Ускорение процесса принятия деловых решений с помощью оптимизации и методов обработки и анализа данных

Создание моделей оптимизации с помощью IBM Decision Optimization

Если вам нужно принять трудное решение с учетом огромного количества факторов, продукты семейства IBM Decision Optimization помогут выделить основные компоненты и создать математическую модель бизнес-ситуации, благодаря которой вы примете более эффективное решение — быстро и без сомнений.

Модель оптимизации — это интерпретация основных характеристик бизнес-задачи, которую необходимо решить. Модель состоит из трех элементов: целевая функция, переменные решения и бизнес-ограничения.

В продуктах семейства IBM Decision Optimization реализованы различные подходы к созданию модели оптимизации:

ㅤㅤ ㅤㅤ ㅤㅤ

В IBM ILOG® CPLEX® Optimization Studio можно использовать либо язык OPL, либо один из доступных API, например Python, Java™, C, C++ или C#.

С помощью IBM Decision Optimization for Watson Studio можно создавать модели, используя либо API Python, либо Optimization Modeling Assistant.

Язык OPL (Optimization Programming Language)

IBM ILOG CPLEX Optimization Studio позволяет создавать модели, используя язык программирования OPL в интегрированной среде разработки.
Язык OPL применяется для математического описания моделей оптимизации. Вы оцените преимущества высокоуровневого синтаксиса для моделей математического программирования, который существенно упрощает и сокращает код по сравнению с языками программирования общего назначения. Вы также уменьшите объем работы и повысите надежность процессов разработки, обновления и обслуживания приложений. Многофункциональный синтаксис OPL поддерживает все выражения, необходимые для моделирования и решения задач как математического программирования, так и программирования в ограничениях.
Язык OPL поддерживает модели математического программирования наряду с моделями программирования в ограничениях. Можно определить переменные и выражения решения над индексными множествами, чтобы обозначить варианты выбора, которые зависят от этих переменных и выражений. Язык OPL поддерживает разработку, отладку, тестирование и настройку моделей математического программирования, программирования в ограничениях и календарного планирования с учетом ограничений. Другим важным преимуществом OPL является возможность указать ограничения, суммы и прочие математические операции над индексными множествами.

Возможности OPL

Расширенные типы для организации данных

Определите диапазоны, массивы и наборы строк и чисел. Примените операции над множествами для создания сложных индексных множеств. Определите кортежи (структуры данных, состоящие из разнородных элементов данных) и наборы кортежей, а также первичный и внешний ключи (необязательно). Создайте срезы кортежей (аналогично операции SELECT в SQL), чтобы определить разреженные модели для уменьшения объема задачи и требований к данным.

Поддержка вещественных или целочисленных переменных

Для обозначения решений, в которых применяются количества или суммы, используйте вещественные переменные решения. Для обозначения дискретного выбора или неделимого количества используйте бинарные или целочисленные переменные решения. Используйте модуль решения задач смешанного целочисленного программирования с продуманным методом «ветвей и отсечений» в IBM ILOG CPLEX Optimizer для решения сложных задач дискретной оптимизации. Или воспользуйтесь IBM ILOG CPLEX CP Optimizer для решения сложных комбинаторных задач, которые в меньшей степени подходят для применения смешанных целочисленных алгоритмов оптимизации.

Моделирование задач подробного календарного планирования

Определите задачи, фундаментальным решением в которых является расчет времени, с помощью уникального синтаксиса и структур данных OPL. Используйте внутренние переменные для обозначения операций или выполняемых задач. Задайте временные ограничения — взаимосвязи между начальным и конечным временем интервалов — для обозначения очередности операций. Определите интенсивность и интегральные функции, чтобы обозначить использование ресурсов как функцию времени и задать ограничения по ресурсам для интервалов.  

Упрощенное управление данными с помощью OPL и Python

Привнесите мощные возможности обработки данных из Python в ваши модели OPL. Используйте API doopl для встраивания моделей OPL в Python и обеспечьте более удобную обработку и изменение данных с помощью структур данных, поддерживаемых Python. Кроме того, API doopl упрощает рабочие процессы оптимизации, для которых требуется несколько модулей решения при изменении данных.

Создание моделей с помощью API

Решения IBM Decision Optimization обеспечивают гибкость создания моделей оптимизации с помощью API. IBM ILOG CPLEX Optimization Studio поддерживает множество API, включая C, C++, C#, Java и Python. При использовании IBM Decision Optimization for Watson Studio можно создавать модели оптимизации с помощью API Python.

Продукты

IBM ILOG CPLEX Optimization Studio

Используйте мощные и надежные алгоритмы оптимизации решений для быстрого создания и внедрения моделей оптимизации с целью выбора наилучших возможных действий, которые должны предпринять ваши пользователи.

IBM Decision Optimization for Watson Studio

Легко комбинируйте методы оптимизации и машинного обучения для создания инновационных решений в IBM Watson® Studio Local.

Ресурсы

Создание моделей оптимизации с помощью OPL и API Python

Узнайте, как создать модели оптимизации с помощью IBM CPLEX Optimization Studio.

Простое создание и развертывание приложений оптимизации

Получите доступ к целому ряду интерфейсов для разработки и развертывания приложений оптимизации с помощью CPLEX Optimizer и CP Optimizer.

Создание модели оптимизации для календарного планирования ограниченных ресурсов

Используйте компонент Optimization Modeling Assistant в составе IBM Decision Optimization for IBM Watson Studio.

Поговорите с экспертом

Запланируйте индивидуальную консультацию по телефону

Получите от эксперта IBM ответы на все вопросы.

Оставайтесь на связи