模型参数

模型变量存储优化问题（如中所述问题声明）。

模型可以通过多种方式构建。您可以填充模型使用标准的R例程。您也可以从文件读取模型，使用古罗比欧·里德．一些API函数(古罗比·菲亚斯放松和古罗比欧放松)还返回模型。

请注意，在模型变量可以是密集的，也可以是稀疏的。稀疏矩阵应该使用斯巴塞矩阵从矩阵包装，或简单三重态矩阵从砰地关上包裹

以下是该组件的所有命名组件的枚举模型Gurobi在优化模型时将考虑的论点：

常用的命名组件:

A.: 线性约束矩阵。
obj(可选): 线性目标向量（C中的向量问题声明）。如果存在，则必须为字段的每列指定一个值A.．当不存在时，每个变量的默认客观系数为0。
感知（可选）: 线性约束的意义。允许的值为'=','<',或“>”. 必须为每一行指定一个值A.，或指定所有约束具有相同含义的单个值。当你不在时，所有的感觉都默认了'<'．
rhs（可选）: 线性约束的右侧向量(在问题声明）。必须为每一行指定一个值A.。不存在时，右侧向量默认为零向量。
lb（可选）: 下界向量。如果存在，则必须为字段的每列指定一个值A.。如果不存在，则每个变量的默认下限为0。
ub（可选）: 上限向量。当存在时，必须为每列指定一个值A.。如果不存在，则变量具有无限上界。
vtype（可选）: 变量类型。此向量用于捕获变量完整性约束。允许的值为“C”（连续），“B”（二进制），“我很高兴（整数），'S'（半连续），或“不”(semi-integer)。二进制变量必须是0或1。整型变量可以接受指定的上下边界之间的任何整型值。半连续变量可以在指定的上下限之间取任意值，或者取零值。半整型变量可以接受指定的上下边界之间的任意整数值，或0值。出现时，必须为的每列指定一个值A.，或指定所有变量具有相同类型的单个值。如果没有，则每个变量都被视为连续变量。请参阅本节有关变量类型的更多信息。
modelsense(可选): 优化意义。允许的值为“最小值”(减少)或“马克斯”（最大化）。当不存在时，默认的优化意义是最小化。
modelname（可选）: 模型的名称。将模型写入文件时，该名称会显示在Gurobi日志中。
objcon（可选）: 目标函数中的常数偏移量( $$\mathrm{alpha}$$ 在问题声明）。
varnames(可选): 变量名为vector。字符向量。当存在时，该向量的每个元素都定义变量的名称。必须为每个列指定一个名称A.．
名称（可选）: 约束名为vector。字符向量。存在时，向量的每个元素都定义约束的名称。必须为每一行指定一个名称A.．

二次目标和约束命名组件:

Q（可选）

二次目标矩阵。当礼物,Q必须是一个方阵，其行数和列数等于中的列数A.．

quadcon（可选）

二次约束。列表的列表。当存在时，列表中的每个元素四孔定义单个二次约束： $$x^TQc x+q^Tx\le\mathrm{beta}$$ ．

这个质量控制矩阵必须是一个平方矩阵，其行数和列数等于A..储存在模型$quadcon[[i]]$质量控制．

这个Q向量定义约束中的线性项。它必须为每个列指定一个值A..储存在模型$quadcon[[i]]$Q．

标量贝塔存储在模型$quadcon[[i]]$rhs。它定义约束的右侧值。

可选感觉字符串定义二次构造函数的意义。允许的值为'<','='或“>”。如果不存在，则默认意义为'<'.储存在模型$quadcon[[i]]$感觉．

可选的名字字符串定义二次约束的名称。它存储在模型$quadcon[[i]]$的名字．

SOS约束命名组件：

sos（可选）: 特殊有序集（SOS）约束。一份名单。当存在时，每个条目在求救定义单个SOS约束。SOS约束可以是类型1或类型2。SOS约束的类型通过指定模型$sos[[i]]$类型. 1类SOS约束是一组变量，其中集合中最多有一个变量的值不是零。第2类SOS约束是一组有序的变量，其中最多有两个变量可以取非零值。如果两个值为非零，则它们在有序集中必须是连续的。SOS约束的成员通过将其索引放置在向量中来指定模型$sos[[i]]$指数.与SOS成员相关的权重以矢量形式提供模型$sos[[i]]$重量. 请参阅本节有关SOS约束的详细信息。

多目标命名组件:

multiobj(可选)

模型的多目标规范。一份名单。当存在时，每个条目在多目标定义多目标问题的单个目标。请参阅多个目标第节了解有关多目标优化的更多详细信息。每个目标

可能具有以下命名组件：

objn: 指定通过模型$多目标[[i]]$objn. 这是我-目标向量。
objcon（可选）: 指定通过模型$多目标[[i]]$objcon．如果提供，这是我th目标不变。默认值为0。
优先级(可选): 指定通过模型$多目标[[i]]$优先事项。如果提供，则此值为等级制的这一目标的优先次序。默认值为0。
重量（可选）: 指定通过模型$多目标[[i]]$重量。如果提供，则此值为multiplier used when aggregating objectives. The default value is 1.0.
reltol（可选）: 指定通过模型$多目标[[i]]$reltol．如果提供此值，则指定进行分层多目标优化时的相对目标降级。默认值为0。
Absol（可选）: 指定通过模型$多目标[[i]]$Absol。如果提供，则此值指定执行分层多目标优化时的绝对目标降级。默认值为0。
名称（可选）: 指定通过模型$多目标[[i]]$的名字. 如果提供，此字符串将指定我-目标函数。

请注意，当存在多个目标时后果$奥比瓦尔优化调用结果中返回的命名组件将是与模型$多目标．

多目标模型不能有其他目标。因此,结合模型$多目标与任何的模型$obj,模型$objcon,模型$pwlobj,或模型$Q是一个错误。

通用约束命名组件：

下面描述的列表列表用于添加一般约束条件一个模特。

数学规划传统上定义了一组基本约束类型：变量约束、线性约束、二次约束、完整性约束和SOS约束。这些通常由底层解算器直接处理（尽管并不总是），并且是整个算法的基础。手机万博登录

Gurobi接受许多额外的约束类型，我们将其统称为一般约束条件.这些通常是不直接由解算器处理。相反，它们通过预解算转换为数学手机万博登录上等价的约束集（和变量集），从上面列出的基本类型中选择。这些常规约束是为方便用户而提供的。如果此类约束出现在您的模型中，但如果您希望自己使用基本约束类型来重新格式化这些约束，您当然可以这样做。但是，请注意，Gurobi有时可以利用其中包含的信息在模型中的其他约束中，构建比您可能创建的更有效的公式。

属于此项的其他约束类型一般的约束伞是:

MAX（genconmax）：将决策变量设置为一组决策变量中的最大值
MIN（genconmin）：将决策变量设置为一组决策变量中的最小值
ABS (genconabs):设置一个决策变量等于其他决策变量的绝对值
AND（genconand）：当且仅当一组二元决策变量都等于一时，将二元变量设置为一
或（genconor）：当且仅当一组二进制决策变量中至少有一个变量等于1时，才将二进制变量设置为1
指示符（genconind）：每当给定的二进制变量取某个值时，必须满足给定的线性约束

请参考本节有关一般约束的更多细节。

genconmax（可选）

一份名单。当存在时，每个条目在genconmax定义窗体的最大常规约束

$\begin{displaymath}x[\mathrm{resvar}]=\max\left\{\mathrm{con}，x[j]：j\in\mathrm{vars}\right\}\end{displaymath}$

每个条目可能具有以下命名组件：

resvar: 指定通过模型$genconmax[[i]]$resvar.约束左侧变量的索引。
var: 指定通过模型$genconmax[[i]]$var，它是约束条件右边的变量指标向量。
con（可选）: 指定通过模型$genconmax[[i]]$骗局. 存在时，指定左侧的常数。默认值为 $$-\infty$$ ．
名称（可选）: 指定通过模型$genconmax[[i]]$的名字．当出现时，指定-th最大一般约束。

genconmin（可选）

一份名单。当存在时，每个条目在genconmax定义窗体的最小常规约束

$\begin{displaymath}x[\mathrm{resvar}]=\min\left\{\mathrm{con}，x[j]：j\in\mathrm{vars}\right\}\end{displaymath}$

每个条目可能具有以下命名组件：

resvar: 指定通过模型$genconmin[[i]]$resvar.约束左侧变量的索引。
var: 指定通过模型$genconmin[[i]]$var，它是约束条件右边的变量指标向量。
con（可选）: 指定通过模型$genconmin[[i]]$骗局. 存在时，指定左侧的常数。默认值为 $$\infty$$ ．
名称（可选）: 指定通过模型$genconmin[[i]]$的名字．当出现时，指定-th最小一般约束。

genconabs（可选）

一份名单。当存在时，每个条目在genconmax定义窗体的ABS常规约束

$\begin{displaymath}x[\mathrm{resvar}] = \vert x[\mathrm{argvar}]\vert\end{displaymath}$

每个条目可能具有以下命名组件：

resvar: 指定通过模型$genconabs[[i]]$resvar.约束左侧变量的索引。
argvar: 指定通过模型$genconabs[[i]]$argvar．约束条件右边变量的索引。
名称（可选）: 指定通过模型$genconabs[[i]]$的名字．当出现时，指定-一般约束。

genconand(可选)

一份名单。当存在时，每个条目在金科南德定义表单的和一般约束

$\begin{displaymath}x[\mathrm{resvar}]=\mathrm{and}\{x[i]：i\in\mathrm{vars}\}\end{displaymath}$

每个条目可能具有以下命名组件：

resvar: 指定通过模型$genconand[[i]]$resvar.约束左侧变量的索引。
var: 指定通过模型$genconand[[i]]$var，它是约束条件右边的变量指标向量。
名称（可选）: 指定通过模型$genconand[[i]]$的名字．当出现时，指定-第四，一般约束。

genconor（可选）

一份名单。当存在时，每个条目在genconor定义窗体的约束或常规约束

$\begin{displaymath}x[\mathrm{resvar}]=\mathrm{or}\{x[i]：i\in\mathrm{vars}\}\end{displaymath}$

每个条目可能具有以下命名组件：

resvar: 指定通过模型$genconor[[i]]$resvar.约束左侧变量的索引。
var: 指定通过模型$genconor[[i]]$var，它是约束条件右边的变量指标向量。
名称（可选）: 指定通过模型$genconor[[i]]$的名字．当出现时，指定-th或一般约束。

genconind（可选）

一份名单。当存在时，每个条目在根科宁定义窗体的指示符常规约束

$\begin{displaymath}x[\mathrm{binvar}]=\mathrm{binval}\Rightarrow\sum\left（x\M……MRalternative{j]}{[[j]}\right）\mathrm{sense}\mathrm{rhs}\end{displaymath}$

此约束声明当二进制变量 $$x[\mathrm{binvar}]$$ 需要的值宾瓦尔然后是线性约束 $ \总和\离开美元(x [\ mathrm {var} \ MRalternative {(j)} {[[j]]}] \ cdot \ mathrm {val} \ MRalternative {(j)} {[[j]]} \) \ mathrm{感觉}\ mathrm {rhs} 美元$ 必须保持。注意感觉是其中之一'=','<',或“>”为了平等(

)，小于或等于( $$\leq$$ )或大于或等于( $ < /美元跨度> \组 美元$ )限制。每个条目可能具有以下命名组件：

宾瓦尔: 指定通过模型$genconind[[i]]$宾瓦尔．隐含二进制变量的索引。
宾瓦尔: 指定通过模型$genconind[[i]]$宾瓦尔.强制满足以下线性约束的二进制变量的值。它可以是0或1。
A.: 指定通过模型$genconind[[i]]$A.. 参与隐含线性约束的变量系数向量。必须为指定一个值A.每列A.．
感觉: 指定通过模型$genconind[[i]]$感觉.隐含线性约束的意义。必须是'=','<',或“>”．
rhs: 指定通过模型$genconind[[i]]$rhs. 隐含线性约束的右侧值。
名称（可选）: 指定通过模型$genconind[[i]]$的名字．当出现时，指定-th指标一般约束。

先进的命名组件:

pwlobj(可选): 分段线性目标函数。一份名单。当存在时，每个条目在pwlobj为单个变量定义分段线性目标函数。正在定义目标函数的变量的索引存储在模型$pwlobj[[i]]$变量这个定义分段线性函数的点的值存储在
模型$pwlobj[[i]]$x。在向量必须按非降序排列定义分段线性函数的点的值存储在模型$pwlobj[[i]]$Y．
vbasis(可选): 可变基状态向量。用于为单纯形算法提供一个高级的起点。您通常不会关心这个向量的内容，而是将它从上一次优化运行的结果传递到后续运行的输入。出现时，必须为的每列指定一个值A.．
cbasis（可选）: 约束基状态向量。用于为单纯形算法提供高级起点。请参阅vbasis详细说明。如果存在，则必须为每一行指定一个值A.．
varhintval（可选）: 一组用户提示。如果您知道某个变量可能在MIP模型的高质量解决方案中取某个特定值，那么您可以提供该值作为提示。您还可以(可选地)在提示中提供关于您的自信级别的信息瓦欣特普里指定组件。如果存在，则必须为的每列指定一个值A..使用的值为NA对于未知此类提示的变量。有关更多详细信息，请参阅VarHitVal属性文档。manbet体育手机客户端
varhintpri（可选）: 用户提示的优先级。在通过瓦欣特瓦尔列表中，您还可以选择提供提示优先级，以显示您对提示的信任程度。如果存在，则必须为每个列指定一个值A.．有关详情，请参阅VarHintPri属性文档。manbet体育手机客户端
分支优先级（可选）: 变量分支优先。如果存在，该属性的值将用作在MIP搜索期间为分支选择分数变量的主要标准。值较大的变量总是优先于值较小的变量。使用标准的分支变量选择标准可以打破束缚。如果存在，则必须为的每列指定一个值A.．
pstart（可选）: 当前单纯形起始向量。如果设置pstart和模型中每个变量的值德斯塔特每个约束的值，然后simplex将使用这些值来计算热启动基础。有关更多详细信息，请参阅PStart属性文档。manbet体育手机客户端
dstart（可选）: 当前单纯形起始向量。如果设置德斯塔特模型中每个线性约束的值，以及pstart每个变量的值，然后simplex将使用这些值来计算热启动基础。有关更多详细信息，请参阅DStart属性文档。manbet体育手机客户端
懒惰（可选）: 确定是否将线性约束视为线性约束懒惰的约束。如果存在，则必须为列表的每行指定一个值A.．有关详情，请参阅懒惰的属性文档。manbet体育手机客户端
启动（可选）: MIP起始向量。MIP解算器将尝试从此向量生成初始解决方案。手机万博登录出现时，必须为每个变量指定起始值。请注意，可以将变量的起始值设置为NA，它指示MIP求解器尝试为该变量填充一个值。手机万博登录
分区（可选）: MIP变量分区号，用于MIP解改进启发式。如果存在，则必须为每个变量指定一个值A.．有关详情，请参阅分区属性文档。manbet体育手机客户端

如果上面列出的任何强制性组件缺失，则古罗比（）函数将返回一个错误。

下面是一个示例，演示了简单优化模型的构造：

型号<-list（）模型$A<-矩阵（c（1,2,3,1,1,0），nrow=2，byrow=T）模型$obj < - c (1, 1, 1) 模型$modelsense<-“max” 模型$rhs<-c（4,1）模型$意义<-c（“<”，“>”）

您还可以构建A.作为稀疏矩阵，使用斯巴塞矩阵或简单三重态矩阵:

模型$A<-spMatrix（2,3，c（1,1,1,2,2），c（1,2,3,1,2），c（1,2,3,1,1））模型$A<-简单三重态矩阵（c（1,1,1,2,2），c（1,2,3,1,2），c（1,2,3,1,1））

请注意，Gurobi R接口允许您为大多数数组值组件指定标量值。指定的值将扩展为适当大小的数组，数组的每个分量都等于标量（例如。，模型$obj<-1相当于模型$obj < - c (1, 1, 1)在示例中）。