genconstr.py
#!/usr/bin/python版权所有2019，Gurobi Opt狗万app足彩imization，LLC。在本例中，我们展示了建模的一般约束的使用，以及一些常见表达式。我们使用SAT问题作为一个例子，其中我们想看看是否有可能满足逻辑for（x0或~x1或x2）和（x1或~x2或x3）以及#（x2或~x3或x0）和（x3或~x0或x1）和#（~x0或~x1或x2）和（~x1或~x2或x3）以及#（~x2或~x2或x0或x0）的至少四个（或全部）子句####我们通过为每个文本引入两个变量（本身及其#否定值），为每个子句引入一个变量，然后两个#变量用于指示我们是否可以满足四个，另一个用于确定#子句的最小值（如果是一个，我们可以满足所有子句）#并将这两个变量放入目标中i、 e.目标函数为##最大化Obj0+Obj1##Obj0=MIN（第1条，…，第8条）#Obj1=1->第1条+…+因此，当且仅当我们能够满足所有条款时，目标值将为2；一个当且仅当至少满足四个条款时，否则为零。从gurobipy import*try:NLITERALS=4 n=NLITERALS#示例数据：#例如{0,n+1,2}子句（x0或~x1或x2）子句=[[0,n+1,2]，[1,n+2,3]，[2,n+3,0]，[3,n+0,1]，[n+0,n+1,2,3]，[n+2,n+3,n+3,1]#创建一个新模型（“模型”）#初始化决策变量和目标Lit=model.addVars（NLITERALS，vtype=GRB.BINARY，name=“X”）NotLit=model.addVars（NLITERALS，vtype=GRB.BINARY，name=“NotX”）Cla=model.addVars（len（子句），vtype=GRB.BINARY，name=“子句”）Obj0=model.addVar（vtype=GRB.BINARY，name=“Obj0”）Obj1=model.addVar（vtype=GRB.BINARY，name=“Obj1”）链接链接席和NoXI模型。（Lime[i]+NoTrime[i]＝1，i为范围（nRealSes）），链接子句和文字，用于枚举（子句）中的I，C：子句= [L ]在C中：如果L> = N:子句。#将objs与子句model.addConstr（Obj0==min（Cla），name=“CNSTR_Obj0”）model.addConstr（（Obj1==1）>>（Cla.sum（）>=4.0），name=“CNSTR_Obj1”）#设置优化目标模型。setObjective（Obj0+Obj1，GRB.MAXIMIZE）#保存问题模型。写入（“genconstr.mps”）模型。写入（“genconstr.lp”）#优化模型。优化（）#状态检查Status=model.getAttr（GRB.Attr.Status）如果Status==GRB.INF\u或_UNBD或\Status==GRB.invasible或\Status==GRB.UNBOUNDED:print（“由于模型不可行或未绑定而无法求解模型”）系统。如果Status！=GRB.OPTIMAL:print（“优化已停止，状态为”），status）sys.exit（1）#print result objval=model.getAttr（GRB.Attr.objval）如果objval>1.9:print（“逻辑表达式可满足”）elif objval>0.9:print（“至少可以满足四个子句”）其他：print（“甚至不能满足三个子句”），但gurobier为e:print（'Error code'+str（e.errno）+'：“+str（e））除了AttributeError:print（'遇到属性错误'）
