[人工智能]gurobi学习笔记1OR-Tools约束规划(1)

OR-tools中常见函数说明

#导入OR-Tools中的CP-SAT求解器中的cp_model模块
from ortools.sat.python import cp_model

ortools.sat.python：导入or-tools CP-SAT求解器
CP-SAT求解器：使用SAT (satisfiability)方法的约束规划求解器，是原始约束规划求解器 (CP Solver)的高级版。
SAT (satisfiability)方法：在计算机科学中，布尔可满足性问题（有时称为命题可满足性问题，缩写为SATISFIABILITY或SAT）是确定是否存在满足给定布尔公式的解释的问题。它询问给定布尔公式的变量是否可以一致地用值TRUE或FALSE替换，公式计算结果为TRUE。如果是这种情况，公式称*为可满足。

拓展

约束规划

1. 约束优化或约束规划(Constraint programming, CP)是指从一组非常大的候选集合中找出可行的解决方案。
   CP是基于可行性(寻找一个可行的解决方案)而不是最优化(寻找一个最优的解决方案)，关注点是约束和变量而不是目标函数。甚至CP问题可能没有目标函数（典型的CP问题如员工调度）

2. OR-Tools为约束编程提供了两个求解器:
   CP-SAT：SAT (satisfiability)方法的约束规划求解器是原始约束规划求解器 (CP Solver)的高级版。
   original-CP：原始约束规划求解器

 #定义CP约束规划模型类
  model = cp_model.CpModel()  

cp_model：约束规划，主要使用整型变量对优化问题进行建模

#定义变量
x1 = model.NewIntVar(0, 4, 'x1')
x2 = model.NewIntVar(0, 3, 'x2')
#这里的model为上文定义的model

1. model.NewIntVar(lb, ub, name)
   整数变量（下限，上线，变量名）
2. model.NewIntervalVar(start, size, end, name)
   区间变量（开始，步长，结束，变量名）
3. model.NewBoolVar(name)：
   0-1整数变量（变量名）

#添加约束
model.Add(x1+ 3*x2 <=8)

#添加目标函数
model.Maximize(2*x1 + 3* x2)

#创建求解器并求解
solver = cp_model.CpSolver()
solver.Solve(model)
#用solver解模型model

#打印结果
print("目标值为：",solver.ObjectiveValue())
print("x1=",solver.Value(x1))
print("x1=",solver.Value(x2))

完整代码
#导入OR-Tools中的CP-SAT求解器中的cp_model模块
from ortools.sat.python import cp_model
# 定义CP约束规划模型类
model = cp_model.CpModel()
#定义变量
x1 = model.NewIntVar(0, 4, 'x1')#这里的model为上文定义的model
x2 = model.NewIntVar(0, 3, 'x2')
#添加约束
model.Add(x1+ 3*x2 <=8)
#添加目标函数
model.Maximize(2*x1 + 3* x2)
#创建求解器并求解
solver = cp_model.CpSolver()
solver.Solve(model)  #用solver解模型model
#打印结果
print("目标值为：",solver.ObjectiveValue())
print("x1=",solver.Value(x1))
print("x1=",solver.Value(x2))