问题描述
我正在一个工业质量实验室为 Job Shop Scheduling 构建一个相当大且复杂的优化模型，我正在使用 gurobi。
这是一个多目标模型，我需要在四台不同的机器上最大限度地减少处理时间，但我还需要优先考虑那些可以解锁大量材料以运送给客户的管道（保持低库存）。
一个管道可以有一个或多个与之相关的测试，我也可以有多个管道与一个订单相关联；一旦完成所有需要的测试，订单就可以运送给客户。管道被放入一些盒子中，然后被带到机器（一台机器一次一个盒子）处理里面的所有管道。
我的目标函数如下：
OBJECTIVE = gp.quicksum(T[m] for m in machines)
- gp.quicksum(Pipe_Box[i,ii,c] * Box_convenience[i][ii] * k1
for i in pipes for ii in pipes for c in Boxes if pipes.index(ii) >
pipes.index(i))
- gp.quicksum(Weight_Check[i,c,m] * Pipe_Weight_Flag[i] * k2 for
i in pipes for c in Boxes for m in machines)
首先我尽量减少机器时间。
其次，我正在考虑这样一个事实，即如果我将与订单相关的所有管道放在一个盒子中，那么与将这些管道放在不同的盒子中相比，我将更快地解锁订单。
第三也是最后，我正在考虑所有订单重量/测试次数超过 5 吨的订单。
T[m],Pipe_Box[i,c] and Weight_Check[i,m]
是我的变量。
Box_convenience[i][ii] and Pipe_Weight_Flag[i]
是二元参数，告诉我不同的管道是否属于同一订单，以及比例是否大于 5 吨
k1 ad k2
是系数，我需要了解它们对于多目标函数的最佳配置是什么。
我正在考虑使用两个嵌套循环运行模拟，将 k1 和 k2 都从零开始，然后将它们递增 +100，直到达到某个阈值（比如每个阈值 300 万）。
在这种情况下，我有 90 次不同的模型迭代，因此有不同的解决方案。
我想知道 gurobi 中是否存在一个内置工具来执行此任务，或者我是否可以使用另一种方法并使用像 simpy 这样的库来实现我想要的。
Gurobi 将目标函数保存在一个具有专有 .sol 扩展名的文本文件中（我认为，在一天结束时它是一个普通的文本文件），它具有以下结构：
# Solution for model Job Shop Scheduling
# Objective value = 1.9384345683700005e+04
T[M1] = 1000
T[M2] = 5332
...
Pipe_Box[Pipe1,Pipe2,Box1] = 1
Pipe_Box[Pipe1,Box2] = 0
...
我从来不需要做这样的事情，我有点不知所措，任何意见或帮助将不胜感激！
编辑： 我看到 gurobi 支持多目标优化，因此以下代码可以工作：
model.setobjectiveN(gp.quicksum(T[m] for m in machines),2,1)
model.setobjectiveN(- gp.quicksum(Pipe_Box[i,c] * Box_convenience[i][ii]
for i in pipes for ii in pipes for c in Boxes if
pipes.index(ii) > pipes.index(i),1,1)
model.setobjectiveN(- gp.quicksum(Weight_Check[i,m] * Pipe_Weight_Flag[i] * k2
for i in pipes for c in Boxes for m in machines,1)
问题还是一样，有没有办法改变权重和优先级参数，得到不同的解决方案？
解决方法
这并不总是可行的，但如果你能用美元来表达这两个目标，那么这个问题就会迎刃而解。
否则，我通常做的是：（1）找到目标的“框”（每个目标的最小值/最大值），然后（2）进行粗略的网格搜索。这会产生一些您可以用来改进事物的结果。 （估计的）有效边界的图片有助于传达事物，还有助于识别需要更精细网格的有趣区域（事物可能在部分空间中是平坦的）。