OptiCL 开源项目使用教程

OptiCL 开源项目使用教程

OptiCL An end-to-end framework for mixed-integer optimization with data-driven learned constraints. 项目地址: https://gitcode.com/gh_mirrors/opt/OptiCL

1. 项目介绍

OptiCL 是一个端到端的混合整数优化框架，结合了数据驱动的学习约束。该项目旨在解决一个实际问题，即在优化决策时，我们没有已知的函数来关联决策与感兴趣的结果。OptiCL 通过使用机器学习来学习这些结果的预测模型，并将这些学习到的模型嵌入到一个更大的混合整数优化（MIO）公式中，从而实现决策的优化。

OptiCL 的主要特点包括：

• 端到端的优化流程
• 数据驱动的学习约束
• 支持多种机器学习模型
• 透明性和可扩展性

2. 项目快速启动

安装 OptiCL

首先，克隆 OptiCL 的 GitHub 仓库：

git clone https://github.com/hwiberg/OptiCL.git

进入项目目录并安装依赖：

cd OptiCL
pip install .

使用示例

以下是一个简单的使用示例，展示了如何加载 OptiCL 并使用其功能：

import opticl

# 加载训练数据
data = opticl.load_data('path_to_your_data.csv')

# 定义概念模型
conceptual_model = opticl.ConceptualModel(
    decision_variables=['var1', 'var2'],
    objective='minimize',
    constraints=['constraint1', 'constraint2']
)

# 运行 OptiCL 管道
result = opticl.run_pipeline(data, conceptual_model)

# 输出结果
print(result)

3. 应用案例和最佳实践

案例1：世界粮食计划署的食物篮优化

OptiCL 在食物篮优化中的应用是一个典型的案例。该项目通过优化食物篮的组成，帮助世界粮食计划署在有限的预算内最大化营养摄入。具体步骤包括：

• 加载食物数据
• 定义优化目标和约束
• 运行 OptiCL 管道进行优化

案例2：通用管道概述

OptiCL 还提供了一个通用管道，用于处理多个结果的模型训练和嵌入。该管道支持将多个结果指定为约束或目标项，并结合上下文特征和领域驱动的约束。

最佳实践

• 数据准备：确保输入数据格式正确，特征分类清晰。
• 模型选择：根据具体问题选择合适的机器学习模型。
• 结果验证：通过对比 Sklearn 预测和 MIO 预测来验证 MIO 嵌入的准确性。

4. 典型生态项目

OptiCL 作为一个混合整数优化框架，可以与其他开源项目结合使用，以增强其功能和应用范围。以下是一些典型的生态项目：

• Pyomo：一个用于数学优化的开源建模语言，支持多种优化求解器。
• Gurobi：一个高性能的商业优化求解器，支持大规模混合整数优化问题。
• Scikit-learn：一个用于机器学习的开源库，提供了丰富的模型训练和评估工具。

通过结合这些生态项目，OptiCL 可以实现更复杂的优化任务，并提供更强大的功能。

OptiCL An end-to-end framework for mixed-integer optimization with data-driven learned constraints. 项目地址: https://gitcode.com/gh_mirrors/opt/OptiCL