【亲测免费】 OptiCL：基于数据驱动的混合整数优化框架

OptiCL：基于数据驱动的混合整数优化框架

项目介绍

OptiCL 是一个端到端的混合整数优化（MIO）框架，专注于通过数据驱动的学习约束来优化决策。在实际应用中，我们常常面临一个挑战：如何在没有任何已知函数关系的情况下，根据某些目标和约束来优化决策。OptiCL 通过机器学习技术学习预测模型，并将这些模型嵌入到更大的 MIO 公式中，从而实现决策的优化。

OptiCL 的完整方法论在 我们的论文 中有详细介绍，题为“Mixed-Integer Optimization with Constraint Learning”。

项目技术分析

OptiCL 的核心技术在于其独特的优化流程：

1. 模型训练与选择：使用交叉验证技术，从训练数据中学习预测模型。
2. 可行决策空间的高效表征：通过观察数据的凸包来表征可行决策空间，即“信任区域”。
3. 模型嵌入与优化：将学习到的模型和信任区域嵌入到 MIO 公式中，并使用 Pyomo 支持的 MIO 求解器（如 Gurobi）进行求解。

OptiCL 不需要手动指定训练好的 ML 模型，但用户可以选择性地限制在选择管道中考虑的模型类型。此外，OptiCL 还提供了对底层训练模型的透明访问，允许外部评估预测模型。

项目及技术应用场景

OptiCL 适用于多种需要混合整数优化的场景，特别是在以下情况下：

• 食品篮优化：例如，世界粮食计划署（WFP）的食品篮优化问题，通过 OptiCL 可以有效地优化食品选择，确保营养均衡的同时控制成本。
• 供应链优化：在供应链管理中，OptiCL 可以帮助企业优化库存、运输和生产计划，降低成本并提高效率。
• 金融决策优化：在金融领域，OptiCL 可以用于投资组合优化、风险管理和资本配置等决策问题。

项目特点

OptiCL 具有以下显著特点：

• 端到端优化：从数据收集、模型训练到最终的优化决策，OptiCL 提供了一站式的解决方案。
• 数据驱动：通过机器学习技术自动学习约束条件，减少了对领域知识的依赖。
• 灵活性与透明性：用户可以选择性地限制模型类型，并且可以访问和评估底层训练模型。
• 高效性：通过凸包技术高效表征可行决策空间，加速优化过程。

如何使用 OptiCL

你可以通过克隆仓库并在仓库的主目录下运行 pip install . 来本地安装 OptiCL 包。安装完成后，你可以在 Python 中加载 opticl，并通过示例笔记本了解具体的使用方法。

示例与案例研究

OptiCL 提供了三个详细的示例笔记本，涵盖了从食品篮优化到模型验证的多个应用场景：

• 食品篮优化案例研究：展示了如何训练和选择单个学习结果的模型，定义具有已知目标和约束的概念模型，并使用附加的学习约束解决 MIO 问题。
• 通用管道概述：演示了管道的通用功能，包括为多个结果训练和嵌入模型的过程，将每个结果指定为约束或目标项，以及结合上下文特征和领域驱动约束。
• 模型验证：展示了单个模型的训练和嵌入，并比较了 sklearn 预测与 MIO 预测，以验证 MIO 嵌入。分类笔记本还详细介绍了如何在二分类设置中线性化约束。

联系我们

OptiCL 正在积极开发中，我们欢迎任何问题或建议。请在 Github 上提交问题，或通过电子邮件联系我们：d.maragno@uva.nl 和 hwiberg@mit.edu。

引用

如果你使用了 OptiCL，请引用我们的软件：

@misc{OptiCL,
  author = "Donato Maragno and Holly Wiberg",
  title = "OptiCL: Mixed-integer optimization with constraint learning",
  year = 2021,
  url = "https://github.com/hwiberg/OptiCL/"
}