标签: operations-research

我试图使用从R中幸存的估计参数生成反Weibull分布.我的意思是我想,对于给定的概率(在MS Excel中实现的小型仿真模型中将是随机数),返回使用我的参数预计失败的时间.我理解逆Weibull分布的一般形式是:

X=b[-ln(1-rand())]^(1/a)

其中a和b分别是形状和比例参数,X是我想要的失败时间.我的问题在于解释来自幸存的截距和协变量参数.我有这些参数,时间单位是天:

             Value   Std. Error    z    p
(Intercept)     7.79    0.2288  34.051  0.000
Group 2        -0.139   0.2335  -0.596  0.551
Log(scale)     0.415    0.0279  14.88   0.000
Scale= 1.51 

Weibull distribution
Loglik(model)= -8356.7   Loglik(intercept only)= -8356.9 
Chisq = 0.37 on 1 degrees of freedom, p= 0.55 
Number of Newton-Raphson Iterations: 4 
n=1682 (3 observations deleted due to missing values)

我在帮助文件中读到R中的系数来自"极值分布",但我不确定这是什么意思以及我如何"回到"直接在公式中使用的标准比例参数.使用b = 7.79和a = 1.51给出了无意义的答案.我真的希望能够为基组和'Group 2'生成时间.我还应该注意,我自己没有进行分析,也无法进一步查询数据.

我研究有关知识网络中链接预测的论文。作者通常报告“Hits@k”。我想知道如何计算 hist@k 以及它对模型和结果意味着什么？

这是我在 CPLEX 12.7.0 中解决的小规模混合整数线性优化问题中获得的引擎日志输出的一部分

    Nodes                                         Cuts/
   Node  Left     Objective  IInf  Best Integer    Best Bound    ItCnt     Gap

      0     0      280.0338    78                    280.0338       72         
      0     0      428.8558    28                    Cuts: 89      137         
      0     0      429.5221    34                     Cuts: 2      142         
      0     0      429.7745    34                  MIRcuts: 2      143         
*     0+    0                          460.9166      429.7745             6.76%
      0     2      429.7745    34      460.9166      429.8666      143    6.74%
Elapsed time = 0.49 sec. (31.07 ticks, tree = 0.01 MB, solutions = 1)
*    35     8      integral     0      438.1448      435.6381      211    0.57% …

我想知道什么时候人们会决定诉诸强化学习来解决以前通过数学优化方法解决的问题——想想旅行商问题或工作调度或出租车共享问题。

由于强化学习旨在以与运筹学尝试优化某个成本函数的结果类似的方式最小化/最大化某个成本/奖励函数，我认为可以解决两方之一可以解决的问题由另一个。然而，情况是这样吗？两者之间有取舍吗？关于上述问题，我还没有真正看到对 RL 进行的太多研究，但我可能会弄错。

如果有人有任何见解，他们将不胜感激！！

我正在尝试使用 SciPy 解决一个非常基本的优化问题。这个问题是受约束的并且具有可变范围，我很确定它是线性的。

当我运行以下代码时，执行失败并显示错误消息“LSQ 子问题中的奇异矩阵 C”。有谁知道可能是什么问题？提前致谢。

编辑：我将在此处添加代码应执行的操作的简短描述。我在代码的开头定义了一个“需求”向量。该向量描述了在一段时间内索引的某种产品的需求。我想弄清楚的是如何在一定的约束下下一组订单来满足这个需求。这些限制是；

• 如果在某个时间点有需求，我们必须有库存（需求指数）
• 下单后 4 个“时间单位”后我们才能下追加单
• 最近4个时间单位无法下单

这是我的代码；

from scipy.optimize import minimize
import numpy as np

demand = np.array([5, 10, 10, 7, 3, 7, 1, 0, 0, 0, 8])
orders = np.array([0.] * len(demand))

def objective(orders):
  return np.sum(orders)

def items_in_stock(orders):
  stock = 0
  for i in range(len(orders)):
    stock += orders[i]
    stock -= demand[i]
    if stock < 0.:
      return -1.
  return 0.

def four_weeks_order_distance(orders):
  for i in range(len(orders)):
    if orders[i] != 0.:
      num_orders = (orders[i+1:i+5] != …

节点分配问题

我想解决的问题是将蓝色节点(源节点)给出的地图镶嵌为给定的输入点,一旦我能够做到这一点,我想看看有多少黑节点(需求节点)落在每个小区内,将其分配给与该单元关联的蓝色节点.

我想知道在没有使用Fortune算法的情况下是否有更简单的方法.我在Mahotas下遇到了这个函数,名为Mahotas.segmentation.gvoronoi(image)source.但我不确定这是否能解决我的问题.

另外请建议我是否有更好的方法进行此分割(除了Voronoi曲面细分).我不确定聚类算法是否是一个不错的选择.我是一个编程新手.

是否有Mosek的开源替代品？

基本上,我正在寻找大规模凸优化求解器包.

谢谢!

编辑:

忘了早些提到,问题是非线性的; 大多数是二次的,但有时可能需要非二次约束+非二次目标

因此,这是一个引人深思的问题,可以让我的教授了解NP-Completeness的概念.我知道为什么应该有一个解决方案,由于NP-Completeness的规则,但我不知道如何找到它.所以这是问题所在:

问题是两个处理器的简单任务调度问题.每个处理器可以处理其中一个n任务,任何两个任务都可以同时完成.每个任务都有一个结束时间e,必须在此时完成.每个任务也有一个持续时间d.所有时间值,例如结束时间,持续时间和系统中的当前时间(时间将从0开始)都是整数.因此我们给出了一个n任务列表,我们需要使用这两个处理器来安排它们.如果无法安排任何一个,则算法必须不返回任何解决方案.请记住,顺序无关紧要,只要没有重叠并且每个任务在截止日期之前完成,哪个处理器获取哪个任务都无关紧要.

所以这里是问题得到概念/抽象的地方,比如我们可以访问一个特殊的小函数,我们不知道它是如何工作的,我们所知道的就是:给定一个n任务列表和当前的时间表,它将返回true或false基于从这一点来看,算法是否可以解决.此函数假定已安排的任务是一成不变的,它只会更改未安排的任务的时间.但是,所有这个函数都返回true或false,如果找到解决方案,它将不会给你正确的时间表.关键是你可以在执行调度问题时使用特殊功能.目标是解决调度问题,并使用对特殊函数的多项式调用次数,返回正确调度的每个作业的工作时间表.

编辑:澄清一下,问题是:创建一个解决方案来安排所有n任务,没有任何超过截止日期,使用多项式调用"特殊功能".

我认为这个问题是为了证明验证解是多项式,但发现它是非多项式的.但是我的教授坚持认为有一种方法可以使用对特殊函数的多项式调用来解决这个问题.由于整个问题是NP-Complete,这将证明运算符的非多项式方面在算法的"决策部分"中出现.

如果你希望我清理任何东西只是发表评论,我知道这不是对这个问题的完美解释.

是否有一种算法可以解决以下决策问题：

给定一个G由其转移矩阵定义的强连通加权有向图，是否存在一个G没有负循环的强连通生成子图？

的强连通生成子图G是与G共享相同顶点的强连通子图G。您可以查看本文以了解强连接生成子图的定义。在本文中，他们提出了最小强连通子图问题的近似。

解决这个问题的一个简单方法是使用 Ford-Bellman 或 Floyd-Warshall 算法找到图的负循环，从这个循环中删除一条边，并在图仍然强连通时重复。但是这种简单的方法时间复杂度很低，因为我们可能会运行福特贝尔曼算法并多次检查强连通性——而且我无法证明这个算法是否在所有情况下都是正确的。

我希望在这里找到专家，他们可以告诉我这个决策问题是否可以在多项式时间内解决，以及什么算法可以解决这个问题。提前谢谢了。

I am currently evaluating googles or-tools and just noticed that it's not really a solver on its own but mainly an interface to other solvers. What I'd like to know is which solvers this framework uses for constraint and routing problems.

I have already looked thoroughly through https://developers.google.com/optimization/, but only found that

• for linear optimization Google's "in-house, open-source GLOP" is used
• for network flow optimization an own solver seems to be used ("OR-Tools provides several solvers for network flow …