workforce2.py
＃！/ usr / bin / python＃版权所有2018，guro狗万app足彩bi优化，llc＃分配工人转移;每个工人都可能或可能无法在＃特定日期上使用。如果问题无法解决，请迭代地使用IIS＃查找所有冲突的约束。来自Gurobipy Import *＃每个班次班次所需的工人数量，ShiftRequirements = Multidict（{Mon1“：3，”Tue2“：2，”Wed3“：4，”Thu4“：4，”Fri5“：5，”周五“：5，”周五“SAT6“：6，”Sun7“：5，”Mon8“：2，”Tue9“：2，”Wed10“：3，”星期六“：4，”星期五12“：6，”SAT13“：7，”Sun14“：5。，“fred”：9，“gu”：11}）＃工作者可用性可用性= tuplelist（[（'amy'，'tue2'），（'amy'，'wed3'），（'amy'，'fri5'），（'amy'，'sun7'），（'amy'，'tue9'），（'amy'，'wed10'），（'amy'，'thu11'），（'amy'，'fri12''），（'amy'，'sat13'），（'amy'，'sun14'），（'bob'，'mon1'），（'bob'，'tue2'），（'bob'，'fri5'），（'bob'，'sat6'），（'bob'，'mon8'），（'bob'，'thu11'），（'bob'，'sat13'），（'cathy'，'wed3'），（'Cathy'，'Thu4'），（'Cathy'，'Fri5'），（'Cathy'，'Sun7'），（'Cathy'，'Mon8'），（'Cathy'，'Tue9'）），（'Cathy'，'Wed10'），（'Cathy'，'Thu11'），（'Cathy'，'Fri12'），（'Cathy'，'SAT13'），（'Cathy'，'Sun14''），（'dan'，'tue2'），（'丹'，'wed3'），（'dan'，'fri5'），（'dan'，'sat6'），（'dan'，'mon8'），（'dan'，'tue9'），（'丹''，'wed10'），（'dan'，'thu11'），（'dan'，'fri12'），（'dan'，'sat13'），（'dan'，'sun14'），（'ed'，'mon1'），（'ed'，'tue2'），（'ed'，'wed3'），（'ed'，'thu4'），（'ed'，'fri5'），（'ed'', 'Sun7'), ('Ed', 'Mon8'), ('Ed', 'Tue9'), ('Ed', 'Thu11'), ('Ed', 'Sat13'), ('Ed', 'Sun14'), ('Fred', 'Mon1'), ('Fred', 'Tue2'), ('Fred', 'Wed3'), ('Fred', 'Sat6'), ('Fred', 'Mon8'), ('Fred', 'Tue9'), ('Fred', 'Fri12'), ('Fred', 'Sat13'), ('Fred', 'Sun14'), ('Gu', 'Mon1'), ('Gu', 'Tue2'), ('Gu', 'Wed3'), ('Gu', 'Fri5'), ('Gu', 'Sat6'), ('Gu', 'Sun7'), ('Gu', 'Mon8'), ('Gu', 'Tue9'), ('Gu', 'Wed10'), ('Gu', 'Thu11'), ('Gu', 'Fri12'), ('Gu', 'Sat13'), ('Gu', 'Sun14') ]) # Model m = Model("assignment") # Assignment variables: x[w,s] == 1 if worker w is assigned to shift s. # Since an assignment model always produces integer solutions, we use # continuous variables and solve as an LP. x = m.addVars(availability, ub=1, name="x") # The objective is to minimize the total pay costs m.setObjective(quicksum(pay[w]*x[w,s] for w,s in availability), GRB.MINIMIZE) # Constraint: assign exactly shiftRequirements[s] workers to each shift s reqCts = m.addConstrs((x.sum('*', s) == shiftRequirements[s] for s in shifts), "_") # Optimize m.optimize() status = m.status if status == GRB.Status.UNBOUNDED: print('The model cannot be solved because it is unbounded') exit(0) if status == GRB.Status.OPTIMAL: print('The optimal objective is %g' % m.objVal) exit(0) if status != GRB.Status.INF_OR_UNBD and status != GRB.Status.INFEASIBLE: print('Optimization was stopped with status %d' % status) exit(0) # do IIS print('The model is infeasible; computing IIS') removed = [] # Loop until we reduce to a model that can be solved while True: m.computeIIS() print('\nThe following constraint cannot be satisfied:') for c in m.getConstrs(): if c.IISConstr: print('%s' % c.constrName) # Remove a single constraint from the model removed.append(str(c.constrName)) m.remove(c) break print('') m.optimize() status = m.status if status == GRB.Status.UNBOUNDED: print('The model cannot be solved because it is unbounded') exit(0) if status == GRB.Status.OPTIMAL: break if status != GRB.Status.INF_OR_UNBD and status != GRB.Status.INFEASIBLE: print('Optimization was stopped with status %d' % status) exit(0) print('\nThe following constraints were removed to get a feasible LP:') print(removed)
