当纸浆优化没有在时间限制内解决时，找出哪些约束不正确答案

【问题标题】：finding which constraints are not true when pulp optimization does not solve in time limit当纸浆优化没有在时间限制内解决时，找出哪些约束不正确
【发布时间】：2021-09-01 19:43:24
【问题描述】：

我有一个非常大的优化，它不能解决大型数据集。我想看看约束条件，看看哪些是持有的，哪些不是。这个可以吗？

【问题讨论】：

标签： optimization constraints pulp

【解决方案1】：

我不知道LpConstraint 类的方法，它允许您轻松检查现有“解决方案”是否已满足它（不是真正的解决方案，因为不满足所有约束）。 link to LpConstraint docs

不久前有人问过similar question，它没有答案，所以我怀疑这个功能不存在。可能值得在 pulp GitHub page 上提交功能请求。

与此同时，您可能可以按照以下方式组合一些可能有效的东西（其中prob 是您的 Pulp 问题对象）：

soln_dict = {i.name: i.varValue for i in prob.variables()}

for c in prob.constraints.values():
    c_dict = c.toDict()
    # print(c_dict)
    satisfied = False
    
    LHS = sum([soln_dict[i['name']]*i['value'] for i in c_dict['coefficients']])
    LHS = LHS + c_dict['constant']
    
    if c_dict['sense'] == 0:
        satisfied = (LHS == 0)
   
    if c_dict['sense'] == -1:
        satisfied = (LHS <= 0)
    
    if c_dict['sense'] == 1:
        satisfied = (LHS >= 0)
   
    print(c)
    
    if satisfied:
        #print('LHS: ', LHS)
        print('is satisfied')
    else:
        #print('LHS: ', LHS)
        print('not satisfied')

【讨论】：

【解决方案2】：

查看代码看起来约束具有文档中没有的有效函数

def valid(self, eps=0):
        val = self.value()
        if self.sense == const.LpConstraintEQ:
            return abs(val) <= eps
        else:
            return val * self.sense >= -eps

【讨论】：

不错的发现！要注意的另一件事是，如果您有很多整数变量，那么当您用完时间时可能会不满意的是整数变量采用整数值（以及变量的上限/下限）的要求。