运筹优化工具ortools解读与实践-CP-SAT应用案例

发布时间:2024-01-16 17:00

上一篇文章我们介绍了CP-SAT的简单用法,以及CP-SAT包含的不同变量、约束函数。实践出真知,本篇文章将用几个例子加深对CP-SAT使用的理解。

1.员工排班

问题描述

医院主管需要为四名护士创建一个为期三天的时间表,但必须满足以下条件:

每天被分成三个8小时的班次。
每天,每个轮班分配给一名护士,没有护士的工作超过一班。
在三天的工作期间,每个护士至少要上两班。

代码及解读

from ortools.sat.python import cp_model

class NursesPartialSolutionPrinter(cp_model.CpSolverSolutionCallback):

    def __init__(self, shifts, num_nurses, num_days, num_shifts, sols):
        cp_model.CpSolverSolutionCallback.__init__(self)
        self._shifts = shifts
        self._num_nurses = num_nurses
        self._num_days = num_days
        self._num_shifts = num_shifts
        self._solutions = set(sols)
        self._solution_count = 0

    #回调函数,每产生一个solution会调用一次回调函数。这里对回调函数进行重写。
    def on_solution_callback(self):
        self._solution_count += 1
        if self._solution_count in self._solutions:
            print('Solution %i' % self._solution_count)
            for d in range(self._num_days):
                print('Day %i' % d)
                for n in range(self._num_nurses):
                    is_working = False
                    for s in range(self._num_shifts):
                        if self.Value(self._shifts[(n, d, s)]):
                            is_working = True
                            print('  Nurse %i works shift %i' % (n, s))
                    if not is_working:
                        print('  Nurse {} does not work'.format(n))
            print()

    def solution_count(self):
        return self._solution_count


def main():
    # Data.
    num_nurses = 4    # 护士数量
    num_shifts = 3    # 每天班次
    num_days = 3      # 一共要排多少天班
    all_nurses = list(range(num_nurses))
    all_shifts = list(range(num_shifts))
    all_days = list(range(num_days))

    # 创建cp-sat求解器
    model = cp_model.CpModel()

    # 创建0-1布尔变量变量,shifts[(n, d, s)]:表示护士n被分配到第d天的第s个班次
    shifts = {}
    for n in all_nurses:
        for d in all_days:
            for s in all_shifts:
                shifts[(n, d, s)] = model.NewBoolVar('shift_n%id%is%i' % (n, d, s))

    # 添加约束,每个班次都必须有一名护士
    for d in all_days:
        for s in all_shifts:
            model.Add(sum(shifts[(n, d, s)] for n in all_nurses) == 1)

    # 添加约束,每个护士一天最多只能做一个班次
    for n in all_nurses:
        for d in all_days:
            model.Add(sum(shifts[(n, d, s)] for s in all_shifts) <= 1)

    # 如何尽可能平均地分配护士轮班,由于三天有九班,我们可以给四名护士每人分配两班。
    # 之后还会有一个班次,可以分配给任何护士。
    # 以下代码确保每位护士在三天的工作期间至少上两班。

    # min_shifts_per_nurse 每个护士至少分配的班次数量
    # max_shifts_per_nurse 每个护士至多分配的班次数量
    min_shifts_per_nurse = (num_shifts * num_days) // num_nurses
    max_shifts_per_nurse = min_shifts_per_nurse + 1
    for n in all_nurses:
        num_shifts_worked = sum(
            shifts[(n, d, s)] for d in all_days for s in all_shifts)
        model.Add(min_shifts_per_nurse <= num_shifts_worked)
        model.Add(num_shifts_worked <= max_shifts_per_nurse)

    # 求解问题
    solver = cp_model.CpSolver()

    # 展示结果(只展示5条结果)
    a_few_solutions = range(5)
    solution_printer = NursesPartialSolutionPrinter(
        shifts, num_nurses, num_days, num_shifts, a_few_solutions)
    solver.SearchForAllSolutions(model, solution_printer)

    # 统计分析.
    print()
    print('Statistics')
    print('  - conflicts       : %i' % solver.NumConflicts())
    print('  - branches        : %i' % solver.NumBranches())
    print('  - wall time       : %f ms' % solver.WallTime())
    print('  - solutions found : %i' % solution_printer.solution_count())


if __name__ == '__main__':
    main()

2.车间调度

问题描述

作业车间中,在多台机器上处理多个作业。每个作业由一系列任务组成,这些任务必须按照给定的顺序执行,并且每个任务必须在特定的机器上进行处理。例如,该工作可以是生产单个消费品,例如汽车。问题是将任务安排在机器上,以最小化计划的长度——所有作业完成所需的时间。

作业车间问题有几个限制:

  • 在前一个作业任务完成之前,不能启动该作业的任何任务。
  • 一台机器一次只能处理一项任务。
  • 任务一旦启动,就必须一直运行到完成。

下面是工作车间问题一个简单的例子,每个任务由一对数字(m,p)表示,m是机器的数量,p表示任务的处理时间。(作业和机器的编号从0开始。)

job 0 = [(0, 3), (1, 2), (2, 2)]
job 1 = [(0, 2), (2, 1), (1, 4)]
job 2 = [(1, 4), (2, 3)]

job 0有三个任务,第一个(0,3)必须在机器0上以3个单位的时间进行处理,第二个(1,2)必须在机器1上以2个单位的时间处理,以此类推,总共有八个任务。

作业车间问题的结果是为每个任务分配一个启动时间,该时间满足上面给出的约束条件。下图显示了该问题的一种可能的解决方案:
运筹优化工具ortools解读与实践-CP-SAT应用案例_第1张图片

问题的变量和约束

决策变量:让task(i, j)表示作业i序列中的第j个任务,定义为t_i,j,问题的决策变量为特定任务t的开始时间。

作业车间问题有两种类型的约束:

优先约束:这是由于对于同一作业中的任意两个连续任务,必须在启动第二个任务之前完成第一个任务。例如,task(0,2)和task(0,3)是job 0的连续任务。由于task(0,2)的处理时间为2,因此task(0,3)的开始时间必须在task 2的开始时间之后至少为2个单位的时间。结果得到如下约束:

\( t_{0,2}+2<=t_{0,3} \)

没有重叠的约束:这是因为机器不能同时处理两个任务。例如,task(0,2)和task(2,1)都在机器1上处理。由于它们的处理时间分别为2和4,因此必须满足以下条件之一:

\( t_{0,2}+2<=t_{2,1} \) ,如果task(0,2)在task(2,1)之前被调度

\( t_{2,1}+4<=t_{0,2} \) ,如果task(2,1)在task(0,2)之前被调度

目标函数

作业车间问题的目标是最小化完成时间:从作业的最早开始时间到最近结束时间的时间长度。

代码及解读

"""Minimal jobshop example."""
import collections
from ortools.sat.python import cp_model


def main():
    # 创建数据源
    jobs_data = [  # task = (machine_id, processing_time).
        [(0, 3), (1, 2), (2, 2)],  # Job0
        [(0, 2), (2, 1), (1, 4)],  # Job1
        [(1, 4), (2, 3)]  # Job2
    ]

    #机器数
    machines_count = 1 + max(task[0] for job in jobs_data for task in job)
    #机器ID list
    all_machines = range(machines_count)
    #计算消耗时长的最大值
    horizon = sum(task[1] for job in jobs_data for task in job)

    model = cp_model.CpModel()

    # 定义一个带有'start end interval'三个名称域的tuple子类
    task_type = collections.namedtuple('task_type', 'start end interval')
    # 定义一个带有'start job index duration'四个名称域的tuple子类
    assigned_task_type = collections.namedtuple('assigned_task_type',
                                                'start job index duration')

    # 任务字典,job_id, task_id表示key,value为task_type的实例
    all_tasks = {}
    machine_to_intervals = collections.defaultdict(list)

    for job_id, job in enumerate(jobs_data):
        for task_id, task in enumerate(job):
            machine = task[0]
            duration = task[1]
            suffix = '_%i_%i' % (job_id, task_id)
            # 决策变量
            start_var = model.NewIntVar(0, horizon, 'start' + suffix)
            end_var = model.NewIntVar(0, horizon, 'end' + suffix)
            # 创建一个带有起终点窗口的窗口变量,依赖于决策变量start_var、end_var
            interval_var = model.NewIntervalVar(start_var, duration, end_var,
                                                'interval' + suffix)
            # 任务字典,job_id, task_id表示key,value为task_type的实例
            all_tasks[job_id, task_id] = task_type(start=start_var,
                                                   end=end_var,
                                                   interval=interval_var)
            #将相同机器的任务放在同一个list中
            machine_to_intervals[machine].append(interval_var)

    #约束:机器内部不能存在任务时间窗重合.
    for machine in all_machines:
        model.AddNoOverlap(machine_to_intervals[machine])

    #约束:job内task顺序约束
    for job_id, job in enumerate(jobs_data):
        for task_id in range(len(job) - 1):
            model.Add(all_tasks[job_id, task_id +
                                1].start >= all_tasks[job_id, task_id].end)

    # 定义目标函数,这里用一个变量+约束的形式定义目标函数.
    obj_var = model.NewIntVar(0, horizon, 'makespan')
    #约束:obj_var与所有任务结束时间list的最大值相同
    model.AddMaxEquality(obj_var, [
        all_tasks[job_id, len(job) - 1].end
        for job_id, job in enumerate(jobs_data)
    ])
    model.Minimize(obj_var)

    # Creates the solver and solve.
    solver = cp_model.CpSolver()
    status = solver.Solve(model)

    if status == cp_model.OPTIMAL or status == cp_model.FEASIBLE:
        print('Solution:')
        # Create one list of assigned tasks per machine.
        assigned_jobs = collections.defaultdict(list)
        for job_id, job in enumerate(jobs_data):
            for task_id, task in enumerate(job):
                machine = task[0]
                assigned_jobs[machine].append(
                    assigned_task_type(start=solver.Value(
                        all_tasks[job_id, task_id].start),
                                       job=job_id,
                                       index=task_id,
                                       duration=task[1]))

        # Create per machine output lines.
        output = ''
        for machine in all_machines:
            # Sort by starting time.
            assigned_jobs[machine].sort()
            sol_line_tasks = 'Machine ' + str(machine) + ': '
            sol_line = '           '

            for assigned_task in assigned_jobs[machine]:
                name = 'job_%i_task_%i' % (assigned_task.job,
                                           assigned_task.index)
                # Add spaces to output to align columns.
                sol_line_tasks += '%-15s' % name

                start = assigned_task.start
                duration = assigned_task.duration
                sol_tmp = '[%i,%i]' % (start, start + duration)
                # Add spaces to output to align columns.
                sol_line += '%-15s' % sol_tmp

            sol_line += '\n'
            sol_line_tasks += '\n'
            output += sol_line_tasks
            output += sol_line

        # Finally print the solution found.
        print(f'Optimal Schedule Length: {solver.ObjectiveValue()}')
        print(output)
    else:
        print('No solution found.')

    # Statistics.
    print('\nStatistics')
    print('  - conflicts: %i' % solver.NumConflicts())
    print('  - branches : %i' % solver.NumBranches())
    print('  - wall time: %f s' % solver.WallTime())


if __name__ == '__main__':
    main()

最终,新的调度方案如下方所示,整体耗时从12小时降低为11小时。
image.png

ItVuer - 免责声明 - 关于我们 - 联系我们

本网站信息来源于互联网,如有侵权请联系:561261067@qq.com

桂ICP备16001015号