敏感度。R
# #一个简单的灵敏度分析示例，从文狗万app足彩件中读取MIP模型#并解决它。然后将每个二进制变量#设置为1-X，其中X是其在最优解中的值，#报告对目标函数值的影响。库(Matrix)库(gurobi) args <- commandArgs(trailingOnly = TRUE)如果(长度(args) < 1){停止('使用:Rscript灵敏度。R filename\n')} #读取模型cat('Reading model'，args[1]，'…#检测非连续变量的集合numvars <- ncol(模型＄A) intvars <- which(模型＄maxanalyze <- 10 #优化结果<- gurobi(model) #捕获解决方案信息if (result . vtype != 'C') numintvars <- length(intvars) if (numintvars < 1) {stop('所有模型的变量都是连续的，什么也不做\n')＄= 'OPTIMAL') {cat('优化完成状态'，结果＄if (' stop now\n')} origx <- result＄X origobjval <- result＄Objval #创建不存在的lb和ub，并将它们设置为默认值。('lb' %in% names(model))){模型＄Lb <-数值(numvars)} if (!('ub' %in% names(model))){#这行不需要，因为我们必须有ub定义的模型＄ub <- Inf + numeric(numvars)} #禁用后续解决params <- list() params的输出＄在模型中迭代(j in 1:numvars) {if (model . 1:numvars) {if (model . 1:numvars) {if (＄vtype[j] != 'B' &&模型＄vtype[j] != 'I'＄vtype[j] == 'I') {if(模型＄Lb [j] != 0.0＄Ub [j] != 1.0)下一个}else{如果(模型＄Lb [j] > 0.0)下一个if(模型＄ub[j] < 1.0) next} #更新MIP启动所有变量模型＄start <- origx #设置变量为1-X，其中X是它在最优解中的值，如果(origx[j] < 0.5) {model . X = 0＄Start [j] <- 1模型＄Lb [j] <- 1} else{模型＄开始[j] <- 0模型＄ub[j] <- 0} #优化结果<- gurobi(model, params) #显示结果varnames <- " if ('varnames' %in% names(model)) {varnames <- model .＄Varnames [j]} else {Varnames <- sprintf('%s%d'，模型＄Vtype [j]， j)} gap <- 0如果(结果＄else {gap <- result . status != 'OPTIMAL') {gap <- Inf} else {gap <- result . status＄objval - origobjval} cat('Objective sensitivity for variable'， varnames， 'is'， gap， '\n') #恢复原始边界模型＄[j]＄ub[j] <- 1 numanalyze <- numanalyze + 1 #当我们达到灵敏度分析的最大步骤数时停止，如果(numanalyze >= maxanalyze) {cat('Limit sensitivity analysis to the first'， maxanalyze， 'variables\n') break}} #清除空间rm(model, params, result, origx)
