Modelos de amostra e blocos de notas para Decision Optimization

Vários exemplos são apresentados nesta documentação como tutoriais Você também pode usar muitos outros exemplos fornecidos noDecision OptimizationGitHub , E no Centro de recursos .

Links rápidos:

Decision Optimization GitHub Amostras DO

Consulte Decision Optimization GitHub para obter um repositório de amostras para uso com IBM Cloud Pak for Data as a Service. Selecione a subpasta de produto e versão relevante.

Para Decision Optimization amostras da interface do usuário do experimento, consulte a seção a seguir Decision Optimization amostras de experimentos ( Python, OPL, Modeling Assistant ). O repositório Decision Optimization GitHub o repositório também contém amostras do notebook Jupyter que podem ser importadas para o Cloud Pak for Data. Consulte Jupyter notebooks.

Exemplo de Java

Consulte o exemplo de modelo Java fornecido no Decision Optimization Java™ worker boilerplate no Java worker GitHub.

Exemplos descritos nesta documentação

A tabela a seguir lista os modelos de exemplo descritos nesta documentação e que mostram como usar o Decision Optimization.

Tabela 1. Decision Optimization exemplos da documentação
  Exemplos

Aprenda como ...

Consulte

Crie modelos de planejamento usando o Modeling Assistant

Exemplo de Construção de Casa
  • Crie, edite e resolva um modelo de planejamento e planejamento com o Modeling Assistant.
  • Crie e examine os diferentes cenários.

Resolver um modelo usando o Modeling Assistant

Crie modelos de otimização Python usando a Decision Optimization IU do experimento

Exemplo de Diet
  • Crie e resolva um modelo Python que é gerado a partir de um cenário existente.
  • Crie e examine um novo cenário..

Solução de um modelo Python DOcplex

Exemplo de cenário múltiplo
  • Crie um modelo Python a partir de um Python notebook importado no Decision Optimization e resolva-o.
  • Gere vários cenários de um Python notebook usando dados aleatórios.
  • Exportar tabelas do cenário.

Trabalhando com Diversos Cenários

Crie ou importe DOcplex Python notebooks.

Exemplos de Decision Optimization notebook
  • Faça download de um notebook e inclua-o em um projeto.
  • Execute um bloco de notas

Executando Decision Optimization notebooks

Decision Optimization Experimento amostras (Python, OPL, Modeling Assistant)

Para obter um guia passo a passo para construir, resolver e implementar um modelo Decision Optimization , usando a interface com o usuário, consulte o Tutorial de iniciação rápida com vídeo.

A tabela a seguir lista as Decision Optimization que são fornecidas em DO-samples no diretório Decision Optimization GitHub. Todos esses ativos usam o Decision Optimization experiment UI e contêm dados.

Nota:

Para executar modelos, você deve associar uma instância de tempo de execuçãowatsonx.ai ao seu projeto e associar um espaço de implementação ao seu experimento Decision Optimization. Também deve-se ter a função de Editor ou Administrador no espaço de implementação

Para usar essas amostras:
  1. Faça o download e extraia todos os exemplos de DO em seu computador. Também é possível fazer download apenas de uma amostra, mas neste caso, não a extraia.
  2. Abra seu projeto ou crie um projeto vazio.
  3. Na guia Gerenciar do seu projeto, selecione a seção Serviços e integrações e clique em Associar serviço. Em seguida, selecione uma instância de serviço existente do Machine Learning (ou crie uma nova) e clique em Associar.. Quando o serviço é associado, uma mensagem de êxito é exibida e é possível então fechar a janela Associar serviço .
  4. Selecione a guia Ativos .
  5. Selecione Novo ativo > Resolver problemas de otimização no Trabalhar com modelos seção.
  6. Clique em Arquivo local na janela Criar um experimento Decision Optimization aberta.
  7. Procure a pasta Model_Builder em suas DO-samplestransferidas por download. Selecione a subpasta de produto e versão relevante. Escolha seu arquivo .zip de amostra e clique em Abrir. Como alternativa, arraste a amostra na janela.
  8. Se você ainda não tiver associado um serviço de tempo de execuçãowatsonx.ai ao seu projeto, deverá primeiro selecionar Adicionar um serviço Machine Learning para selecionar ou criar um antes de escolher um espaço de implantação para o seu experimento.
  9. Clique em Novo espaço de implementação, insira um nome e clique em Criar (ou selecione um espaço existente no menu suspenso).
  10. Clique em Criar.

    Um modelo Decision Optimization é criado com o mesmo nome da amostra.

Em seguida, você pode executar cenários de modelos, explorar soluções e visualizar resultados em seu experimento. Para obter mais informações, consulte
Tabela 2. Decision Optimization Modelos
Modelos para Decision Optimization Tipo de problema Tipo de modelo
BridgeScheduling Planejamento Modeling Assistant
Diet Bempréstimos Python
DietLP Bempréstimos LP (CPLEX)
EnvironmentAndExtension Usar um ambiente com uma extensão que contenha um arquivo de biblioteca e código YAML. Python
HouseConstructionScheduling Planejando com Designação Modeling Assistant
IntermediateSolutions Ativando soluções intermediárias para modelos CPLEX e CPO Python
MarketingCampaignAssignment Designação de Recurso (Cenários 1 a 4)

Seleção e Alocação (Cenário 4 - Seleção)

 Modeling Assistant
Diversos arquivos Usando um modelo com diversos arquivos. Python e LP
PastaProduction Produção OPL
PortfolioAllocation Seleção & Alocação Modeling Assistant
PythonEngineSettings Puzzle geométrico com configurações personalizadas do motor Python
ShiftAssignment Atribuição De Recursos com decisões customizadas e uma restrição personalizada Modeling Assistant
StaffPlanning Planejamento Multi-Scenario

(para ser usado com CopyAndSolveScenarios.ipynb)

 Python
SupplyDemandPlanning Planejamento de Fornecimento & Demanda Modeling Assistant
TalentCPO Agendamento de filmes CPO (Otimizador de CP)

Jupyter notebook amostras

Jupyter notebooks também são fornecidos no Decision Optimization GitHub que não usam a experiment UI. Para usar essas amostras de Python notebook :
  1. Faça o download e extraia todos os exemplos de DO em seu computador. Também é possível fazer o download de apenas uma amostra.
  2. Abra seu projeto ou crie um projeto vazio.
  3. Selecione a guia Ativos .
  4. Selecione Novo ativo > Trabalhar com dados e modelos emPython ou R no Trabalhar com modelos seção.
  5. Selecione a guia Arquivo de origem na nova janela que é aberta
  6. Nomeie seu bloco de notas, clique em Arrastar e soltar arquivos aqui ou faça upload do e navegue para o bloco de notas na pasta jupyter em suas amostras de DOtransferidas por download. Selecione a subpasta de produto e versão relevante.
  7. Clique em Criar. O notebook é incluído em seu projeto.

Python blocos de notas no hub de recursos

Decision Optimization Python blocos de notas estão disponíveis no Hub de recurso. Para usar esses blocos de notas em um projeto existente, abra um bloco de notas no Hub de recursos, clique em Incluir no projeto, selecione seu Projeto e clique em Criar