用于惰性约束和预求解的约束处理程序答案

【问题标题】：Constraint Handler for lazy constraints and Presolving用于惰性约束和预求解的约束处理程序
【发布时间】：2021-02-26 15:36:05
【问题描述】：

我正在使用 PySCIPOpt（SCIP 版本 6.0.2，PySCIPOpt 版本 2.2.3）来解决混合整数问题。约束处理程序应该检查和执行一些没有直接建模到问题中的需求（惰性约束）。

问题：预求解极大地简化了原始问题（删除变量），以至于约束处理程序（在预求解之后）插入的约束导致不可行。

在下面的示例中，仅存在两个二进制变量和一个集合分区约束。预求解能够删除所有变量和约束。约束处理程序将x_0 变量限制为0，问题变得不可行。如果关闭预求解，则会找到“正确”的解 x_1 = 1。

from pyscipopt import Model, quicksum, Conshdlr, SCIP_RESULT, SCIP_PRESOLTIMING, SCIP_PROPTIMING, SCIP_PARAMSETTING


class ConshdlrNotZero(Conshdlr):

    def __init__(self):
        pass

    def conscheck(self, constraints, solution, checkintegrality, checklprows, printreason, completely):
        x = self.data
        if self.model.getSolVal(solution, x[0]) > 0.5:
            return {"result": SCIP_RESULT.INFEASIBLE}
        return {"result": SCIP_RESULT.FEASIBLE}

    def consenfolp(self, constraints, nusefulconss, solinfeasible):
        x = self.data
        if self.model.getSolVal(None, x[0]) > 0.5:
            self.model.addCons(x[0] <= 0, name='fix_x0')
            return {"result": SCIP_RESULT.CONSADDED}
        return {"result": SCIP_RESULT.FEASIBLE}

    def conslock(self, constraint, locktype, nlockspos, nlocksneg):
        pass


m = Model('test_presolve')

x = dict()
x[0] = m.addVar(vtype='BINARY', obj=0, name="x_%d" % 0)
x[1] = m.addVar(vtype='BINARY', obj=1, name="x_%d" % 1)

m.addCons(quicksum(x_var for x_var in x.values()) == 1, name="set_partitioning")

conshdlr = ConshdlrNotZero()
conshdlr.data = x
m.includeConshdlr(conshdlr, "n0", "please not the x_0 variable",
                  sepapriority=-1, enfopriority=-1, chckpriority=-1, sepafreq=-1, propfreq=-1,
                  eagerfreq=-1, maxprerounds=0, delaysepa=False, delayprop=False, needscons=False,
                  presoltiming=SCIP_PRESOLTIMING.FAST, proptiming=SCIP_PROPTIMING.BEFORELP)

# m.setPresolve(SCIP_PARAMSETTING.OFF)
m.setMinimize()
m.optimize()
m.printSol()

有没有办法确保在预求解中考虑约束处理程序（禁用预求解除外）？

编辑：在预求解作品中禁用双重缩减（将 misc/allowdualreds 设置为 0）。我仍然想知道为什么这可以解决问题以及是否有更好的解决方案。

【问题讨论】：

标签： scip

【解决方案1】：

预求解的双重减少意味着它们可能会切断最优解，但至少留下一个最优解。

您的推理似乎利用了原始可行区域的知识，因此您必须禁用对偶预求解约简。

【讨论】：