谁能帮我解决这个 CPLEX 模型？答案

【问题标题】：Can anyone help me with this CPLEX Model?谁能帮我解决这个 CPLEX 模型？
【发布时间】：2019-09-02 03:18:39
【问题描述】：

我正在尝试根据以下条件对树的每个部分[i][j] 的库存成本求和：

X={x[i][j]} 
x[i][j] = 1 if has stock at ij
x[i][j] = 0 if has no stock at

库存取决于准备时间，他们自己取决于之前是否有库存如下：

a[i][j] = t[i][j] if it's the end node
    = t[i][j] + max(s€sons of the brunch){ a[i+1][s] * (1 - x[i][s]}

代码编译时没有任何结构错误，但数组 a 和决策变量没有得到任何响应

//getting all the sons

range L=0..ligne;
range C=1..colone;

int sons[L][C][C];
int a[L][L];
execute
{
    for (var i in Li){
        for (var j in C){
            for (var k in C){
                if (parent[i+1][k] == j){
                   sons[i][j][k] = k;
                }else
                   sons[i][j][k] = 0;
            }
        }
        a[i][0]=0;
    }
    for (var j in C){
        for (var k in C)
            sons[ligne][j][k]=0;    
    }
 }

//the variable and the objective function and constraints
 dvar boolean x[L][Ci];
  
 dexpr float TotalCost = aih_cost*adup*(1.5+var_factor)*lt_factor*sum(i in L,j   in C)( unit_price[i][j]*rqtf[i][j]*x[i][j]*a[i][j] ); 
 
 minimize TotalCost;
 
 subject to {
    forall(i in Li){
        forall(j in C){     
            forall(k in C) 
            (1-x[i+1][sons[i][j][k]]) * a[i+1][sons[i][j][k]] + t_process[i][j] - a[i][j] >= 0;
        }
}        
    a[0][1]<=service_t; 
}

我希望至少有一个针对 x 的建议数组，以及一些准备时间“a”。

【问题讨论】：

标签： c recursion optimization boolean cplex

【解决方案1】：

您的模型可能不可行。您可以通过转动为约束添加名称

   forall(i in Li){
        forall(j in C){     
            forall(k in C) 
            (1-x[i+1][sons[i][j][k]]) * a[i+1][sons[i][j][k]] + t_process[i][j] - a[i][j] >= 0;
        }
}        
    a[0][1]<=service_t;

进入

forall(i in Li){
        forall(j in C){     
            forall(k in C) 
            ct1:(1-x[i+1][sons[i][j][k]]) * a[i+1][sons[i][j][k]] + t_process[i][j] - a[i][j] >= 0;
        }
}        
    ct2:a[0][1]<=service_t;

然后你可以放松一下，这对你有帮助。

【讨论】：

【解决方案2】：

默认情况下，Cplex 使用求解器 cplex 解决线性问题和 MILP。对于我的问题，“a”和“x”之间的依赖关系给它二次维度。

要解决这类问题，需要使用 CP 优化器cpo，它通常用于约束规划，但它也为非线性问题提供解决方案。

或者在另一种尝试中，我将问题引入线性化为一个新的决策变量 y=a*x，并为模型添加了大量约束。

【讨论】：