诊断和处理不可行性

例子:Feasopt, lp, multiscenario, sensitivity, workforce1, workforce2, workforce3

在求解优化模型时，存在着不能满足指定约束条件的情况。当这种情况发生时，您通常需要识别并修复不可行性的根本原因，或者找到一组可以放松的约束，以获得可行的模型。的workforce1，workforce2,workforce3说明这些不同的策略。

从三个例子中最简单的开始，workforce1建立了一个简单的劳动力调度模型并加以解决。如果模型不可行，则计算一个不可约不一致子系统(IIS)。然后，用户可以检查这些信息，以理解并有希望解决模型中不可行性的来源。

例子workforce2类似，除了如果模型不可行，则示例重复标识一个IIS并从模型中删除一个相关的约束，直到模型变得可行。注意，从IIS中删除一个约束就足以解决不可行性的来源，但是一个IIS可能不能捕获所有不可行性的来源。因此，有必要重复这个过程，直到模型可行为止。

例子workforce3采用不同的方法来解决不可行性。它不是标识和删除IIS成员，而是允许放松模型的约束。就像feasopt例如，为每个约束添加一个人工变量。该实例将原始变量上的目标设为零，然后求解一个约束松弛总幅度最小的模型。

的feasopt例子展示了另一种放松不可行模型的方法。它计算可行性放松对于不可行模型。可行性松弛是一种模型，当求解时，使解违反原模型的边界和线性约束的数量最小化。调用方法如下:

在C:

error = GRBfeasrelax(feasmodel, GRB_FEASRELAX_LINEAR, 1, NULL, NULL, rhspen， &feasobj);

在c++中:

feasmodel1。feasRelax(GRB_FEASRELAX_LINEAR, true, false, true);

在c#中:

feasmodel1.FeasRelax(伽马线暴。FEASRELAX_LINEAR，真，假，真);

在Java中:

feasmodel1.feasRelax(伽马线暴。FEASRELAX_LINEAR，真，假，真);

在Python中:

feasmodel1。feasRelaxS(0，真，假，真)

此方法的参数为放宽模型选择目标函数、允许放宽的特定边界和约束集，以及放宽特定边界和约束的惩罚。