Decision Optimization cahiers

Vous pouvez créer et exécuter Decision Optimization des modèles dans les notebooksPython à l'aide de DOcplex, une API native d' PythonDecision Optimization. Plusieurs Decision Optimization cahiers sont déjà à votre disposition.

Vous pouvez utiliser Decision Optimization avec Python 3.12 and 3.11 (deprecated). Decision Optimization ( DOcplex ) est disponible dans les environnements d'exécution suivants :
  • Runtime 25.1 on Python 3.12 avec CPLEX 22.1.2.0
  • Runtime 24.1 (deprecated) on Python 3.11 (deprecated) avec CPLEX 22.1.2.0

Le Decision Optimization service comprend l'édition commerciale complète de CPLEX. Si vous ne l'installez pas Decision Optimization, vous n'aurez accès qu'à l' Community Edition des moteurs CPLEX. L'algorithme de recherche par itération ( Community Edition ) est limité à la résolution de problèmes comportant jusqu'à 1 000 contraintes et 1 000 variables, ou avec un espace de recherche de 1 000 x 1 000 pour les problèmes de programmation par contraintes.

Plusieurs exemples Decision Optimization de cahiers sont disponibles dans le jupyter dossier des exemples DO, notamment :
  • L'exemple intitulé Sudoku, un exemple de programmation par contraintes dont l'objectif consiste à résoudre une grille de Sudoku de 9 cases sur 9.
  • Exemple de production équilibrée de pâtes alimentaires. Cet exemple de programmation linéaire a pour objectif de minimiser le coût de production de certains produits de pâtes alimentaires et de garantir que la demande des clients pour ces produits soit satisfaite.

Tous Decision Optimization les ordinateurs portables utilisent DOcplex.

DOcplex

Les Decision Optimization cahiers utilisent DOcplex, une API native d' Python s pour la modélisation et la résolution Decision Optimization de problèmes. L'API est disponible par défaut dans le cadre de l'environnement Python.

Elle se compose de deux modules :
  • Modélisation mathématique pour l' Python, qui utilise docplex.mp
  • Modélisation par programmation par contraintes pour l' Python, qui utilise docplex.cp
Dans votre code, vous pouvez spécifier la bibliothèque à utiliser, comme dans l'exemple qui suit pour les bibliothèques Mathematical Programming :
from docplex.mp.model import Model

L'API est sous licence Apache V2.0 et est numpy/pandas conviviale.

Vous pouvez lire l'ensemble de la documentation de l'API DOcplex sur rawgit. Vous trouverez des exemples de DOcplex sur le site Decision Optimization GitHub.

Decision Optimization API client

En plus de DOcplex, une API Decision Optimization client est disponible pour vous permettre de créer des scénarios et de gérer les modèles créés dans l 'interface utilisateur Decision Optimization d'expérimentation. Voir, par exemple, Génération de plusieurs scénarios d' Decision Optimization.

Consultez la documentation Decision Optimization de l'API client. Vous pouvez également trouver l'exemple précédent dans le jupyter dossier des exemples DO.

Exécution de Decision Optimization notebooks

Téléchargez un bloc-notes à partir du jupyter dossier des exemples DO et exécutez-le comme suit.

Si vous avez déjà un projet dans Cloud Pak for Data :
  1. Sélectionnez l'onglet Actifs.
  2. Sélectionnez Nouvel actif > Travailler avec des données et des modèles dans l' Python, ou R dans la section Travailler avec des modèles.
  3. Choisissez Fichier local. Ensuite, cliquez sur « Glisser-déposer les fichiers ici ou télécharger », puis recherchez le bloc-notes sur votre ordinateur.
  4. Cliquez sur Créer un bloc-notes. Le bloc-notes est ajouté à votre projet.

Si vous n'avez pas de projet dans Cloud Pak for Data

  1. Créez un projet : sélectionnez Projets > Afficher tous les projets dans le menu, puis cliquez sur le bouton Nouveau projet.
  2. Sélectionnez Créer un projet vide et, dans la fenêtre qui s'ouvre, entrez un nom, puis cliquez sur Créer.
  3. Sélectionnez l'onglet Actifs.
  4. Sélectionnez Nouvel actif > Travailler avec des données et des modèles dans l' Python, ou R dans la section Travailler avec des modèles.
  5. Choisissez Fichier local. Ensuite, cliquez sur « Glisser-déposer les fichiers ici ou télécharger », puis recherchez le bloc-notes sur votre ordinateur.
  6. Cliquez sur Créer un bloc-notes. Le bloc-notes est ajouté à votre projet.
Votre ordinateur portable s'ouvre automatiquement.

Le Decision Optimization service comprend l'édition commerciale complète de CPLEX. Si vous ne l'installez pas Decision Optimization, vous n'aurez accès qu'à l' Community Edition des moteurs CPLEX. L'algorithme de recherche par itération ( Community Edition ) est limité à la résolution de problèmes comportant jusqu'à 1 000 contraintes et 1 000 variables, ou avec un espace de recherche de 1 000 x 1 000 pour les problèmes de programmation par contraintes.

Pour exécuter votre bloc-notes, cliquez sur Cellule > Exécuter tout.

Des exemples de cahiers d' Python s sont fournis dans l' Decision Optimization GitHub. Pour utiliser ces exemples, consultez les exemples de notebooks Jupyter. Ces exemples n'utilisent pas l 'interface utilisateur de l'expérience.

De plus, un notebook Python qui vous montre comment générer plusieurs scénarios à l'aide de données aléatoires est fourni dans le jupyter dossier des exemples DO. Cette approche peut être utile pour tester un modèle créé dans l 'interface utilisateur de l'expérience avec différents ensembles de données. Pour plus d'informations, consultez la section Génération de plusieurs scénarios.

Tutoriels Decision Optimization

Vous trouverez d'autres exemples DOcplex qui vous présenteront l'API DOcplex Python sur le site Decision Optimization GitHub:

Programmation linéaire
Vous pouvez lire une description détaillée de ce cahier dans ce tutoriel sur la programmation linéaire (CPLEX Partie 1). Vous pouvez cloner ou télécharger ce cahier de programmation Decision Optimization linéaire depuis Github.
Au-delà de la programmation linéaire
Vous pouvez lire une description détaillée de ce cahier dans ce tutoriel sur la programmation linéaire (CPLEX Partie 2). Vous pouvez cloner ou télécharger ce notebook Decision Optimization Beyond Linear Programming depuis Github.
Premiers pas avec la planification dans CPLEX pour l' Python
Vous trouverez une description détaillée de ce bloc-notes dans le tutoriel Planification dans CPLEX pour Python. Vous pouvez cloner ou télécharger ce notebook « Getting started with Scheduling in CPLEX for Python » (Premiers pas avec la planification dans CPLEX pour ) depuis Github.