第一求解器对主问题模型进行求解,得到主问题模型中存在的至少一个第一决策变量的当前最优解,将第一决策变量的当前最优解和子问题模型输入第二求解器,其中,子问题模型用于触发第二求解器将子问题模型中存在的所有第二决策变量打包,并利用第一决策变量的当前最优解对第二决策变量进行对偶求解,从而客户端可以获取第二求解器返回的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,对偶值为子问题模型的对偶模型中存在的第三决策变量的当前最优解,对偶求解指的是求解器生成子问题模型的对偶模型,进而求解器利用子问题模型以及子问题模型的对偶模型进行求解,具体的,子问题模型和对偶模型之间存在对应关系,若子问题模型是求最大值,则对偶模型是求最小值,若子问题模型是求最小值,则对偶模型是求最大值,子问题模型的第三目标函数中的多个第二决策变量的系数变成对偶模型的约束条件中的右边项,子问题模型的第三约束条件中的右边项变成对偶模型的目标函数中的决策变量的系数,对偶模型的系数矩阵是子问题模型的系数矩阵的转置;在根据至少一个第一决策变量和至少一个第二决策变量的最优解,确定目标函数不满足收敛条件的情况下,客户端将对偶值与预设值相乘,得到更新后的对偶值,其中,预设值的取值可以为10n,n 的取值可以为5、6或7;进而客户端利用更新后的对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件,进而利用更新后的主问题模型的约束条件对主问题求解,得到该次主问题的第一决策变量的当前最优解,根据该次得到的主问题的第一决策变量的当前最优解对子问题模型进行对偶求解,继而根据第一决策变量和第二决策变量的当前最优解,确定目标规划模型的目标函数是否满足收敛条件,在不满足收敛条件的情况下,再次生成新约束条件,客户端重复前述步骤,直至确定目标函数满足收敛条件,通过展示界面输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,具体的,客户端可以通过表格、纯文本或条形图的形式直接在展示界面上展示第一决策变量和第二决策变量的当前最优解,也可以为生成包含第一决策变量和第二决策变量的当前最优解的文件之后,在展示界面上展示与前述文件对应的图标,从而用户可以通过前述图标对文件执行打开操作、复制操作或发送操作,客户端还可以通过语音播放的形式向用户输出第一决策变量和第二决策变量的当前最优解。
本实现方式中,获取目标规划模型的主问题模型和子问题模型,进而直接将子问题模型直接输入到第二求解器中,以触发第二求解器对子问题模型中的所有第二决策变量打包,并对第二决策变量进行求解,也即求解器将子问题模型中的所有决策变量视为一类变量进行求解;且在根据第一决策变量和第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,将第二求解器返回的对偶值与预设值相乘,利用更新后的对偶值生成主问题模块的新的约束条件,提高了目标函数的收敛速度,从而大大缩短了获得决策变量的最优解的时间。
在第一方面的一种可能实现方式中,客户端在根据目标规划模型生成主问题模型和子问题模型之前,可以通过展示界面展示第一决策变量和接口变量的阈值的接收控件,从而客户端可以通过展示界面上展示的第一决策变量和接口变量的阈值的接收控件,获取到至少一个第一决策变量和接口变量的阈值,其中,接口变量为目标规划模型的目标函数包括的多个单项式中存在第二决策变量的单项式的和,具体的,客户端通过前述接收控件接收的可以为包括第一决策变量和接口变量的阈值的文件,也可以分别展示有直接接收用户输入的第一决策变量的接收控件和接口变量的阈值的接收控件,第一决策变量和接口变量的阈值的接收控件均为文本框形式的,第一决策变量的接收控件也可以为选择按钮形式的,接口变量的阈值的接收控件可以表现为选择框的形式,第一决策变量和接口变量的阈值的接收控件还可以均为语音接收控件,第一决策变量和接口变量的阈值的接收控件也可以为上述多种实现方式的任意组合;则客户端根据目标规划模型生成主问题模型可以包括:客户端根据目标分解算法,利用获取到的至少一个第一决策变量、接口变量的阈值以及目标规划模型生成主问题模型,目标分解算法是基于奔德斯Benders分解算法得到的,具体的,客户端可以根据目标分解算法,利用获取到的至少一个第一决策变量和目标规划模型的第一目标函数生成主问题模型的第二目标函数,利用至少一个第一决策变量、接口变量的阈值和目标规划模型的第一约束条件生成主问题模型的第二约束条件,其中,在至少一个第一决策变量和至少一个第二决策变量完全不重叠的情况下,目标分解算法为Benders分解算法,在至少一个第一决策变量和至少一个第二决策变量中存在相同决策变量的情况下,目标分解算法与Benders分解算法类似,区别在于Benders分解算法中用于生成主问题模型的第一决策变量和用于生成子问题模型的第二决策变量是完全不重叠的,而目标分解算法中,至少一个第一决策变量和至少一个第二决策变量中可以存在相同的决策变量。
本实现方式中,通过上述方式,提供了客户端生成主问题模型的具体实现方式,提高了本方案的可实现性;进一步地,在至少一个第一决策变量和接口变量的阈值为用户通过展示界面输入的情况下,提高了生成主问题模型的效率,且提高了主问题模型生成过程的灵活性,有利于提高用户粘度。
在第一方面的一种可能实现方式中,客户端根据目标规划模型生成主问题模型和子问题模型之前,还可以通过展示界面展示有第二决策变量的接收控件,从而客户端可以接收用户输入的至少一个第二决策变量,具体的,客户端通过前述接收控件接收的可以为包括第二决策变量的文件,也可以分别展示有直接接收用户输入的第二决策变量的接收控件,具体可以为文本框形式的,也可以为图标形式的,还可以为语音控件形式的;则客户端根据目标规划模型生成子问题模型,可以包括:客户端根据目标分解算法,利用获取到的至少一个第二决策变量和目标规划模型生成子问题模型,目标分解算法是基于Benders分解算法得到的,具体的,客户端根据目标分解算法,利用获取到的至少一个第二决策变量和目标规划模型的第一目标函数生成子问题模型的第三目标函数,利用至少一个第二决策变量和目标规划模型的第一约束条件生成子问题模型的第三约束条件。本实现方式中,通过前述方式,提供了客户端生成子问题模型的具体实现方式,提高了本方案的可实现性;进一步地,在至少一个第二决策变量为用户通过展示界面输入的情况下,提高了生成子问题模型的效率,且提高了子问题模型生成过程的灵活性,有利于提高用户粘度。
在第一方面的一种可能实现方式中,客户端将主问题模型输入第一求解器之前,可以根据主问题模型的第二约束条件,将主问题模型解耦成至少两个子模型,其中,每个子模型中包括至少一个第一决策变量,不同的子模型中的第一决策变量以及约束条件互相均不重叠;进而客户端调用至少两个求解器,将至少两个子模型中的每个模型分别输入到不同的求解器中,客户端所在的终端设备可以通过至少两个并行的进程来运行至少两个并行的求解器,从而至少两个求解器可以并行对至少两个子模型进行求解,客户端在获取到至少两个求解器返回的第一决策变量的当前最优解之后,将所有第一决策变量的当前最优解进行拼接,得到主问题模型中存在的至少一个第一决策变量的当前最优解。本实现方式中,通过前述方式,可以降低第二约束条件的稀疏程度,以提高第一决策变量的当前最优解的质量;此外,通过至少两个求解器并行对至少两个子模型进行求解,可以提高对主问题模型进行求解过程的效率。
在第一方面的一种可能实现方式中,至少一个第一决策变量和至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。本实现方式中,若至少一个第一决策变量和至少一个第二决策变量中存在相同的变量,则主问题模型和子问题模型的约束条件中可以存在相同的约束条件,从而增强了主问题模型与子问题模型之间的紧密度,使得最后得到的多个决策变量的最优解保持目标规划模型中主问题模型和子问题模型之间的约束关系。
在第一方面的一种可能实现方式中,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量。
在第一方面的一种可能实现方式中,至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
在第一方面的一种可能实现方式中,目标规划模型的目标函数的收敛条件为目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值,其中,预设阈值的取值为10-3、10-4或10-5。本实现方式中,通过前述方式,提供了目标函数的收敛条件的具体实现方案,增强了本方案的可实现性。
在第一方面的一种可能实现方式中,第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。本实现方式中,公开了多个用于求解的求解器,提高了本方案的可执行性,也提高了本方案的选择灵活性。
第二方面,本申请实施例提供了一种信息处理装置,可用于最优解规划领域中,信息处理装置包括获取模块、放大模块、更新模块和输出模块,其中,获取模块,用于获取目标规划模型的主问题模型和子问题模型,其中,主问题模型中存在至少一个第一决策变量,子问题模型中存在至少一个第二决策变量;获取模块,还用于调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解;获取模块,还用于调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,至少一个对偶值为子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,第三决策变量与第一决策变量对应;放大模块,用于在根据至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,将至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值;更新模块,用于利用更新后的至少一个对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件;输出模块,用于重复执行将包括更新后的约束条件的主问题模型输入第一求解器、将子问题模型和更新后的至少一个第一决策变量的当前最优解输入第二求解器以及更新主问题模型的约束条件的步骤,直至确定目标规划模型的目标函数满足收敛条件,输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
在第二方面的一种可能实现方式中,获取模块,具体用于获取目标规划模型、至少一个第一决策变量和接口变量的阈值,其中,接口变量为目标规划模型的目标函数包括的多个单项式中存在第二决策变量的单项式的和;根据目标分解算法,利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型,目标分解算法是基于奔德斯Benders分解算法得到的。
在第二方面的一种可能实现方式中,获取模块,具体用于:获取目标规划模型和至少一个第二决策变量,根据目标分解算法,利用目标规划模型和至少一个第二决策变量生成子问题模型,目标分解算法是基于Benders分解算法得到的。
在第二方面的一种可能实现方式中,装置还包括:解耦模块,用于将主问题模型解耦成至少两个子模型;获取模块,具体用于调用至少两个求解器,将至少两个子模型并行输入至少两个求解器中,获取至少两个求解器输出的至少一个第一决策变量的当前最优解。
在第二方面的一种可能实现方式中,至少一个第一决策变量和至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。
在第二方面的一种可能实现方式中,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量。
在第二方面的一种可能实现方式中,至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
在第二方面的一种可能实现方式中,目标规划模型的目标函数的收敛条件为目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。
在第二方面的一种可能实现方式中,第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。
对于本申请第二方面提供的信息处理装置的组成模块执行第二方面以及第二方面的各种可能实现方式的具体实现步骤,均可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再一一赘述。
第三方面,本申请实施例提供了一种执行设备,可以包括处理器、存储器和输出接口,处理器,用于获取目标规划模型的主问题模型和子问题模型,其中,主问题模型中存在至少一个第一决策变量,子问题模型中存在至少一个第二决策变量,从存储器中获取第一求解器的接口,基于第一求解器的接口调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解,并从存储器中获取第二求解器的接口,基于第二求解器的接口调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,至少一个对偶值为子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,第三决策变量与第一决策变量对应;处理器在根据至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,从存储器中获取预设值,将至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值,并利用更新后的至少一个对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件;处理器重复执行将包括更新后的约束条件的主问题模型输入第一求解器、将子问题模型和更新后的至少一个第一决策变量的当前最优解输入第二求解器以及更新主问题模型的约束条件的步骤,直至确定目标规划模型的目标函数满足收敛条件,通过输出接口输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
在第三方面的一种可能实现方式中,处理器,具体用于获取目标规划模型、至少一个第一决策变量和接口变量的阈值,并根据目标分解算法,利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型,其中,接口变量为目标规划模型的目标函数包括的多个单项式中存在第二决策变量的单项式的和,目标分解算法是基于奔德斯Benders分解算法得到的。
在第三方面的一种可能实现方式中,处理器,具体用于获取目标规划模型和至少一个第二决策变量,并根据目标分解算法,利用目标规划模型和至少一个第二决策变量生成子问题模型,目标分解算法是基于Benders分解算法得到的。
在第三方面的一种可能实现方式中,处理器,还用于将主问题模型解耦成至少两个子模型;处理器,具体用于从存储器中获取至少两个求解器的接口,基于至少两个求解器的接口调用至少两个求解器,将至少两个子模型并行输入至少两个求解器中,获取至少两个求解器输出的至少一个第一决策变量的当前最优解。
对于本申请第三方面提供的执行设备的组件执行第三方面以及第三方面的各种可能实现方式的具体实现步骤,均可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再赘述。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面所述的信息处理方法。
第五方面,本申请实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面所述的信息处理方法。
第六方面,本申请实施例提供了一种电路***,电路***包括处理电路,处理电路配置为执行上述第一方面所述的信息处理方法。
第七方面,本申请提供了一种芯片***,该芯片***包括处理器,用于支持服务器或信息处理装置实现上述方面中所涉及的功能,例如,发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中,所述芯片***还包括存储器,所述存储器,用于保存服务器或通信设备必要的程序指令和数据。该芯片***,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
图1为本申请实施例提供的信息处理***的一种网络结构示意图;
图2为本申请实施例提供的信息处理方法的一种流程示意图;
图3为本申请实施例提供的信息处理方法的客户端的一种界面示意图;
图4为本申请实施例提供的信息处理方法的另一种流程示意图;
图5为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的一种实验数据对比图;
图6为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的另一种实验数据对比图;
图7为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的又一种实验数据对比图;
图8为本申请实施例提供的信息处理装置的一种结构示意图;
图9为本申请实施例提供的信息处理装置的另一种结构示意图;
图10为本申请实施例提供的执行设备一种结构示意图。
具体实施方式
本申请实施例提供了一种信息处理方法以及相关设备,用于将子问题模型直接输入到求解器中,以触发求解器将子问题模型中的所有决策变量视为一类变量进行打包并求解;且将对偶值与预设值相乘,利用更新后的对偶值生成新的约束条件,提高了目标函数的收敛速度,大大缩短了获得决策变量的最优解的时间。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本申请可以应用于多种利用目标规划函数对多种决策变量进行调度的应用场景中,作为示例,例如本申请可以应用于制造企业生产调度***、电力调度规划***、半导体生产调度***或者其他利用目标规划函数对多种决策变量进行调度的场景中。为进一步理解本方案,此处以应用于制造企业生产调度***为例,对本方案的应用场景做详细描述,例如客户需求是在三天内制造2000台个人计算机(personal computer,PC)、1000台主机以及800台笔记本,物料组装关系是1台PC需要配1台主机。现有两家工厂甲和工厂乙,他们分别能加工PC和主机以及主机和笔记本,甲工厂每天只能加工最多1000台PC或主机,乙工厂每天只能加工最多1000台主机或笔记本。那么本应用场景中的三个目标规划函数分别以最小化加工成本、加工时间以及最大化订单满足率(即按时按量交付客户的需求)为目标,结合客户的订单需求、制造企业现有的原材料、甲工厂的产能、乙工厂的产能以及物料组装关系生成。应当理解,上述举例仅为方便对本申请的应用场景进行理解,不用于限定本方案。
接下来,结合图1对本申请实施例中的信息处理***的网络架构进行介绍,图1为本申请实施例提供的信息处理***的网络架构图,在图1中,信息处理***100包括服务器110、数据库120、客户端130、第一执行设备140、求解器150、数据存储***160以及第二通信设备170。
服务器110用于利用数据库120中存储的数据,生成客户端130,在客户端130中存在神经网络的情况下,服务器110还需要利用数据库120中存储的数据对客户端130中的神经网络进行迭代训练,直至将客户端130中的神经网络训练成熟。
第一执行设备140可以获取到服务器110生成的客户端130,具体的,可以为服务器110通过无线网络或有线网络将客户端130发送给第一执行设备140,也可以为服务器110通过可移动存储设备将客户端130配置到第一执行设备140上等。第一通信设备上还需要布置有求解器150。第一执行设备140可以调用数据存储***160中的数据、代码等,也可以将数据、指令等存入数据存储***160中。
客户端130用于通过展示界面获取目标规划模型,获取目标规划模型的主问题模型和子问题模型,并利用求解器150对主问题模型和子问题模型进行求解,在根据至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,确定目标规划模型的目标函数满足收敛条件的情况下,通过展示界面输出第一决策变量和第二决策变量的当前最优解。
第一执行设备140在获取到客户端130之后,可以在第一执行设备140上运行客户端 130;也可以将客户端130发送给第二执行设备170,或者将客户端130加载到第二执行设备170上,由第二执行设备170运行客户端130。
客户端130与服务器110之间可以通过无线网络连接,第一执行设备140与第二执行设备160之间可以通过无线网络或有线网络连接。其中,上述的无线网络使用标准通信技术和/或协议。无线网络通常为因特网、但也可以是任何网络,包括但不限于局域网(LocalArea Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide AreaNetwork,WAN)、移动、专用网络或者虚拟专用网络的任何组合)。在另一些实施例中,还可以使用定制或专用数据通信技术取代或者补充上述数据通信技术。
其中,第一执行设备140和第二执行设备160均可以为计算机工作站、个人计算机、平板电脑、笔记本电脑及个人电脑(personal computer,PC),此处不做限定。虽然图1中仅示出了一个服务器110、一个第一执行设备140和一个第二执行设备160,但应当理解,图1中的示例仅用于理解本方案,具体服务器110、第一执行设备140和第二执行设备160 的数量均应当结合实际情况灵活确定。
需要说明的是,虽然图1中示出的本申请实施例提供的信息处理方法的执行主体为客户端的形态,在实际应用中,本申请实施例提供的信息处理方法的执行主体也可以为整个执行设备的形态,也即存在一种专门用于生成第一决策变量和第二决策变量的当前最优解的执行设备,当然,执行主体还可以体现为其他形态。本申请实施例中,仅以提供的信息生成的方法的执行主体为客户端形态为例,进行说明。
结合上述描述,下面开始对本申请实施例提供的信息处理方法的具体实现流程进行描述,本申请实施例中,请参阅图2,图2为本申请实施例提供的信息处理方法的一种流程示意图,本申请实施例提供的信息处理方法可以包括:
201、客户端获取目标规划模型。
本申请实施例中,在用户打开客户端之后,客户端会向用户展示至少一个接收控件,客户端通过前述接收控件来获取目标规划模型。其中,目标规划模型是根据本领域技术人员根据本申请应用场景中的优化目标、约束条件建立起来的数学规划模型,每个目标规划模型中包括第一目标函数和第一约束条件,一个第一目标函数与应用场景中的一个优化目标对应,第一目标函数包括多个单项式,每个单项式对应一个决策变量。目标规划模型可以表现为线性规划模型、整数规划模型、混合整数规划模型或其他类型的目标规划模型等等,此处不做穷举,可以表现为如下公式的形式:
其中,式(1)为第一目标函数,式(1)示出的第一目标函数为求最小值,xi和yj为第一目标函数中的决策变量,ci和dj为第一目标函数中决策变量的系数,式(2)至式(4)为目标规划模型的第一约束条件,和为第一约束条件中决策变量的系数,b(l)为第一约束条件中的常数项,和为决策变量的上限值。应当理解,上述对目标规划模型的展示仅为一种示例,用户输入的也可以为求最大值形式的目标规划模型,此处不做限定,或者目标规划模型也可以展现为其他形式等,此处不做限定。
具体的,在一种情况下,客户端通过上述至少一个接收控件接收的可以为包括目标规划模型的文件,从而客户端可以从前述文件中提取目标规划模型,作为示例,例如客户端接收的可以为包括目标规划模型的表格文件,也可以为包括目标规划模型的文本文件,此处不对文件类型进行穷举。
在另一种情况下,客户端展示的前述至少一个接收控件用于接收用户直接输入的目标规划模型,对应的,客户端就可以获取到目标规划模型。更具体的,客户端可以展示文本框形式的接收控件,从而用户可以为通过一个文本接收控件输入目标规划模型的第一目标函数和第一约束条件,也可以通过两个文本接收控件分别输入第一目标函数和第一约束条件;客户端也可以展示选择框和文本框组合形式的接收控件,例如通过选择框来确定第一目标函数是取最大值还是最小值,通过文本框输入第一约束条件等;客户端还可以展示语音形式的接收控件,从而用户可以通过语音的方式输入目标规划模型的第一目标函数和第一约束条件等等,此处不对客户端展示目标规划模型的接收控件的方式进行穷举。
202、客户端获取至少一个第一决策变量和接口变量的阈值。
本申请实施例中,为了生成目标规划模型的主问题模型,客户端需要获取至少一个第一决策变量和接口变量的阈值,接口变量为第一目标函数包括的多个单项式中存在第二决策变量的单项式的和,第一决策变量指的用于生成主问题模型的决策变量,为第一目标函数的所有决策变量中的复杂决策变量,第二决策变量指的是用于生成子问题模型的决策变量,为第一目标函数的所有决策变量中的非复杂变量,第二决策变量的数量为至少一个。
进一步地,在一种情况下,至少一个第一决策变量和至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量;在另一种情况下,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量。若至少一个第一决策变量和至少一个第二决策变量中存在相同的变量,则主问题模型和子问题模型的约束条件中可以存在相同的约束条件,从而增强了主问题模型与子问题模型之间的紧密度,使得最后得到的多个决策变量的最优解保持目标规划模型中主问题模型和子问题模型之间的约束关系。
更进一步地,存在复杂决策变量的第一约束条件占所有第一约束条件的比值大于第一预设值,第一预设值的取值大于百分之五十,可以为百分之七十、百分之八十、百分之九十或其他数值等等;存在非复杂决策变量的第一约束条件占所有第一约束条件的比值小于第二预设值,第二预设值的取值可以为小于或等于百分之五十,可以为百分之二十、百分之三十或其他数值等等,第一预设值和第二预设值的取值可以相同,也可以不同。
作为示例,例如式(1)中的xi指的可以为第一目标函数中的第一决策变量,式(1)中的yj指的可以为第一目标函数中的第二决策变量,式(1)中的指的是第一目标函数包括的多个单项式中存在第二决策变量的单项式的和(也即接口变量)。结合上述应用场景进行举例,至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
具体的,在一种情况下,客户端的展示界面上可以展示有第一决策变量和接口变量的阈值的接收控件,以获取用户输入的至少一个第一决策变量和接口变量的阈值。
更具体的,在一种实现方式中,客户端可以通过前述接收控件接收的为包括第一决策变量和接口变量的阈值的文件,从而客户端可以从文件中提取第一决策变量和接口变量的阈值,前述文件包括但不限于表格文件和文本文件。
在另一种实现方式中,客户端的展示界面上也可以分别展示有直接接收用户输入的第一决策变量和接口变量的阈值的接收控件。进一步地,在一种实现方式中,第一决策变量和接口变量的阈值的接收控件均为文本框形式的,则用户可以通过文本框直接输入第一决策变量和接口变量的阈值;在另一种实现方式中,第一决策变量的接收控件为选择按钮形式的,也即客户端在获取到目标规划模型之后,可以识别出第一目标函数中的所有决策变量,进而向用户展示与识别出的所有决策变量一一对应的图标,由用户对至少一个第决策变量输入选择操作,具体执行的选择操作可为对图标的点击操作,也可以为将图标拖拽至第一决策变量对应的预设区域等等;在另一种实现方式中,接口变量的阈值的接收控件可以表现为选择框的形式,当用户点击前述选择框时,客户端接收到针对接口变量的阈值的输入指令,从而会展示多个待选择数字,从而用户可以通过对多个待选择数字执行选择操作的方式来输入接口变量的阈值;在另一种实现方式中,第一决策变量和接口变量的阈值的接收控件还可以均为语音接收控件,则用户可以通过输入语音的形式输入第一决策变量和接口变量的阈值等等,第一决策变量和接口变量的阈值的接收控件也可以为上述多种实现方式的任意组合,当然,客户端还可以通过其他方式来展示第一决策变量和接口变量的阈值的接收控件,此处不做限定。
在另一种情况下,客户端可以根据通过步骤201获取的目标规划模型,获取至少一个第一决策变量和接口变量的阈值。
更具体的,在一种实现方式中,客户端中可以预先设置有第一决策变量和第二决策变量的选择规则,从而客户端可以在获取到用户输入的目标规划模型之后,根据预设选择规则从第一目标函数的所有决策变量中选择第一决策变量和第二决策变量,并对接口变量的阈值进行预估。进一步地,针对客户端根据预设规则选择至少一个第一决策变量,在一种实现方式中,前述选择规则为决策变量在约束条件中出现的频率相关,例如出现第一决策变量的约束条件占所有约束条件的比值大于第一预设值,出现第二决策变量的约束条件占所有约束条件的比值小于或等于第二预设值;在另一种实现方式中,前述选择规则为随机选择,也即客户端从目标函数的所有决策变量中随机确定哪些是第一决策变量,哪些是第二决策变量;在另一种实现方式中,前述选择规则可以同时与决策变量在约束条件中出现的频率以及决策变量的重要程度有关,则客户端可以利用第一神经网络来实现对至少一个第一决策变量和至少一个第二决策变量的选择。针对客户端对接口变量的阈值进行预估,客户端可以利用第二神经网络对接口变量的阈值进行预估,作为示例,例如第一神经网络和第二神经网络均可以选用循环神经网络(Recurrent Neural Networks,RNNs),RNNs是用来处理序列数据的神经网络;且理论上,RNNs能够对任何长度的序列数据进行处理。在传统的神经网络模型中,是从输入层到隐含层再到输出层,层与层之间是全连接的,每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如,你要预测句子的下一个单词是什么,一般需要用到前面的单词,因为一个句子中前后单词并不是独立的。RNNs之所以称为循环神经网路,是因为循环神经网络中一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。从而可以对决策变量的选择规则进行学习。
在另一种实现方式中,由于本申请实施例不限定步骤202和步骤203的执行顺序,若先执行步骤203,再执行步骤202,且至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量;则客户端还可以在通过步骤203获取到用户输入的至少一个第二决策变量之后,将第一目标函数包括的所有决策变量中除第二决策变量之外的决策变量确定为第一决策变量,并利用第二神经网络对接口变量的阈值进行预估。
应当理解,在客户端为通过展示界面获取第一决策变量和接口变量的阈值的情况下,本申请实施例中不限定步骤201和步骤202的执行顺序,可以为同时执行步骤201和步骤202,也即在用户通过展示界面输入目标规划模型、至少一个第一决策变量和接口变量的阈值之后,同时获取目标规划模型、至少一个第一决策变量和接口变量的阈值;也可以先执行步骤201,再执行步骤202;还可以先执行步骤202,再执行步骤201。
203、客户端获取至少一个第二决策变量。
本申请实施例中,为了生成目标规划模型的子问题模型,客户端需要获取至少一个第二决策变量。具体的,在一种情况下,客户端的展示界面上可以展示有第二决策变量的接收控件,以接收用户输入的至少一个第二决策变量。更具体的,在一种实现方式中,客户端可以通过前述接收控件接收的为包括第二决策变量的文件,从而客户端可以从文件中提取第二决策变量;在另一种实现方式中,客户端的展示界面上也可以分别展示有直接接收用户输入的第二决策变量的阈值的接收控件,与第一决策变量的接收控件类似,客户端的展示界面上的第二决策变量的接收控件可以为文本框形式的,也可以为图标形式的,还可以为语音控件形式的等等,此处对第二决策变量的接收控件的展现形式也不做限定。
在另一种情况下,客户端可以根据通过步骤201获取的目标规划模型,获取至少一个第一决策变量和接口变量的阈值;更具体的,在一种实现方式中,客户端可以直接利用预设的选择规则从第一目标函数的所有决策变量中选择至少一个第二决策变量,具体实现方式可以参考步骤202,在另一种实现方式中,由于本申请实施例不限定步骤202和步骤203的执行顺序,若先执行步骤202,再执行步骤203,且至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量;则客户端还可以在通过步骤202获取到用户输入的至少一个第一决策变量之后,将第一目标函数包括的所有决策变量中除第一决策变量之外的决策变量确定为第二决策变量。
应当理解,本申请实施例中不限定步骤202和步骤203之间的执行顺序,可以为同时执行步骤202和步骤203,在客户端为通过展示界面获取第一决策变量和接口变量的阈值的情况下,在用户通过展示界面输入至少一个第一决策变量、接口变量的阈值以及至少一个第二决策变量之后,客户端同时获取到用户输入的至少一个第一决策变量、接口变量的阈值以及至少一个第二决策变量;也可以为先执行步骤202,再执行步骤203;还可以为先执行步骤203,再执行步骤202。
为进一步理解本方案,请参阅图3,图3为运行本申请实施例提供的信息处理方法的客户端的一种界面示意图,图3中以通过文本框的形式展示接收控件,且同时执行步骤201、步骤202和步骤203为例,其中,A1代表目标规划模型的接收控件,A2代表代表约束条件的接收控件,A3代表第一决策变量的接收控件,A4代表接口变量的阈值的接收控件, A5代表第二决策变量的接收控件,A6代表触发提交操作的图标,当用户通过展示界面输入完目标规划模型、约束条件、第一决策变量、接口变量的阈值以及第二决策变量之后,可以点击A6,则客户端可以获取到用户输入的前述信息,应当理解,实际产品中客户端的展示界面上也可以不展示A3至A5,或者通过其他形式展示A3至A5等,图3仅为客户端的展示界面的一种示例,不用于限定本方案。
204、客户端利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型。
本申请实施例中,客户端在获取到至少一个第一决策变量和接口变量的阈值之后,会根据目标分解算法,利用获取到的至少一个第一决策变量、接口变量的阈值以及目标规划模型生成主问题模型,目标分解算法是基于Benders分解算法得到的。具体的,客户端可以根据目标分解算法,利用获取到的至少一个第一决策变量和目标规划模型的第一目标函数生成主问题模型的第二目标函数,利用至少一个第一决策变量、接口变量的阈值和目标规划模型的第一约束条件生成主问题模型的第二约束条件;更具体的,客户端从第一目标函数中选取存在所有第一决策变量的单项式,由存在所有第一决策变量的单项式以及接口变量组成主问题模型的第二目标函数,从第一约束条件中选取用于约束第一决策变量的至少一个约束条件作为第二约束条件。
其中,在一种实现方式中,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量,则目标分解算法可以具体表现为Benders分解算法;在另一种实现方式中,由于本申请的一些实施例中为由本领域技术人员或者客户端利用第一神经网络结合决策变量出现在约束条件的频率以及经验确定目标函数中的哪些变量为第一决策变量,哪些变量为第二决策变量,则在前述实施例中,至少一个第一决策变量和至少一个第二决策变量中可以存在相同的决策变量,则目标分解算法与Benders分解算法类似,区别在于Benders 分解算法中用于生成主问题模型的第一决策变量和用于生成子问题模型的第二决策变量是完全不重叠的,而目标分解算法中,至少一个第一决策变量和至少一个第二决策变量中可以存在相同的决策变量。具体的,主问题模型可以表现为如下公式:
其中,式(5)为主问题模型的第二目标函数,xi为第一决策变量,为第一目标函数包括的多个单项式中存在第一决策变量的单项式的和,a为接口变量,式(6)和式(7)为主问题模型的第二约束条件,adown为接口变量的阈值,为第一决策变量的上限值,应当理解,上述对主问题模型的举例仅为方便理解本方案,不用于限定本方案。通过上述方式,提供了客户端生成主问题模型的具体实现方式,提高了本方案的可实现性;进一步地,在至少一个第一决策变量和接口变量的阈值为用户通过展示界面输入的情况下,提高了生成主问题模型的效率,且提高了主问题模型生成过程的灵活性,有利于提高用户粘度。
205、客户端利用目标规划模型和至少一个第二决策变量生成子问题模型。
本申请实施例中,客户端在获取到至少一个第二决策变量,会根据目标分解算法,利用获取到的目标规划模型和至少一个第二决策变量生成子问题模型,目标分解算法是基于 Benders分解算法得到的。具体的,客户端可以根据目标分解算法,利用获取到的至少一个第二决策变量和目标规划模型的第一目标函数生成子问题模型的第三目标函数,利用至少一个第二决策变量和目标规划模型的第一约束条件生成子问题模型的第三约束条件;更具体的,客户端从第一目标函数中选取存在所有第二决策变量的单项式,由存在所有第二决策变量的单项式组成主问题模型的第二目标函数,从第一约束条件中选取用于约束第二决策变量的至少一个约束条件作为第三约束条件。其中,子问题模型可以表现为如下公式:
其中,式(8)为子问题模型的第三目标函数,yj为第二决策变量,为第一目标函数包括的多个单项式中存在第二决策变量的单项式的和,式(9)和式(10)为子问题模型的第三约束条件,xi为第一决策变量,和为第三约束条件中决策变量的系数, b(l)为常数项,为第二决策变量的上限值,为第一决策变量的当前最优解,应当理解,上述对子问题模型的举例仅为方便理解本方案,不用于限定本方案。
本申请实施例中,通过上述方式,提供了客户端生成子问题模型的具体实现方式,提高了本方案的可实现性;进一步地,在至少一个第二决策变量为用户通过展示界面输入的情况下,提高了生成子问题模型的效率,且提高了子问题模型生成过程的灵活性,有利于提高用户粘度。
需要说明的是,本申请实施例中不限定步骤204和步骤205之间的执行关系,可以先执行步骤204,再执行步骤205;也可以先执行步骤205,再执行步骤204;还可以同时执行步骤204和步骤205。
206、客户端调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解。
本申请实施例中,客户端在生成主问题模型之后,需要调用第一求解器,将主问题模型输入第一求解器,以得到主问题模型中存在的至少一个第一决策变量的当前最优解,其中,当前最优解指的是在当前求解过程中的最优解;其中,第一求解器可以为Cplex求解器、Gurobi求解器或Lpsolve求解器等等具有线性规划求解功能的求解器。
在一种实现方式中,客户端可以将整个主问题模型输入至第一求解器中,并获取第一求解器返回的至少一个第一决策变量的最优解,其中,对主问题模型进行求解的方式包括但不限于单纯型法、列生成法等求解方式。
在另一种实现方式中,客户端也可以将主问题模型解耦成至少两个子模型,调用第一求解器包括的至少两个求解器,并将至少两个子模型中的每个模型并行输入到前述至少两个求解器中,从而获取至少两个求解器输出的至少一个第一决策变量的当前最优解。通过前述方式,可以降低第二约束条件的稀疏程度,以提高第一决策变量的当前最优解的质量;此外,通过至少两个求解器并行对至少两个子模型进行求解,可以提高对主问题模型进行求解过程的效率。
具体的,客户端需要根据主问题模型的第二约束条件,将主问题模型解耦成至少两个子模型,其中,每个子模型中包括至少一个第一决策变量,不同的子模型中的第一决策变量以及约束条件互相均不重叠;客户端所在的终端设备可以通过至少两个并行的进程来运行至少两个并行的求解器,从而至少两个求解器可以并行对至少两个子模型进行求解,客户端在获取到至少两个求解器返回的第一决策变量的当前最优解之后,将所有第一决策变量的当前最优解进行拼接,得到主问题模型中存在的至少一个第一决策变量的当前最优解。其中,每个xi是一个向量,拼接指的是将所有xi按照头尾相接的顺序进行拼接,拼接完后是一个大的向量,也即(x1,x2,x3,...,xn)。
为进一步理解本方案,此处对客户端将主问题模型解耦成至少两个子模型的过程进行举例,其中,主问题模型的公式如下:
其中,式(11)为主问题模型中的第二目标函数,x和y为第一决策变量,x的取值为x1、x2、x3和x4,y的取值为y1、y2、y3和y4,z的取值为z1、z2、z3和z4,aT和为第二目标函数中第一决策变量的系数,式(13)至式(15)为主问题模型的第二约束条件, D1、D2、M和N为第二约束条件中第一决策变量的系数,其中,D1和D2具备标准的对角结构,M和N具备的是拟对角结构,具体如下:
则约束矩阵非零元素对应的变量如下式:
由于约束的顺序不影响问题本身,因此,我们可以通过对约束矩阵变换,将式(20)变换为式(21),如下:
结合式(21),可以将主问题分别解耦为四个子模型,第一个子模型中存在的变量为 x1、y1、z1,第二个子模型中存在的变量为x2、y2、z2,第三个子模型中存在的变量为x3、y3、z3,第四个子模型中存在的变量为x4、y4、z4,应当理解,上述举例仅为方便理解客户端对主问题进行解耦的过程,不用于限定本方案。
207、客户端调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值。
本申请实施例中,客户端在得到至少一个第一决策变量的当前最优解之后,可以将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器中,以触发第二求解器将子问题中的所有第二决策变量打包,也即求解器将所有的第二决策变量视为一类决策变量,不区分不同决策变量之间的差异,进而对第二决策变量进行对偶求解;第二求解器在对子问题模型进行对偶求解之后,会向客户端返回所有第二决策变量的当前最优解和所有对偶值,对应的,客户端会接收到第二求解器返回的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,对偶值指的是子问题模型的对偶模型中存在的第三决策变量的当前最优解,第三决策变量与第一决策变量具有对应关系。其中,第二求解器可以为Cplex求解器、Gurobi求解器或Lpsolve求解器等具有线性规划求解功能的求解器,公开了多个用于求解的求解器,提高了本方案的可执行性,也提高了本方案的选择灵活性。
具体的,前述至少一个第一决策变量的当前最优解用于指示第二求解器将每个第一决策变量的当前最优解带入子问题模型的第三约束条件中,结合上述子问题模型的公式进行举例,也即至少一个第一决策变量的当前最优解用于指示求解器将第一决策变量的当前最优解带入到式(9)和式(11)中。对偶求解指的是求解器生成子问题模型的对偶模型,若子问题模型是求最大值,则对偶模型是求最小值,若子问题模型是求最小值,则对偶模型是求最大值;子问题模型的第三目标函数中的多个第二决策变量的系数变成对偶模型的约束条件中的右边项,子问题模型的第三约束条件中的右边项变成对偶模型的目标函数中的决策变量的系数,对偶模型的系数矩阵是子问题模型的系数矩阵的转置,子问题模型和对偶模型之间存在对应关系,进而求解器利用子问题模型以及子问题模型的对偶模型进行求解。由于子问题模型的第三约束条件中的右边项变成对偶模型的目标函数中的决策变量的系数,而子问题模型的第三约束条件中存在关于每个第一决策变量的约束,则对偶模型的目标函数中会存在与至少一个第一决策变量一一对应的至少一个第三决策变量。
为进一步理解本方案,以下结合实际例子对求解器对子问题模型进行对偶求解的过程进行说明。子问题模型如下:
其中,式(22)为子问题模型的第三目标函数,y和z为第二决策变量,和为第三目标函数中第二决策变量的系数,式(23)至式(25)为子问题模型的第三约束条件, D1、D2、N和M为第三约束条件中第二决策变量的系数。
子问题模型的对偶模型如下:
其中,式(26)为子问题模型的对偶模型的目标函数,和为第二决策变量,和kT为对偶模型的目标函数中决策变量的系数,式(27)至式(30)为子问题模型的对偶模型的约束条件,和NT为对偶模型的约束条件中决策变量的系数,c1和c2为对偶模型的右边项,通过上述举例不难看出,本申请实施例中将子问题模型中的所有决策变量视为一个整体来进行对偶求解,应当理解,上述举例仅为方便理解本方案,不用于限定本方案。
208、客户端判断目标规划模型的目标函数是否满足收敛条件,若满足收敛条件,则进入步骤209;若不满足收敛条件,则进入步骤210。
本申请实施例中,客户端在通过求解器获取到至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解之后,会根据第一决策变量的当前最优解和第二决策变量的当前最优解,判断第一目标函数是否满足收敛条件。具体的,客户端会根据第一决策变量的当前最优解和第二决策变量的当前最优解,计算第一目标函数的最优值的上界值和下界值,进而利用目标函数的最优值的上界值和下界值判断第一目标函数是否满足收敛条件;更具体的,可以为判断第一目标函数的最优值的上界和下界之间的差值是否小于预设阈值,进一步地,前述预设阈值的取值可以结合客户端所在终端设备的算力、用户对最优解的精度要求或其他因素等来确定,终端设设备的算力越高,用户对最优解的精度要求越高,则预设阈值越小,作为示例,例如预设阈值的取值可以为10-3、10-4、10-5或其他数值等等,具体此处不做限定。当然,也可以为通过判断第一目标函数的最优值的上界和下界之间的差值的平方是否小于预设阈值来确定是否满足收敛条件,还可以为通过判断第一目标函数的最优值的上界和下界之间的比值是否小于预设阈值来确定是否满足收敛条件等等,此处不做限定。通过上述方式,提供了目标函数的收敛条件的具体实现方案,增强了本方案的可实现性。
其中,目标函数的最优值的上界值可以通过如下公式获得:
其中,v指的是第v次对第一决策变量和第二决策变量进行求解,指的是第v次求解过程中目标函数的最优值的上界值,代表第v次求解过程中目标函数中存在第一决策变量的单项式的和,代表第v次求解过程中目标函数中存在第二决策变量的三项式的和,公式中其余字母的含义可以结合上述步骤中的描述。
目标函数的最优值的上界值可以通过如下公式获得:
其中,指的是第v次求解过程中目标函数的最优值的下界值,a(v)指的是接口变量,指的是第v-1次求解过程中目标函数中存在第二决策变量的三项式的和,指的是第v-1次求解过程中得到的对偶值,指的是第v-1次求解过程中第一决策变量的当前最优解,公式中其余字母的含义可以结合上述步骤中的描述。
209、客户端输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
本申请实施例中,在客户端根据第一决策变量和第二决策变量确定目标函数满足收敛条件的情况下,可以通过展示界面输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。具体的,客户端可以直接在展示界面上展示第一决策变量和第二决策变量的当前最优解,例如通过表格、纯文本、条形图等形式;客户端也可以为生成包含第一决策变量和第二决策变量的当前最优解的文件之后,在展示界面上展示与前述文件对应的图标,从而用户可以通过前述图标对文件执行打开、复制、发送或其他操作等等;客户端还可以为通过语音播放的形式向用户输出第一决策变量和第二决策变量的当前最优解等,此处不对客户端输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解的形式进行限定。
210、客户端将对偶值与预设值相乘,得到更新后的对偶值。
本申请的一些实施例中,在客户端根据第一决策变量和第二决策变量确定目标函数不满足收敛条件的情况下,则客户端可以将通过步骤207得到的至少一个对偶值中的每个对偶值与预设值相乘,得到更新后的对偶值,其中,预设值的取值可以为10n,作为示例,n的取值可以为5、6、7或其他数字等等,此处不做限定。
211、客户端利用对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件。
本申请的一些实施例中,客户端在得到更新后的对偶值之后,可以利用更新后的对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件,进而重新进入步骤206,以执行利用更新后的主问题模型的约束条件重新对主问题求解,得到该次主问题的第一决策变量的当前最优解,根据该次得到的主问题的第一决策变量的当前最优解对子问题模型进行对偶求解,继而根据第一决策变量和第二决策变量的当前最优解,判断目标规划模型的目标函数是否满足收敛条件,如果满足收敛条件,则通过步骤207输出第一决策变量和第二决策变量的当前最优解,如果不满足收敛条件,则再次进入步骤210,也即再次获取更新后的对偶值,生成新约束条件,并将新约束条件添加至主问题模型的约束条件中,再次进入步骤206,客户端重复执行前述步骤,直至确定目标函数满足收敛条件,通过步骤209输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
需要说明的是,步骤210为可选步骤,若不执行步骤210,则客户端在通过步骤210确定目标规划模型的目标函数不满足收敛条件的情况下,客户端可以直接利用通过步骤207得到的对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件,进而重新进入步骤206,直至确定目标函数满足收敛条件,输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
其中,客户端利用对偶值生成的新约束条件具体可以表现为如下形式:
由于上述步骤中已经对式(33)中的所有字母的含义做了详细介绍,此处不再赘述。当然,客户端利用对偶值生成的新约束条件也可以表现为其他方式,此处不做赘述。
本申请实施例中,获取目标规划模型的主问题模型和子问题模型,进而直接将子问题模型直接输入到第二求解器中,以触发第二求解器对子问题模型中的所有第二决策变量打包,并对第二决策变量进行求解,也即求解器将子问题模型中的所有决策变量视为一类变量进行求解;且在根据第一决策变量和第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,将第二求解器返回的对偶值与预设值相乘,利用更新后的对偶值生成主问题模块的新的约束条件,提高了目标函数的收敛速度,从而大大缩短了获得决策变量的最优解的时间。
下面例举一具体的实施例对本申请实施例提供的信息处理方法进行详细说明。本实施例中,以目标规划模型的目标是满足在三天内制造2000台个人计算机(personalcomputer, PC)、1000台主机以及800台笔记本的产品需求,其中,物料组装关系是1台PC需要配1 台主机。现有两家工厂甲和工厂乙,他们分别能加工PC和主机以及主机和笔记本,甲工厂每天只能加工最多1000台PC或主机,乙工厂每天只能加工最多1000台主机或笔记本为例,进行举例,具体的,请参阅图4,图4为本申请实施例提供的神经网络处理方法服务器生成最终帕累托前沿的一种流程示意图,方法可以包括:
S1、客户端获取目标规划模型。
本实施例中,客户端可以接收用户输入的目标规划模型,其中,目标规划模型包括第一目标函数和第一约束条件,第一目标函数的目标为根据三天内制造2000台个人计算机(personal computer,PC)、1000台主机以及800台笔记本的产品需求这一场景目标生成,其中,第一目标函数中存在的决策变量有甲工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量,以及,乙工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量。第一约束条件中包括的约束条件包括针对上述每个决策变量的取值约束条件,根据生产量目标生成的约束条件以及根据物料组装关系生成的约束条件,此处不一一展开描述。
S2、客户端获取至少一个第一决策变量和接口变量的阈值,第一决策变量包括甲工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量,以及乙工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量。
S3、客户端获取至少一个第二决策变量,第二决策变量包括甲工厂在第一天至第三天的产品交付量,以及乙工厂在第一天至第三天的产品交付量。
需要说明的是,本实施例中通过展示界面接收到包括目标规划模型、第一决策变量、接口变量的阈值以及第二决策变量的表格文件,从而客户端同时从表格文件中提取出目标规划模型、第一决策变量、接口变量的阈值以及第二决策变量,也即本实施例中同时执行步骤S1至S3,其中,接口变量的阈值指的是目标规划模型中存在甲工厂在第一天至第三天的产品交付量,以及乙工厂在第一天至第三天的产品交付量的所有单项式的总和。
S4、客户端利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型。
本实施例中,客户端在通过步骤S2获取到至少一个第一决策变量和接口变量的阈值之后,需要生成主问题模型,具体的,客户端从第一目标函数中选取存在所有第一决策变量的单项式,由存在所有第一决策变量的单项式以及接口变量组成主问题模型的第二目标函数,也即第一目标函数中存在甲工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量,以及乙工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量的所有单项式和接口变量的和组成主问题模型的第二目标函数;并从第一约束条件中选取用于约束第一决策变量的约束条件作为主问题模型的第二约束条件,也即将第一约束条件中用于甲工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量,以及乙工厂在第一天至第三天的产品生产量、产品运输量、产品组装量和产品交付量的至少一个约束条件作为主问题模型的第二约束条件。
S5、客户端利用目标规划模型和至少一个第二决策变量生成子问题模型。
本实施例中,客户端在通过步骤S3获取到至少一个第二决策变量之后,需要生成子问题模型,具体的,客户端从第一目标函数中选取存在所有第二决策变量的单项式,由存在所有第二决策变量的单项式组成子问题模型的第三目标函数,也即第一目标函数中存在甲工厂在第一天至第三天的产品交付量,以及乙工厂在第一天至第三天的产品交付量的所有单项式组成子问题模型的第三目标函数;并从第一约束条件中选取用于约束第二决策变量的约束条件作为子问题模型的第二约束条件,也即将第一约束条件中用于甲工厂在第一天至第三天的产品交付量,以及乙工厂在第一天至第三天的产品交付量的所有约束条件作为子问题模型的第二约束条件。
S6、客户端调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解。
S7、客户端调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值。
S8、客户端判断第一目标函数的最优值的上界和下界之间的差值是否小于0.0001,若小于0.0001,则进入步骤S9;若不小于0.0001,则进入步骤S10。
S9、客户端输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
S10、客户端将对偶值与预设值相乘,得到更新后的对偶值。
本实施例中,以对偶值的取值为105为例。
S11、客户端利用对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件。
本实施例中,客户端采用图2对应实施例中的步骤211中的公式(33)形成新约束条件,此处不再赘述。
本实施例中,客户端在重复执行步骤S6至S8以及S10至S11多次之后,第一目标函数的最优值的上界和下界之间的差值小于0.0001,则通过步骤S9输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,也即通过展示界面直接输出了至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,具体为:第一天,甲工厂的产品生产量为生产1000台主机,乙工厂的产品生产量为生产1000台主机,乙工厂的产品运输量为将1000台主机送往甲工厂;第二天,甲工厂的产品组装量为利用甲工厂在第一天生产的1000台主机来完成1000台PC的组装生产,甲工厂的产品交付量为1000台PC,乙工厂的产品生产量为生产1000台主机,乙工厂的产品交付量为1000台主机;第三天,甲工厂的产品组装量为利用乙工厂在第一天送来的1000台主机完成1000 台PC的装配,甲工厂的产品交付量为1000台PC,乙工厂的产品生产量为生产800台笔记本,乙工厂的产品交付量为800台笔记本,第一目标函数中的其余决策变量的取值为0。按照上述安排,在第三天完成客户的所有订单需求,并且符合所有产能和组装关系的约束。本实施例中,直接将子问题模型直接输入到第二求解器中,以触发第二求解器对子问题模型中的所有第二决策变量视为一类变量进行打包,并对第二决策变量进行求解;且在确定目标规划模型的目标函数不满足收敛条件的情况下,将第二求解器返回的对偶值与预设值相乘,利用更新后的对偶值生成主问题模块的新的约束条件,提高了目标函数的收敛速度,从而大大缩短了获得决策变量的最优解的时间。应当理解,图4中的示例仅为方便理解本方案,不用于限定本方案。
为了对本申请实施例带来的有益效果有进一步地了解,以下对本方案的实验数据作进一步展示,以下为本申请与采取基线算法(加权多目标数学规划方法)之间进行对比,相对于基线算法,本申请提供的方案可以获得更高质量的解,本实施例中以最小化总开销和最大化订单满足率两个目标为例,首先是通过如下表格来介绍本次实验的实验环境。
表1
加工件数量 | 工厂数量 | 排产周期 | 决策变量数量级 | |
数据集I | 976件 | 11家 | 30天 | 百万级 |
数据集II | 4409件 | 20家 | 30天 | 千万级 |
上述表1中分别示出了两组数据集,针对数据集I,请先参阅图5,图5为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的实验数据对比图,图5中以工厂的制造能力满足客户的订单需求的情况为例,图5的对比图为11月24日至12月23日之间的实验数据。接着继续针对数据集I,请参阅图6,图6为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的实验数据对比图,图6中以客户的订单需求远大于工厂的制造能力的情况为例,图6的对比图为 11月24日至12月23日之间的实验数据。针对数据集II,请参阅图7,图7为采用本申请实施例提供的信息处理方法与利用基线算法分别对目标规划模型进行求解的实验数据对比图,图7中以客户的订单需求远大于工厂的制造能力的情况为例,图7的对比图为11 月28日至12月27日之间的实验数据。在图5至图7中,左上方的折线展现的为采用基线算法对目标规划模型进行求解时的总开销和订单满足率,右下方的折线展现的为采用本申请提供的方案对目标规划模型进行求解时的总开销和订单满足率,从图5至图7所呈现的实验数据来看,采用本申请提供的方案可以在降低开销的同时获得更高的订单满足率。
在图1至图7所对应的实施例的基础上,为了更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关设备。具体参阅图8,图8为本申请实施例提供的信息处理装置的一种结构示意图。信息处理装置800包括可以包括获取模块801、放大模块802、更新模块803和输出模块804,其中,获取模块801,用于获取目标规划模型的主问题模型和子问题模型,其中,主问题模型中存在至少一个第一决策变量,子问题模型中存在至少一个第二决策变量;获取模块801,还用于调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解;获取模块801,还用于调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,至少一个对偶值为子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,第三决策变量与第一决策变量对应;放大模块802,用于在根据至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,将至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值;更新模块803,用于利用更新后的至少一个对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件;输出模块804,用于重复执行将包括更新后的约束条件的主问题模型输入第一求解器、将子问题模型和更新后的至少一个第一决策变量的当前最优解输入第二求解器以及更新主问题模型的约束条件的步骤,直至确定目标规划模型的目标函数满足收敛条件,输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
本申请实施例中,获取模块801获取目标规划模型的主问题模型和子问题模型,进而直接将子问题模型直接输入到第二求解器中,以触发第二求解器对子问题模型中的所有第二决策变量打包,并对第二决策变量进行求解,也即求解器将子问题模型中的所有决策变量视为一类变量进行求解;且放大模块802在根据第一决策变量和第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,将第二求解器返回的对偶值与预设值相乘,利用更新后的对偶值生成主问题模块的新的约束条件,提高了目标函数的收敛速度,从而大大缩短了获得决策变量的最优解的时间。
在一种可能的设计中,获取模块801,具体用于获取目标规划模型、至少一个第一决策变量和接口变量的阈值,其中,接口变量为目标规划模型的目标函数包括的多个单项式中存在第二决策变量的单项式的和;根据目标分解算法,利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型,目标分解算法是基于奔德斯Benders分解算法得到的。
本申请实施例中,提供了客户端生成主问题模型的具体实现方式,提高了本方案的可实现性;进一步地,在至少一个第一决策变量和接口变量的阈值为用户通过展示界面输入的情况下,提高了生成主问题模型的效率,且提高了主问题模型生成过程的灵活性,有利于提高用户粘度。
在一种可能的设计中,获取模块801,具体用于:获取目标规划模型和至少一个第二决策变量,根据目标分解算法,利用目标规划模型和至少一个第二决策变量生成子问题模型,目标分解算法是基于Benders分解算法得到的。
本申请实施例中,通过上述方式,提供了客户端生成子问题模型的具体实现方式,提高了本方案的可实现性;在至少一个第二决策变量为用户通过展示界面输入的情况下,提高了生成子问题模型的效率,且提高了子问题模型生成过程的灵活性,有利于提高用户粘度。
在一种可能的设计中,请参阅图9,图9为本申请实施例提供的信息处理装置的一种结构示意图,装置还包括:解耦模块805,用于将主问题模型解耦成至少两个子模型;获取模块801,具体用于调用至少两个求解器,将至少两个子模型并行输入至少两个求解器中,获取至少两个求解器输出的至少一个第一决策变量的当前最优解。
本申请实施例中,通过上述方式,可以降低第二约束条件的稀疏程度,以提高第一决策变量的当前最优解的质量;此外,通过至少两个求解器并行对至少两个子模型进行求解,可以提高对主问题模型进行求解过程的效率。
在一种可能的设计中,至少一个第一决策变量和至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。本申请实施例中,若至少一个第一决策变量和至少一个第二决策变量中存在相同的变量,则主问题模型和子问题模型的约束条件中可以存在相同的约束条件,从而增强了主问题模型与子问题模型之间的紧密度,使得最后得到的多个决策变量的最优解保持目标规划模型中主问题模型和子问题模型之间的约束关系。
在一种可能的设计中,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量。
在一种可能的设计中,至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
在一种可能的设计中,目标规划模型的目标函数的收敛条件为目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。本申请实施例中,通过前述方式,提供了目标函数的收敛条件的具体实现方案,增强了本方案的可实现性。
在一种可能的设计中,第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。本申请实施例中,公开了多个用于求解的求解器,提高了本方案的可执行性,也提高了本方案的选择灵活性。
需要说明的是,信息处理装置800中各模块/单元之间的信息交互、执行过程等内容,与本申请中图2对应的各个方法实施例基于同一构思,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还提供了一种执行设备,请参阅图10,图10为本申请实施例提供的执行设备一种结构示意图,执行设备1000上可以部署有图2和图3对应实施例中所描述的客户端,用于实现图8和图9对应实施例中信息处理装置800执行的步骤。具体的,执行设备1000由一个或多个执行设备实现,执行设备1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(central processing units,CPU)1022(例如,一个或一个以上处理器)和存储器1032,一个或一个以上存储应用程序1042或数据1044 的存储介质1030(例如一个或一个以上海量存储设备)。其中,存储器1032和存储介质 1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对执行设备中的一系列指令操作。更进一步地,中央处理器1022可以设置为与存储介质1030通信,在执行设备1000上执行存储介质1030 中的一系列指令操作。
执行设备1000还可以包括一个或一个以上电源1026,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1058,和/或,一个或一个以上操作***1041,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述本申请实施例揭示的方法可以应用于中央处理器1022中,或者由中央处理器1022 实现。中央处理器1022可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过中央处理器1022中的硬件的集成逻辑电路或者软件形式的指令完成。上述的中央处理器1022可以是通用处理器或数字信号处理器(digital signalprocessing,DSP),还可进一步包括专用集成电路(application specific integratedcircuit, ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该中央处理器1022可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质1030中,中央处理器1022读取存储介质1030中的信息,结合其硬件完成上述方法的步骤。
本申请实施例中,当中央处理器1022用于执行图2和图3对应实施例中的客户端执行的信息处理方法时,具体的,中央处理器1022,还用于执行如下步骤:
获取目标规划模型的主问题模型和子问题模型,其中,主问题模型中存在至少一个第一决策变量,子问题模型中存在至少一个第二决策变量;从存储器1032中获取第一求解器的接口,基于第一求解器的接口调用第一求解器,将主问题模型输入第一求解器,获取第一求解器输出的至少一个第一决策变量的当前最优解;并从存储器1032中获取第二求解器的接口,基于第二求解器的接口调用第二求解器,将子问题模型和至少一个第一决策变量的当前最优解输入第二求解器,获取第二求解器输出的至少一个第二决策变量的当前最优解和至少一个对偶值,其中,至少一个对偶值为子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,第三决策变量与第一决策变量对应;在根据至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解,确定目标规划模型的目标函数不满足收敛条件的情况下,从存储器1032中获取预设值,将至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值,并利用更新后的至少一个对偶值生成新约束条件,将新约束条件添加至主问题模型的约束条件中,得到更新后的主问题模型的约束条件,中央处理器1022重复执行将包括更新后的约束条件的主问题模型输入第一求解器、将子问题模型和更新后的至少一个第一决策变量的当前最优解输入第二求解器以及更新主问题模型的约束条件的步骤,直至确定目标规划模型的目标函数满足收敛条件,通过输入输出接口1058输出至少一个第一决策变量的当前最优解和至少一个第二决策变量的当前最优解。
在一种可能的设计中,中央处理器1022,具体用于获取目标规划模型、至少一个第一决策变量和接口变量的阈值,并根据目标分解算法,利用目标规划模型、至少一个第一决策变量以及接口变量的阈值生成主问题模型,其中,接口变量为目标规划模型的目标函数包括的多个单项式中存在第二决策变量的单项式的和,目标分解算法是基于奔德斯Benders 分解算法得到的。
在一种可能的设计中,中央处理器1022,具体用于获取目标规划模型和至少一个第二决策变量,并根据目标分解算法,利用目标规划模型和至少一个第二决策变量生成子问题模型,目标分解算法是基于Benders分解算法得到的。
在一种可能的设计中,中央处理器1022,还用于将主问题模型解耦成至少两个子模型,从存储器1032中获取至少两个求解器的接口,基于至少两个求解器的接口调用至少两个求解器,将至少两个子模型并行输入至少两个求解器中,获取至少两个求解器输出的至少一个第一决策变量的当前最优解。
在一种可能的设计中,至少一个第一决策变量和至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。
在一种可能的设计中,至少一个第一决策变量和至少一个第二决策变量中不存在相同的决策变量。
在一种可能的设计中,至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
在一种可能的设计中,目标规划模型的目标函数的收敛条件为目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。
在一种可能的设计中,第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。
需要说明的是,对于中央处理器1022执行信息处理方法的具体实现方式,均可以参考图2对应的各个方法实施例中的叙述,此处不再一一赘述。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行如前述图2所示实施例描述的方法中客户端所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述图2所示实施例描述的方法中客户端所执行的步骤。
本申请实施例中还提供一种包括电路***,当其在计算机上运行时,电路***包括处理电路,处理电路配置为执行如前述图2所示实施例描述的方法中客户端所执行的步骤。
本申请实施例提供的执行设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述图2所示实施例描述的信息处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述第一方面方法的程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用 CLU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如, DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (29)
1.一种信息处理方法,其特征在于,所述方法包括:
获取目标规划模型的主问题模型和子问题模型,其中,所述主问题模型中存在至少一个第一决策变量,所述子问题模型中存在至少一个第二决策变量;
调用第一求解器,将所述主问题模型输入所述第一求解器,获取所述第一求解器输出的所述至少一个第一决策变量的当前最优解;
调用第二求解器,将所述子问题模型和所述至少一个第一决策变量的当前最优解输入所述第二求解器,获取所述第二求解器输出的所述至少一个第二决策变量的当前最优解和至少一个对偶值,其中,所述至少一个对偶值为所述子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,所述第三决策变量与所述第一决策变量对应;
在根据所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解,确定所述目标规划模型的目标函数不满足收敛条件的情况下,将所述至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值;
利用更新后的至少一个对偶值生成新约束条件,将所述新约束条件添加至所述主问题模型的约束条件中,得到更新后的所述主问题模型的约束条件;
重复执行将包括更新后的约束条件的主问题模型输入所述第一求解器、将所述子问题模型和更新后的所述至少一个第一决策变量的当前最优解输入所述第二求解器以及更新所述主问题模型的约束条件的步骤,直至确定所述目标规划模型的目标函数满足收敛条件,输出所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解。
2.根据权利要求1所述的方法,其特征在于,所述获取目标规划模型的主问题模型,包括:
获取所述目标规划模型、所述至少一个第一决策变量和接口变量的阈值,其中,所述接口变量为所述目标规划模型的目标函数包括的多个单项式中存在所述第二决策变量的单项式的和;
根据目标分解算法,利用所述目标规划模型、所述至少一个第一决策变量以及所述接口变量的阈值生成所述主问题模型,所述目标分解算法是基于奔德斯Benders分解算法得到的。
3.根据权利要求1所述的方法,其特征在于,所述获取目标规划模型的子问题模型,包括:
获取所述目标规划模型和所述至少一个第二决策变量;
根据目标分解算法,利用所述目标规划模型和所述至少一个第二决策变量生成所述子问题模型,所述目标分解算法是基于Benders分解算法得到的。
4.根据权利要求1所述的方法,其特征在于,所述第一求解器包括至少两个求解器,所述将所述主问题模型输入所述第一求解器之前,所述方法还包括:
将所述主问题模型解耦成至少两个子模型;
所述调用第一求解器,将所述主问题模型输入所述第一求解器,获取所述第一求解器输出的所述至少一个第一决策变量的当前最优解,包括:
调用所述至少两个求解器,将所述至少两个子模型并行输入所述至少两个求解器中,获取所述至少两个求解器输出的所述至少一个第一决策变量的当前最优解。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中不存在相同的决策变量。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,所述至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
8.根据权利要求1至4任一项所述的方法,其特征在于,所述目标规划模型的目标函数的收敛条件为所述目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。
9.根据权利要求1至4任一项所述的方法,其特征在于,所述第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,所述第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。
10.一种信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标规划模型的主问题模型和子问题模型,其中,所述主问题模型中存在至少一个第一决策变量,所述子问题模型中存在至少一个第二决策变量;
所述获取模块,还用于调用第一求解器,将所述主问题模型输入所述第一求解器,获取所述第一求解器输出的所述至少一个第一决策变量的当前最优解;
所述获取模块,还用于调用第二求解器,将所述子问题模型和所述至少一个第一决策变量的当前最优解输入所述第二求解器,获取所述第二求解器输出的所述至少一个第二决策变量的当前最优解和至少一个对偶值,其中,所述至少一个对偶值为所述子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,所述第三决策变量与所述第一决策变量对应;
放大模块,用于在根据所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解,确定所述目标规划模型的目标函数不满足收敛条件的情况下,将所述至少一个对偶值与预设值相乘,得到更新后的至少一个对偶值;
更新模块,用于利用更新后的至少一个对偶值生成新约束条件,将所述新约束条件添加至所述主问题模型的约束条件中,得到更新后的所述主问题模型的约束条件;
输出模块,用于重复执行将包括更新后的约束条件的主问题模型输入所述第一求解器、将所述子问题模型和更新后的所述至少一个第一决策变量的当前最优解输入所述第二求解器以及更新所述主问题模型的约束条件的步骤,直至确定所述目标规划模型的目标函数满足收敛条件,输出所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解。
11.根据权利要求10所述的装置,其特征在于,所述获取模块,具体用于:
获取所述目标规划模型、所述至少一个第一决策变量和接口变量的阈值,其中,所述接口变量为所述目标规划模型的目标函数包括的多个单项式中存在所述第二决策变量的单项式的和;
根据目标分解算法,利用所述目标规划模型、所述至少一个第一决策变量以及所述接口变量的阈值生成所述主问题模型,所述目标分解算法是基于奔德斯Benders分解算法得到的。
12.根据权利要求10所述的装置,其特征在于,所述获取模块,具体用于:
获取所述目标规划模型和所述至少一个第二决策变量;
根据目标分解算法,利用所述目标规划模型和所述至少一个第二决策变量生成所述子问题模型,所述目标分解算法是基于Benders分解算法得到的。
13.根据权利要求10所述的装置,其特征在于,
所述装置还包括:解耦模块,用于将所述主问题模型解耦成至少两个子模型;
所述获取模块,具体用于:
调用所述至少两个求解器,将所述至少两个子模型并行输入所述至少两个求解器中,获取所述至少两个求解器输出的所述至少一个第一决策变量的当前最优解。
14.根据权利要求10至13任一项所述的装置,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。
15.根据权利要求10至13任一项所述的装置,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中不存在相同的决策变量。
16.根据权利要求10至13任一项所述的装置,其特征在于,所述至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,所述至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
17.根据权利要求10至13任一项所述的装置,其特征在于,所述目标规划模型的目标函数的收敛条件为所述目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。
18.根据权利要求10至13任一项所述的装置,其特征在于,所述第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,所述第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。
19.一种执行设备,包括处理器、存储器和输出接口,其特征在于,
所述处理器,用于获取目标规划模型的主问题模型和子问题模型,其中,所述主问题模型中存在至少一个第一决策变量,所述子问题模型中存在至少一个第二决策变量;
所述处理器,还用于从所述存储器中获取第一求解器的接口,基于所述第一求解器的接口调用第一求解器,将所述主问题模型输入所述第一求解器,获取所述第一求解器输出的所述至少一个第一决策变量的当前最优解;
所述处理器,还用于从所述存储器中获取第二求解器的接口,基于所述第二求解器的接口调用第二求解器,将所述子问题模型和所述至少一个第一决策变量的当前最优解输入所述第二求解器,获取所述第二求解器输出的所述至少一个第二决策变量的当前最优解和至少一个对偶值,其中,所述至少一个对偶值为所述子问题模型的对偶模型中存在的至少一个第三决策变量的当前最优解,所述第三决策变量与所述第一决策变量对应;
所述处理器,还用于在根据所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解,确定所述目标规划模型的目标函数不满足收敛条件的情况下,从所述存储器中获取预设值,将所述至少一个对偶值与所述预设值相乘,得到更新后的至少一个对偶值;
所述处理器,还用于利用更新后的至少一个对偶值生成新约束条件,将所述新约束条件添加至所述主问题模型的约束条件中,得到更新后的所述主问题模型的约束条件;
所述处理器,还用于重复执行将包括更新后的约束条件的主问题模型输入所述第一求解器、将所述子问题模型和更新后的所述至少一个第一决策变量的当前最优解输入所述第二求解器以及更新所述主问题模型的约束条件的步骤,直至确定所述目标规划模型的目标函数满足收敛条件,通过所述输出接口输出所述至少一个第一决策变量的当前最优解和所述至少一个第二决策变量的当前最优解。
20.根据权利要求19所述的执行设备,其特征在于,
所述处理器,具体用于获取所述目标规划模型、所述至少一个第一决策变量和接口变量的阈值,并根据目标分解算法,利用所述目标规划模型、所述至少一个第一决策变量以及所述接口变量的阈值生成所述主问题模型,其中,所述接口变量为所述目标规划模型的目标函数包括的多个单项式中存在所述第二决策变量的单项式的和,所述目标分解算法是基于奔德斯Benders分解算法得到的。
21.根据权利要求19所述的执行设备,其特征在于,
所述处理器,具体用于获取所述目标规划模型和所述至少一个第二决策变量,并根据目标分解算法,利用所述目标规划模型和所述至少一个第二决策变量生成所述子问题模型,所述目标分解算法是基于Benders分解算法得到的。
22.根据权利要求19所述的执行设备,其特征在于,所述处理器,还用于将所述主问题模型解耦成至少两个子模型;
所述处理器,具体用于从所述存储器中获取至少两个求解器的接口,基于所述至少两个求解器的接口调用所述至少两个求解器,将所述至少两个子模型并行输入所述至少两个求解器中,获取所述至少两个求解器输出的所述至少一个第一决策变量的当前最优解。
23.根据权利要求19至22任一项所述的执行设备,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中存在相同的决策变量且存在不同的决策变量。
24.根据权利要求19至22任一项所述的执行设备,其特征在于,所述至少一个第一决策变量和所述至少一个第二决策变量中不存在相同的决策变量。
25.根据权利要求19至22任一项所述的执行设备,其特征在于,所述至少一个第一决策变量包括工厂的产品生产量、工厂的产品运输量、工厂的产品组装量和工厂的产品交付量中的一项或多项,所述至少一个第二决策变量包括工厂的产品交付量、工厂针对产品的替代产品的生产量和工厂的产品库存量中的一项或多项。
26.根据权利要求19至22任一项所述的执行设备,其特征在于,所述目标规划模型的目标函数的收敛条件为所述目标规划模型的目标函数的最优值的上界与下界之间的差值小于预设阈值。
27.根据权利要求19至22任一项所述的执行设备,其特征在于,所述第一求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器,所述第二求解器为Cplex求解器、Gurobi求解器或Lpsolve求解器。
28.一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1至9中任一项所述的方法。
29.一种电路***,其特征在于,所述电路***包括处理电路,所述处理电路配置为执行如权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129371.9A CN112818280B (zh) | 2019-11-18 | 2019-11-18 | 一种信息处理方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129371.9A CN112818280B (zh) | 2019-11-18 | 2019-11-18 | 一种信息处理方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818280A true CN112818280A (zh) | 2021-05-18 |
CN112818280B CN112818280B (zh) | 2023-07-21 |
Family
ID=75852655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911129371.9A Active CN112818280B (zh) | 2019-11-18 | 2019-11-18 | 一种信息处理方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818280B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537847A (zh) * | 2021-09-17 | 2021-10-22 | 广州粤芯半导体技术有限公司 | 产能规划方法及可读存储介质 |
CN114548704A (zh) * | 2022-01-28 | 2022-05-27 | 联想(北京)有限公司 | 一种信息处理方法和信息处理装置 |
CN114580212A (zh) * | 2022-04-28 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 一种资源的优化配置方法、装置以及设备 |
CN114581220A (zh) * | 2022-05-05 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、设备及分布式计算*** |
CN115759569A (zh) * | 2022-10-21 | 2023-03-07 | 荣耀终端有限公司 | 排产方法及电子设备 |
CN116681198A (zh) * | 2022-11-02 | 2023-09-01 | 荣耀终端有限公司 | 一种模具投放方案生成方法、电子设备及存储介质 |
CN116843157A (zh) * | 2023-08-02 | 2023-10-03 | 天津大学 | 一种批处理增材制造机器调度问题的解决方法和装置 |
WO2023185714A1 (zh) * | 2022-03-31 | 2023-10-05 | 华为技术有限公司 | 一种计算机任务处理方法及其相关设备 |
WO2024007604A1 (zh) * | 2022-07-08 | 2024-01-11 | 华为云计算技术有限公司 | 一种数学模型求解方法、装置、计算设备及计算设备集群 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1753010A (zh) * | 2005-09-21 | 2006-03-29 | 浙江大学 | 用于钢铁企业能源优化调度的分类建模和滚动求解方法 |
US20150286611A1 (en) * | 2011-12-22 | 2015-10-08 | International Business Machines Corporation | Mixing Optimal Solutions |
US20160034820A1 (en) * | 2014-06-16 | 2016-02-04 | Massachusetts Institute Of Technology | Systems and methods for distributed solution of optimization problems |
US9659253B1 (en) * | 2016-02-04 | 2017-05-23 | International Business Machines Corporation | Solving an optimization model using automatically generated formulations in a parallel and collaborative method |
CN107147116A (zh) * | 2017-06-28 | 2017-09-08 | 国网江苏省电力公司经济技术研究院 | 一种风电投资规划的优化方法、装置及计算设备 |
CN107330568A (zh) * | 2017-08-16 | 2017-11-07 | 东南大学 | 基于Benders解耦的储能、分布式电源与配电网协调规划方法 |
CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
CN108681521A (zh) * | 2018-04-18 | 2018-10-19 | 大连理工大学 | 一种实时求解模型预测控制律的快速梯度算法 |
CN109657301A (zh) * | 2018-11-30 | 2019-04-19 | 长沙理工大学 | 基于双重凝聚函数的含病态载荷的结构拓扑优化方法 |
CN109980636A (zh) * | 2019-03-21 | 2019-07-05 | 上海电力学院 | 基于改进Benders分解法的风水火协调优化调度方法 |
-
2019
- 2019-11-18 CN CN201911129371.9A patent/CN112818280B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1753010A (zh) * | 2005-09-21 | 2006-03-29 | 浙江大学 | 用于钢铁企业能源优化调度的分类建模和滚动求解方法 |
US20150286611A1 (en) * | 2011-12-22 | 2015-10-08 | International Business Machines Corporation | Mixing Optimal Solutions |
US20160034820A1 (en) * | 2014-06-16 | 2016-02-04 | Massachusetts Institute Of Technology | Systems and methods for distributed solution of optimization problems |
US9659253B1 (en) * | 2016-02-04 | 2017-05-23 | International Business Machines Corporation | Solving an optimization model using automatically generated formulations in a parallel and collaborative method |
CN107147116A (zh) * | 2017-06-28 | 2017-09-08 | 国网江苏省电力公司经济技术研究院 | 一种风电投资规划的优化方法、装置及计算设备 |
CN107330568A (zh) * | 2017-08-16 | 2017-11-07 | 东南大学 | 基于Benders解耦的储能、分布式电源与配电网协调规划方法 |
CN108388973A (zh) * | 2018-01-11 | 2018-08-10 | 河海大学 | 一种虚拟电厂自适应鲁棒调度优化方法 |
CN108681521A (zh) * | 2018-04-18 | 2018-10-19 | 大连理工大学 | 一种实时求解模型预测控制律的快速梯度算法 |
CN109657301A (zh) * | 2018-11-30 | 2019-04-19 | 长沙理工大学 | 基于双重凝聚函数的含病态载荷的结构拓扑优化方法 |
CN109980636A (zh) * | 2019-03-21 | 2019-07-05 | 上海电力学院 | 基于改进Benders分解法的风水火协调优化调度方法 |
Non-Patent Citations (2)
Title |
---|
杨阳;张粒子;: "市场环境下基于奔德斯分解的年末水位优化策略及模型", 水力发电学报, no. 06, pages 560 - 564 * |
隋允康;张立新;杜家政;: "对偶法求解应力与位移约束不同显式的优化模型", 计算力学学报, no. 05, pages 64 - 68 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537847A (zh) * | 2021-09-17 | 2021-10-22 | 广州粤芯半导体技术有限公司 | 产能规划方法及可读存储介质 |
CN114548704A (zh) * | 2022-01-28 | 2022-05-27 | 联想(北京)有限公司 | 一种信息处理方法和信息处理装置 |
WO2023185714A1 (zh) * | 2022-03-31 | 2023-10-05 | 华为技术有限公司 | 一种计算机任务处理方法及其相关设备 |
CN114580212A (zh) * | 2022-04-28 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 一种资源的优化配置方法、装置以及设备 |
CN114581220A (zh) * | 2022-05-05 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、设备及分布式计算*** |
WO2024007604A1 (zh) * | 2022-07-08 | 2024-01-11 | 华为云计算技术有限公司 | 一种数学模型求解方法、装置、计算设备及计算设备集群 |
CN115759569A (zh) * | 2022-10-21 | 2023-03-07 | 荣耀终端有限公司 | 排产方法及电子设备 |
CN115759569B (zh) * | 2022-10-21 | 2024-04-16 | 荣耀终端有限公司 | 排产方法及电子设备 |
CN116681198A (zh) * | 2022-11-02 | 2023-09-01 | 荣耀终端有限公司 | 一种模具投放方案生成方法、电子设备及存储介质 |
CN116843157A (zh) * | 2023-08-02 | 2023-10-03 | 天津大学 | 一种批处理增材制造机器调度问题的解决方法和装置 |
CN116843157B (zh) * | 2023-08-02 | 2024-03-29 | 天津大学 | 一种批处理增材制造机器调度问题的解决方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112818280B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818280A (zh) | 一种信息处理方法以及相关设备 | |
Luedtke | A branch-and-cut decomposition algorithm for solving chance-constrained mathematical programs with finite support | |
Summers et al. | Topology design for optimal network coherence | |
Diethelm | An efficient parallel algorithm for the numerical solution of fractional differential equations | |
JP7478318B2 (ja) | フレキシブル・パイプライン生成のための方法及びシステム | |
US9396163B2 (en) | Mixing optimal solutions | |
CN112766649B (zh) | 基于多评分卡融合的目标对象评价方法及其相关设备 | |
Jovanovic et al. | Fixed set search application for minimizing the makespan on unrelated parallel machines with sequence-dependent setup times | |
de Athayde Prata et al. | Customer order scheduling problem to minimize makespan with sequence-dependent setup times | |
CN114816711A (zh) | 批量任务处理方法、装置、计算机设备和存储介质 | |
Mastin et al. | Greedy online bipartite matching on random graphs | |
Novak et al. | Scheduling jobs with normally distributed processing times on parallel machines | |
CN108170404B (zh) | 一种基于参数化模型的Web服务组合验证方法 | |
US20160004803A1 (en) | Simulation Sequence In Chemical Process Simulation For Chemical Process Flowsheet With Strongly Connected Components | |
WO2016075805A1 (ja) | 最適生産配分決定装置、最適生産配分決定方法及びそのプログラム | |
CN115756740A (zh) | 容器虚拟机资源管理方法、装置和电子设备 | |
JP2012155517A (ja) | モデル検査装置、モデル検査方法およびモデル検査プログラム | |
CN114461390A (zh) | 结合多维度分析和关键路径法的评估方法及相关装置 | |
US9800692B2 (en) | Expression based declarative data service execution chaining | |
JP2019164398A (ja) | 在庫管理システムおよびプログラム | |
Liu et al. | Exact approaches to late work scheduling on unrelated machines | |
US20240134613A1 (en) | Scalable and customizable computation using a modularized code architecture | |
US11507490B2 (en) | Throughput estimation device and throughput estimation system | |
JP2018136614A (ja) | データ分散処理システム、データ分散処理方法、及びデータ分散処理プログラム | |
US20240193538A1 (en) | Temporal supply-related forecasting using artificial intelligence techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |