Pyomo

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Примеры)
Текущая версия (23:20, 21 декабря 2016) (править) (отменить)
(Документация)
 
(29 промежуточных версий не показаны.)
Строка 121: Строка 121:
Примеры решений задач с помощью Pyomo можно найти на [http://www.pyomo.org/documentation странице документации]. Попробуйте запустить Jupyter Notebook в архиве, решающий транспортную проблему (transport.ipynb).
Примеры решений задач с помощью Pyomo можно найти на [http://www.pyomo.org/documentation странице документации]. Попробуйте запустить Jupyter Notebook в архиве, решающий транспортную проблему (transport.ipynb).
 +
 +
=== Документация ===
 +
 +
* [http://www.pyomo.org/documentation/ Онлайн-докуметнация]
 +
 +
* [https://vk.com/doc279781892_440088583 Pyomo-книга]
=== Примеры ===
=== Примеры ===
 +
 +
==== Официальные примеры pyomo ====
 +
 +
* [https://github.com/Pyomo/PyomoGallery/wiki PyomoGallery],
 +
 +
* Примеры из [https://github.com/Pyomo/pyomo/tree/master/examples репозитория] pyomo.
 +
==== Ensemble Clustering ====
==== Ensemble Clustering ====
В статье [http://www.sciencedirect.com/science/article/pii/S0031320315003039 Ensemble CLustering Using Factor Graphs] решается задача ensemble clustering, где промежуточным шагом является решение линейной бинарной задачи. Хотя авторы статьи применяют для этого метод, названный Belief Propagation, задачу можно решить и напрямую. Приведенный ниже код основан на примере Diet оригинального мануала [http://nbviewer.jupyter.org/github/Pyomo/PyomoGallery/blob/master/diet/DietProblem.ipynb].
В статье [http://www.sciencedirect.com/science/article/pii/S0031320315003039 Ensemble CLustering Using Factor Graphs] решается задача ensemble clustering, где промежуточным шагом является решение линейной бинарной задачи. Хотя авторы статьи применяют для этого метод, названный Belief Propagation, задачу можно решить и напрямую. Приведенный ниже код основан на примере Diet оригинального мануала [http://nbviewer.jupyter.org/github/Pyomo/PyomoGallery/blob/master/diet/DietProblem.ipynb].
 +
 +
[https://drive.google.com/drive/folders/0B7F33DV0za7dV0tHd2N4emR3dmc?usp=sharing Исходный код на google drive.]
 +
 +
Запуск производится командой
 +
<source lang="bash">
 +
pyomo solve --solver=glpk ensemble_clustering.py ensemble_сlustering.dat
 +
</source>
 +
 +
==== Хроматическое число графа ====
 +
 +
Хроматическое число графа G — минимальное число цветов, в которые можно раскрасить вершины графа G так, чтобы концы любого ребра имели разные цвета.
 +
 +
Постановка задача на языке Pyomo:
 +
 +
<source lang="python">
 +
from __future__ import division
 +
from pyomo.environ import *
 +
 +
model = AbstractModel()
 +
 +
model.N = Param()
 +
model.I = RangeSet(model.N)
 +
model.Adj = Param(model.I, model.I, domain = Binary)
 +
 +
model.X = Var(model.I, domain=NonNegativeIntegers)
 +
 +
# Objective
 +
def ChromaticNumber_rule(model):
 +
return sum(model.X[i] for i in model.I)
 +
 +
model.ChromaticNumber = Objective(rule=ChromaticNumber_rule, sense=minimize)
 +
 +
#Constraint: adjacent vertices are painted in different color
 +
def NeigboursDifferent_rule (model, i, j) :
 +
if model.Adj[i,j]==1:
 +
return abs(model.X[i] - model.X[j])>=1
 +
else:
 +
return Constraint.Skip
 +
 +
model.NeigboursDifferent = Constraint (model.I, model.I, rule = NeigboursDifferent_rule)
 +
</source>
 +
 +
 +
[https://github.com/fedimser/iad-discropt/tree/master/ChromaticNumber/report/ChromaticNumber.pdf отчёт], [https://github.com/fedimser/iad-discropt/tree/master/ChromaticNumber код].
 +
 +
==== Сеточная визуализация тематической модели ====
 +
 +
Данная задача естественно возникла в задаче визуализации тематической модели. Пусть имеется N тем, в i-й теме находится <tex>S_i</tex> документов.
 +
Мы хотим отобразить документы в таблице размера <tex>W \times H</tex> так, чтобы каждый документ находился в одной клетке, и документы, относящиеся
 +
к одной теме образовывали связную область. Кроме того, нужно чтобы некоторые темы оказались смежны.
 +
 +
Давайте представим, что документы одной темы притягиваются друг к другу. Тогда можно считать, что у пары документов одной темы есть энергия связи, которая тем больше, чем дальше они расположены друг от друга. Документы "смежных" тем тоже должны притягиваться, но с меньшей энергией.
 +
 +
Теперь задачу можно сформулировать в терминах задачи минимизации суммарной энергии связи. Подробное описание [https://github.com/fedimser/iad-discropt/blob/master/GridArranging/report/GridArranging.pdf здесь]. В модели pyomo ниже задача сведена к задаче квадратичного программирования.
 +
 +
<source lang = "python">
 +
 +
from __future__ import division
 +
from pyomo.environ import *
 +
import numpy as np
 +
 +
model = AbstractModel()
 +
 +
model.N = Param() #The number of areas
 +
model.W = Param() #Width
 +
model.H = Param() #Height
 +
 +
model.Xrange = RangeSet(model.W)
 +
model.Yrange = RangeSet(model.H)
 +
model.Colors = RangeSet(model.N)
 +
 +
model.S = Param(model.Colors, domain = Integers) #Sizes of areas
 +
model.A = Param(model.Colors, model.Colors)
 +
 +
model.Z = Var(model.Xrange, model.Yrange, model.Colors, domain=Binary)
 +
 +
def dist_init(model,x1,y1,x2,y2):
 +
dx = x1 - x2
 +
dy = y1 - y2
 +
return sqrt(dx*dx + dy*dy)
 +
 +
model.dist = Param(model.Xrange, model.Yrange, model.Xrange, model.Yrange, initialize = dist_init)
 +
 +
 +
 +
# Objective - energy
 +
def U_rule(model):
 +
return sum(sum(sum(sum (model.dist[x1,y1,x2,y2]*sum(sum(model.A[i1,i2]*model.Z[x1,y1,i1]*model.Z[x2,y2,i2] for
 +
i1 in model.Colors) for i2 in model.Colors) for y2 in model.Yrange)
 +
for x2 in model.Xrange) for y1 in model.Yrange) for x1 in model.Xrange)
 +
 +
model.U = Objective(rule=U_rule, sense=minimize)
 +
 +
#Constraint: no collisions
 +
def Correct_rule (model, x, y) :
 +
return sum(model.Z[x,y,i] for i in model.Colors) <= 1
 +
 +
model.Correct = Constraint (model.Xrange, model.Yrange, rule = Correct_rule)
 +
 +
#Constraint: square of i-th area is S[i]
 +
def Square_rule(model, i):
 +
return sum(sum(model.Z[x,y,i] for y in model.Yrange) for x in model.Xrange) == model.S[i]
 +
model.Square = Constraint (model.Colors, rule = Square_rule)
 +
</source>
 +
[https://github.com/fedimser/iad-discropt/blob/master/GridArranging/report/GridArranging.pdf отчёт], [https://github.com/fedimser/iad-discropt/tree/master/GridArranging код]
 +
 +
==== Soft Margin SVM ====
 +
 +
[https://github.com/LLOleg/DO_374/blob/master/DO_Report%20(1).pdf Отчёт]
 +
 +
==== Поиск топологических доменов ====
 +
Кластеризация невзвешенных неориентированных графов с помощью максимизации модулярности.
 +
<source lang="bash">
 +
pyomo solve --solver=ipopt modularity.py modularity.dat
 +
</source>
 +
 +
[https://drive.google.com/open?id=0B2vVdyQCUE_OQUcxdlBkMDVXYWs Исходный код на google drive.]
 +
[https://drive.google.com/open?id=0B2vVdyQCUE_OSGVqWWhEVk1USTg Входные данные.]

Текущая версия

Pyomo — открытая библиотека языка Python, созданная для создания и использования оптимизационных моделей.


Содержание

Установка

macOS

Через pip
  • Устанавливаем pyomo через pip. В зависимости от используемой версии интерпретатора Python можно заменить pip на pip2 или pip3.
pip install pyomo
  • Устанавливаем пакет pyomo.extras
pip install pyomo.extras
Через Anaconda

См. раздел Windows.


Windows

  • Установить Anaconda
  • Запустить Anaconda Prompt (интерфейс командной строки)
  • Выполнить следующие команды. Устанавливаем пакеты pyomo, pyomo.extras и решатель glpk.

Для этого используется сторонний репозиторий:

conda install --channel https://conda.anaconda.org/conda-forge pyomo
conda install --channel https://conda.anaconda.org/conda-forge pyomo.extras
conda install --channel https://conda.anaconda.org/conda-forge glpk

Linux

Предполагается, что вы используете Debian-based дистрибутив (например, Ubuntu).

Скачиваем отсюда: https://www.gnu.org/software/glpk/

cd ~/Downloads
tar -xzf glpk-4.43.tar.gz
cd ./glpk
./configure --prefix=/usr/local # see note [1]
make
sudo make install
Через pip

Здесь лучше использовать виртуальную среду, используя virtualenv. В этом случае в скрипте внизу перед pip3 не нужно sudo. Обратите внимание, что вы можете использовать pip2, если хотите работать со второй версией языка.

sudo pip3 install pyomo
sudo apt-get install glpk*
Через Anaconda

См. раздел Windows.

Тестирование установки

Установка солверов

Для решения поставленных задач Pyomo использует заданный в параметрах солвер. Решение задачи состоит из .py скрипта с определением модели и сущностей и .dat – файл с данными (параметрами) в AMPL формате. Пример запуска решения задачи:

pyomo solve --solver=bonmin sol.py prod.dat

Существует некоторое множество солверов, которые может использовать Pyomo. Среди них есть свободно распространяемые (glpk, bonmin, ipopt, cbc) и проприетарные (minos, другие решатели AMPL). Для их использования их нужно устанавливать отдельно.

macOS

На macOS для установки ПО удобно использовать менеджер пакетов homebrew.

GLPK
  • Скачиваем с сайта проекта последнюю версию.
  • Устанавливаем (предполагается, что архив скачался в ~/Downloads, а скачаный архив называется glpk-4.43.tar.gz).
cd ~/Downloads
tar -xzf glpk-4.43.tar.gz
./configure --prefix=/usr/local # see note [1]
make
sudo make install
  • Проверяем, корректно ли установлен солвер (должен вывести путь до исполняемого файла).
which glpsol
bonmin
brew tap staticfloat/homebrew-juliadeps
brew install bonmin
cbc
brew tap coin-or-tools/coinor
brew install cbc
ipopt
brew tap Homebrew/homebrew-science
brew install ipopt
lpsolve
brew tap Homebrew/homebrew-science
brew install lp_solve

Примеры решений задач с помощью Pyomo можно найти на странице документации. Попробуйте запустить Jupyter Notebook в архиве, решающий транспортную проблему (transport.ipynb).

Документация

Примеры

Официальные примеры pyomo

Ensemble Clustering

В статье Ensemble CLustering Using Factor Graphs решается задача ensemble clustering, где промежуточным шагом является решение линейной бинарной задачи. Хотя авторы статьи применяют для этого метод, названный Belief Propagation, задачу можно решить и напрямую. Приведенный ниже код основан на примере Diet оригинального мануала [1].

Исходный код на google drive.

Запуск производится командой

pyomo solve --solver=glpk ensemble_clustering.py ensemble_сlustering.dat

Хроматическое число графа

Хроматическое число графа G — минимальное число цветов, в которые можно раскрасить вершины графа G так, чтобы концы любого ребра имели разные цвета.

Постановка задача на языке Pyomo:

from __future__ import division
from pyomo.environ import *
 
model = AbstractModel()
 
model.N = Param()
model.I = RangeSet(model.N)
model.Adj = Param(model.I, model.I, domain = Binary)
 
model.X = Var(model.I, domain=NonNegativeIntegers)
 
# Objective 
def ChromaticNumber_rule(model): 
   return sum(model.X[i] for i in model.I)
 
model.ChromaticNumber = Objective(rule=ChromaticNumber_rule, sense=minimize) 
 
#Constraint: adjacent vertices are painted in different color
def NeigboursDifferent_rule (model, i, j) : 
    if model.Adj[i,j]==1:
        return abs(model.X[i] - model.X[j])>=1
    else:
        return Constraint.Skip         
 
model.NeigboursDifferent =  Constraint (model.I, model.I, rule = NeigboursDifferent_rule)


отчёт, код.

Сеточная визуализация тематической модели

Данная задача естественно возникла в задаче визуализации тематической модели. Пусть имеется N тем, в i-й теме находится S_i документов. Мы хотим отобразить документы в таблице размера W \times H так, чтобы каждый документ находился в одной клетке, и документы, относящиеся к одной теме образовывали связную область. Кроме того, нужно чтобы некоторые темы оказались смежны.

Давайте представим, что документы одной темы притягиваются друг к другу. Тогда можно считать, что у пары документов одной темы есть энергия связи, которая тем больше, чем дальше они расположены друг от друга. Документы "смежных" тем тоже должны притягиваться, но с меньшей энергией.

Теперь задачу можно сформулировать в терминах задачи минимизации суммарной энергии связи. Подробное описание здесь. В модели pyomo ниже задача сведена к задаче квадратичного программирования.

from __future__ import division
from pyomo.environ import *
import numpy as np
 
model = AbstractModel()
 
model.N = Param()   #The number of areas
model.W = Param()   #Width
model.H = Param()   #Height
 
model.Xrange = RangeSet(model.W)
model.Yrange = RangeSet(model.H)
model.Colors = RangeSet(model.N)
 
model.S = Param(model.Colors, domain = Integers) #Sizes of areas
model.A = Param(model.Colors, model.Colors)
 
model.Z = Var(model.Xrange, model.Yrange, model.Colors, domain=Binary)
 
def dist_init(model,x1,y1,x2,y2):
	dx = x1 - x2
	dy = y1 - y2
	return sqrt(dx*dx + dy*dy)
 
model.dist = Param(model.Xrange, model.Yrange, model.Xrange, model.Yrange, initialize = dist_init)
 
 
 
# Objective - energy 
def U_rule(model): 
   return sum(sum(sum(sum (model.dist[x1,y1,x2,y2]*sum(sum(model.A[i1,i2]*model.Z[x1,y1,i1]*model.Z[x2,y2,i2] for
       i1 in model.Colors) for i2 in model.Colors) for y2 in model.Yrange)
       for x2 in model.Xrange) for y1 in model.Yrange) for x1 in model.Xrange)
 
model.U = Objective(rule=U_rule, sense=minimize) 
 
#Constraint: no collisions
def Correct_rule (model, x, y) : 
    return sum(model.Z[x,y,i] for i in model.Colors) <= 1
 
model.Correct =  Constraint (model.Xrange, model.Yrange, rule = Correct_rule) 
 
#Constraint: square of i-th area is S[i]
def Square_rule(model, i):
    return sum(sum(model.Z[x,y,i] for y in model.Yrange) for x in model.Xrange) == model.S[i]
model.Square =  Constraint (model.Colors, rule = Square_rule)

отчёт, код

Soft Margin SVM

Отчёт

Поиск топологических доменов

Кластеризация невзвешенных неориентированных графов с помощью максимизации модулярности.

pyomo solve --solver=ipopt modularity.py modularity.dat

Исходный код на google drive. Входные данные.

Личные инструменты