对于线性优化问题,我想加入惩罚。如果总和大于 0,则每个选项的惩罚 (penalties[(i)]) 应为 1;如果惩罚为零,则应为 0。有没有办法做到这一点?
处罚定义为:
penalties = {}
for i in A:
penalties[(i)]=(lpSum(choices[i][k] for k in B))/len(C)
prob += Objective Function + sum(penalties)
例如:
penalties[(0)]=0
penalties[(1)]=2
penalties[(3)]=6
penalties[(4)]=0
处罚总和应为:
sum(penalties)=0+1+1+0= 2
最佳答案
是的。您需要做的是创建二进制变量:use_ith_row
。如果行 i
的任何一个 choices[i][k]
>= 0,则此变量的解释将为 ==1
(否则为 0)。
目标函数中的惩罚项只需为 sum(use_ith_row[i] for i in A)
。
您需要的最后一件事是执行上述规则的一组约束:
for i in A:
lpSum(choices[i][k] for k in B) <= use_ith_row[i]*M
最后,您需要选择足够大的 M,以便当 use_ith_row
为 1 时,上述约束没有限制作用(您通常可以很容易地计算出这个界限)。选择太大的 M
也可以,但往往会使你的问题解决速度变慢。
附:我不知道 C
是什么,也不知道为什么除以它的长度 - 但通常情况下,如果这个惩罚对于你的其他/主要目标来说是次要的,你会对其进行加权,以便始终给出主要目标的改进重量更大。
关于python - 最小化输出数量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57288073/