Gurobi求解标准数独问题

提高gurobi建模的数值稳定性 gurobi 降低数值问题 阅读详情

问题导入

数独问题就是将9×9的网格填充上1~9的整数值,同时保证每个整数在每一行、每一列和每个3×3方格只出现一次。网格中分布有一些线索,你的任务就是填充剩余的网格数字。对于此问题,可以使用0-1变量优化求解。
在这里插入图片描述
标准数独问题只要有解就行,无需设置目标函数,即:可行解就是数独问题的解。

决策变量

在这里插入图片描述

约束条件

1.对于给定的初始元素,都认为是等式约束:
x i j k = 1 ∀ k = c i j ∈ C {{x}_{ijk}}=1\quad \forall k={{c}_{ij}}\in C xijk​=1∀k=cij​∈C
2.所有格子只能取一个值:
∑ k = 1 9 x i j k = 1 ∀ i , j = 1 , 2 , … 9 \sum\limits_{k=1}^{9}{{{x}_{ijk}}=1\quad \forall i,j=1,2,\ldots 9} k=1∑9​xijk​=1∀i,j=1,2,…9
3.每个数字在同一行、同一列、同一个九宫格只能出现一次:
∑ j = 1 9 x i j k = 1 ∀ i , k = 1 , 2 , … 9 \sum\limits_{j=1}^{9}{{{x}_{ijk}}=1\quad \forall i,k=1,2,\ldots 9} j=1∑9​xijk​=1∀i,k=1,2,…9
∑ i = 1 9 x i j k = 1 ∀ j , k = 1 , 2 , … 9 \sum\limits_{i=1}^{9}{{{x}_{ijk}}=1\quad \forall j,k=1,2,\ldots 9} i=1∑9​xijk​=1∀j,k=1,2,…9
∑ i = 1 + 3 × I 3 + 3 × I ∑ j = 1 + 3 × J 3 + 3 × J x i j k = 1 ∀ k = 1 , 2 , … 9 ; I , J = 0 , 1 , 2 \sum\limits_{i=1+3\times I}^{3+3\times I}{\sum\limits_{j=1+3\times J}^{3+3\times J}{{{x}_{ijk}}=1\quad \forall k=1,2,\ldots 9;I,J=0,1,2}} i=1+3×I∑3+3×I​j=1+3×J∑3+3×J​xijk​=1∀k=1,2,…9;I,J=0,1,2

算法程序

from gurobipy import *
import pandas as pd


def sudoku(matrix):
    #  创建模型
    model = Model('solve_sudoku')
    #  创建变量
    x = model.addVars(9, 9, 9, vtype=GRB.BINARY)
    #  更新变量环境
    model.update()
    #  创建目标函数
    model.setObjective(1, GRB.MINIMIZE)
    #  创建约束条件
    model.addConstrs(x[i, j, k] == 1 for i in range(9) for j in range(9) for k in range(9)
                     if isinstance(matrix.at[i, j], int) and k == matrix.at[i, j] - 1)
    model.addConstrs(sum(x.select(i, j, '*')) == 1 for i in range(9) for j in range(9))
    model.addConstrs(sum(x.select(i, '*', j)) == 1 for i in range(9) for j in range(9))
    model.addConstrs(sum(x.select('*', i, j)) == 1 for i in range(9) for j in range(9))
    model.addConstrs(sum(x[i + 3 * I, j + 3 * J, k] for i in range(3) for j in range(3)) == 1
                     for k in range(9) for I in range(3) for J in range(3))
    #  执行线性规划模型
    model.optimize()
    #  输出结果
    result = pd.DataFrame()
    for k, v in model.getAttr('x', x).items():
        if v == 1:
            result.at[k[0], k[1]] = k[2] + 1
    return result.astype(int)


if __name__=='__main__':
    matrix = pd.read_excel('F:\python\Gurobi_test\sudoku_test.xlsx', index_col=False, header=None, na_filter=False)
    print(sudoku(matrix))
    

运行结果

在这里插入图片描述
在这里插入图片描述

sudoku_test.xlsx内容

在这里插入图片描述
九宫格中的数字可以进行自定义,替换成你想要的数字。只要是标准数独问题,此程序均可以处理,而且使用Gurobi处理优化问题性能很高。

小结

如何安装和快速入门Gurobi?请参考gurobi 高效数学规划引擎

RSOME建模入门 为了方便处理不同的优化问题,RSOME软件包通过四个程序模块建立不同的建模环境。以下着重介绍ro模块所对应的建模环境及其基本组成部分,如模型对象、变量对象、函数、约束条件等。 阅读详情

相关推荐

gurobi求解目标规划问题案例

目标规划

南军Opt的博客 5783

gurobi解不一致的问题排查思路总结

结果不一致的排查思路 1.看看是否问题约束有违背的。 2.是否有小数变量,也就是精度不够; 可以设置:m.Params.IntegralityFocus=1 #输出的解都是整数,不带小数。 3.检查是否gap设置问题,默认是0.1; 可以设置0:m.Params.MIPGap = 0 #设置相对误差,看看效果。 4.检查是否系数过大,或者过小,常见的是大M法中的大M,还有个别变量的上下界不宜为无穷大 个人测试中发现4位数以下效果比较好。 5. ...

sinat_41348401的博客 4816

用YALMIP的alldifferent函数,5分钟搞定数独求解器(附完整MATLAB代码)

本文详细介绍了如何利用MATLAB的YALMIP工具箱中的alldifferent函数快速构建数独求解器。通过数学建模和约束条件设置,结合alldifferent函数的高效应用,实现了数独问题的自动化求解,并提供了完整的MATLAB代码示例。文章还探讨了性能优化技巧和实际应用场景,适合对优化算法和数学建模感兴趣的读者。

weixin_30952535的博客 472

Matlab+gurobi求解出现数值问题:numerical problems

本来以为matlab+gurobi求解只会出现unfeasible的问题,没想到今天遇到了numerical problem?!在使用matlab+yalmip+gurobi求解MILP问题时,可以求得解(解有数值,但解不满足约束)出现了报错“numerical problems”。

xiao____bai____的博客 3622

Gurobi数值问题全解析:从病态矩阵到模型重构的优化求解实战

在运筹优化和数学规划领域,数值稳定性是决定求解器能否成功找到可靠解的关键因素。其核心原理源于计算机使用有限精度的浮点数表示实数,导致在连续运算中产生舍入误差。当优化问题的约束矩阵存在病态性,即条件数过高,或数据尺度差异巨大时,这些微小误差会被急剧放大,严重影响求解的可行性与最优性判定。从技术价值看,理解和解决数值问题能显著提升混合整数线性规划(MILP)和线性规划(LP)求解结果的可靠性,避免得到“伪可行解”。在实际应用场景中,这常见于供应链规划、金融工程和生产调度等涉及复杂数学建模的领域。本文聚焦于Gur

weixin_29291863的博客 266

Gurobi优化问题infeasible调试思路

Gurobi求解实际应用的优化问题时出现bug的解决路线图。

ytrewq121的博客 645

摸鱼也摸鱼之在线数独自动求解

在发现被老板CPU之后,大家想做的基本上都是摸鱼,像我这种没什么手法的人不可能摸鱼打MOBA游戏,所以只能选择数独这种对时间要求不怎么急促的小游戏。然而,有时候搞半天才发现从一开始就错了,这让我很苦恼,看来有必要对这一摸鱼行动进行再次摸鱼。如代码所示,我把鼠标右键默认事件取消了,取而代之的是右键单击时自动求解该题目,并填写答案进去。至此,完成了摸鱼也摸鱼的目标。全是绿色的,那就没问题了。偶然发现的在线数独页游[直接高级+难度的题目。点击鼠标右键直接求解。

冰凌的博客 1081

Python PuLP 与 Gurobi 对比:求解五一杯 A 题血管机器人问题的 3 种建模方法

本文对比了Python中PuLP与Gurobi两种求解器在解决五一杯A题血管机器人问题时的三种建模方法。通过详细的代码实现和性能分析,展示了开源与商业求解器在数学建模和优化算法上的差异,为医疗资源优化领域提供了实用的解决方案。

weixin_30271335的博客 471

java调用Groubi使用Double.MAX_VALUE作为大M导致模型不可行

使用软件时,注意软件的底层语言的数值经度,如本文中java语言和c++语言的数值精度的差异(指出的原因不一定对)

weixin_38594226的博客 527

Gurobi vs Pulp:混合整数规划求解器选择指南(含性能对比)

本文深入对比了Gurobi与PuLP两款混合整数规划求解器在Python中的应用。通过性能实测、API设计、高级功能等多维度分析,为开发者提供了清晰的选择指南。文章指出,对于原型验证和小型项目,PuLP简洁易用;而对于生产环境中的大规模复杂问题,Gurobi在求解速度、稳定性和功能上具有显著优势。

ol78901234的博客 284

数独求解器

使用c++语言,用QT编写的一个完善的数独求解软件

Gurobi求解运输问题

Gurobi的求解运输问题。

qq_43434469的博客 3098

基于python+gurobi的数值双层规划问题求解

该资源采用python编写,通过调用gurobi对数值双层优化问题进行求解,是学习双层规划的绝佳材料。

【运筹优化】带时间窗约束的车辆路径规划问题(VRPTW)详解 + Python 调用 Gurobi 建模求解

车辆路径规划问题(Vehicle Routing Problem,VRP)一般指的是:对一系列发货点和收货点,组织调用一定的车辆,安排适当的行车路线,使车辆有序地通过它们,在满足指定的约束条件下(例如:货物的需求量与发货量,交发货时间,车辆容量限制,行驶里程限制,行驶时间限制等),力争实现一定的目标(如车辆空驶总里程最短,运输总费用最低,车辆按一定时间到达,使用的车辆数最小等)。下图给出了一个简单的VRP的例子最基本的VRP问题叫做带容量约束的车辆路径规划问题(Capacitated Vehicle Rou

知不足而奋进,望远山而前行 4万+

【学习笔记】一文搞懂IEPE传感器

本文介绍了IEPE(集成电路压电式)传感器的工作原理及其在振动监测中的应用。通过压电效应原理,IEPE传感器将机械振动转换为电信号,内置电荷放大器将高阻抗电荷信号转换为低阻抗电压信号输出。还介绍了传感器的三轴测量结构、4mA恒流源供电机制以及灵敏度与量程的关系,并通过风扇实验演示了故障诊断过程。实验使用USB-3123采集卡和SRD-1104信号调理器,展示了正常与异常状态下的振动数据差异,验证了IEPE传感器在设备状态监测中的有效性。

m0_62969865的博客 2823

从Gotham到Foundry:拆解Palantir三大产品线,看它如何用‘本体’统一企业数据与AI

本文深入解析Palantir的三大产品线Gotham、Foundry和Apollo,揭示其如何通过独特的'本体'架构实现企业数据与AI的无缝融合。从国防情报到商业决策,Palantir的产品架构展现了强大的数据整合与AI赋能能力,为企业构建数字孪生提供革命性解决方案。

weixin_30823001的博客 325

Gurobi、CPLEX和COPT求解器有什么区别?哪个更适合工业应用?

真正的选择从来不在于谁更强,而在于谁更合适。数学求解器的竞争已经不只是性能对决,更是算法哲学与工程落地能力的较量。Gurobi和CPLEX在国际上深耕多年,体系成熟而全面,而近年崛起的COPT展现出极高的工业适配力和本地化优势。工业应用的标准早已超越学术层面的求解速度,而更关注模型规模、定制化接口与运维支持能力。在一切复杂算例和生产计划背后,最优解不只是代码输出,更是企业效率的再造。选型关键在于性能稳定、算法精度、接口灵活和生态支持,谁能把求解场景与行业业务深度融合,谁就能成为真正的工业求解器之王。

shanshuinfo的博客 1261

FPGA 学习笔记:Vitis IDE launch failed 的解决方法

FPGA 学习笔记:Vitis IDE launch failed 的解决方法

坚韧与专注 1万+

【Gurobi】SVM 对偶形式的推导,以及 Gurobi 求解对偶形式 SVM

SVM 对偶形式的推导,以及利用 Gurobi 求解 SVM 对偶形式

x66ccff 1470

windows 应用爬虫: exe自动操作

之前写了那么多关于手机和网页爬取,今天就写一期关于exe的爬取,exe的爬取其实也是类似的,一个方式是抓包,还有一个模拟人工界面获取元素数据。抓包肯定是最直接,数据也是最全的, 有些数据不一定会显示在界面上,或者必须通过一定交付方式,才能显示到页面(比如移动鼠标到具体元素上)。本文依旧采用python方式,先说说怎么通过界面方式驱动应用点击和数据获取。

youbingchen的博客 888

基于FPGA的超声成像算法的硬件设计

顶层设计如下图: 1. Verilog的硬件设计型号是 ALTERA 2.数据的输入量已经给出,附上的四个矩阵输入都要实现。 3.波束形成部分要在FPGA上完成,最后的matlab的代码部分只是获取数据后的图像显示 4.不需要动态聚焦,只是完成固定的四个不同输入数据的显示即可 5.不需要实物,但要实现硬件的仿真,要有相应的模块图和结构图,类似如下 具体实现过程和最终结果如下: 定义aperture(孔径)大小————输入量,数据已给出,一共四个规格的ape...

FPGA/MATLAB学习教程/源码/项目合作开发 1万+

运筹优化求解器对比:CPLEX 12.0 vs Gurobi 11.0 在 TSP 问题上的 5 项性能实测

本文对比了运筹优化求解器CPLEX 12.0和Gurobi 11.0在旅行商问题(TSP)上的性能表现,通过5项关键指标(求解时间、内存占用、最优间隙、整数变量处理能力和线性松弛质量)进行实测分析。结果显示,Gurobi 11.0在求解速度和内存效率上表现更优,特别适合大规模问题处理,而CPLEX 12.0在易用性和模型修改灵活性上更具优势。

weixin_34218579的博客 465

【MATLAB】嵌入式PID控制参数整定与优化

本文提出了一种基于MATLAB仿真的嵌入式PID参数优化方法,解决了传统人工试凑法效率低、适应性差的问题。通过建立一阶滞后被控对象模型,对比分析了不同PID参数组合的性能表现,筛选出最优参数。仿真结果表明,优化后的PID参数能有效降低超调量(从传统方法的显著超调降至接近0%),缩短调节时间,提高稳态精度。最终将优化算法部署到STM32平台,实现了"仿真整定-参数优化-嵌入式落地"的完整开发流程。该方法显著提升了嵌入式系统的响应速度和控制精度,为工业控制应用提供了标准化解决方案。

unber的博客 48

Convex.jl中如何选对求解器?SCS、Mosek、Gurobi、ECOS、GLPK实战对比

Convex.jl 是 Julia 生态中用于**纪律凸规划(DCP)建模**的核心包,它负责把你写的数学模型校验并转化为标准锥规划,但"算得快不快、算得准不准"取决于你选择的求解器。本文带你 3 步选对求解器:对比 SCS、Mosek、Gurobi、ECOS、GLPK 五大求解器的能力边界、适用场景与切换技巧,帮你避开最常见的"求解器选错、求解失败"坑。 ## 一、为什么 Convex.jl

gitblog_00728的博客 499

《YOLOv8-seg改进》专栏指导书册 &手把手创新教程

学姐带你学习YOLOv8,从入门到创新,轻轻松松搞定科研;1)手把手教你如何训练YOLOv8-seg;2)模型创新,提升分割性能;3)独家自研模块助力分割;

会AI的学姐 3814

ExpressLRS(ELRS)接收机技术全景:从历史演进、技术底层到产业生态全解析——上

ExpressLRS(ELRS)是一种由全球开源社区驱动的双向射频遥控链路协议栈,其接收机作为核心终端,承担信号接收解调、遥控指令解析、飞控数据交互与遥测回传等关键功能。自2018年问世以来,ELRS凭借极致性能、低成本、开放生态和强兼容性,从航模DIY方案发展为消费级无人机领域的事实标准,并逐步渗透工业级场景。 ELRS接收机采用模块化分层架构,支持2.4GHz和900MHz双频段,通过LoRa、FLRC、FSK多调制模式实现低延迟与远距离平衡。其核心技术包括自适应跳频抗干扰、TDD双向链路和极简数据包。

bother3000的博客 305
上一篇: Softmax Regression算法
ilike_program
博客等级 码龄10年 20粉丝 15原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值