如何在Docplex(CPLEX)中通过ProgressListener跟踪多目标优化过程

Docplex默认的多目标分层优化是黑盒执行，无法通过全局ProgressListener直接获取每个目标的优化过程。要逐个跟踪每个目标的优化数据，核心思路是手动拆分多目标为独立的单目标优化阶段，为每个阶段单独注册回调监听器，同时保留分层优化的约束逻辑。

具体实现步骤 #

1. 拆分多目标为逐个单目标优化 #

放弃Docplex自动的多目标minimize([obj1, obj2, obj3])方式，改为依次优化每个目标：

• 优化第1个目标至最优
• 添加约束固定第1个目标的最优值，再优化第2个目标
• 重复上述步骤，直到所有目标优化完成

2. 自定义目标专属的ProgressListener #

为每个优化阶段创建独立的监听器，传入目标索引，确保回调能区分当前跟踪的是哪个目标的过程。

3. 阶段间添加固定约束 #

每个目标优化完成后，添加obj_k == 最优值的约束，保证后续优化不会破坏前序目标的最优性，符合分层多目标的逻辑。

代码示例 #

from docplex.mp.model import Model
from docplex.mp.progress import ProgressListener

# 创建模型与变量
mdl = Model("multiobj_tracker")
x = mdl.integer_var(lb=0, ub=10, name="x")
y = mdl.integer_var(lb=0, ub=10, name="y")

# 定义多目标函数
obj1 = 3 * x + 2 * y
obj2 = x + y
obj3 = -x + 2 * y

# 自定义监听器：绑定目标索引，输出阶段优化信息
class TargetProgressListener(ProgressListener):
    def __init__(self, target_idx):
        super().__init__()
        self.target_idx = target_idx + 1  # 目标编号从1开始

    def notify_progress(self, progress_data):
        # 输出当前目标的优化状态
        print(f"=== 目标 {self.target_idx} 优化状态 ===")
        print(f"当前最优界: {progress_data.best_bound:.2f}")
        print(f"当前可行解目标值: {progress_data.current_objective:.2f}")
        print(f"已处理节点数: {progress_data.nb_nodes_processed}")
        # 当有新可行解时，输出变量值
        if progress_data.has_incumbent:
            print(f"当前可行解: x={x.solution_value:.0f}, y={y.solution_value:.0f}")
        print("-"*30)

# 逐个优化目标，跟踪每个阶段
targets = [obj1, obj2, obj3]
optimal_values = []

for idx, current_obj in enumerate(targets):
    # 注册当前目标的监听器
    listener = TargetProgressListener(idx)
    mdl.add_progress_listener(listener)

    # 优化当前目标
    mdl.minimize(current_obj)
    solution = mdl.solve()

    if solution:
        opt_val = solution.get_objective_value()
        optimal_values.append(opt_val)
        # 添加约束：固定当前目标的最优值，用于下一个阶段
        mdl.add_constraint(current_obj == opt_val, name=f"fix_obj_{idx+1}")

    # 移除当前监听器，避免干扰下一阶段
    mdl.remove_progress_listener(listener)

# 输出最终所有目标的最优结果
print("\n=== 最终多目标优化结果 ===")
for i, val in enumerate(optimal_values):
    print(f"目标 {i+1} 最优值: {val:.2f}")

关键点说明 #

• 手动拆分后，每个阶段都是标准单目标优化，ProgressListener能完整获取该阶段的MIP、MIPSOL等所有信息。
• 固定前序目标值的约束是分层多目标的核心，确保后续优化在不破坏前序最优的前提下进行。
• 如果需要更底层的CPLEX回调（比如原生MIP回调），可以通过mdl.get_cplex()获取底层CPLEX对象，注册原生回调，逻辑与手动拆分一致。

内容的提问来源于stack exchange，提问作者Daniel Cuellar