如何在DOcplex中同时配置字典序层级参数与全局内存参数？

问题 #

我正在使用字典序排序（lexicographic ordering）处理多目标优化问题，需求是：

• 为每个目标层级设置独立的时间限制和MIP GAP（对应与目标数量匹配的时间限制向量、MIP GAP向量）
• 全局控制工作内存（workmem）和节点存储参数

但目前无法同时实现上述配置：

1. 使用build_multiobj_paramsets指定层级参数时，全局设置的workmem等参数被忽略，内存占用持续飙升直至耗尽，同时收到提示：

   warning: inconsistent parallel mode settings ignored, using opportunistic.
   

   对应代码：

   model = Model(name='Model_name')
   
   model.parameters.parallel = -1 # opportunistic
   model.parameters.workmem = 10000 # 10 GB 
   model.parameters.mip.strategy.file = 3 # Save nodes on disk and compressed
   
   model.set_multi_objective('max',objectives, priorities=[3,2,1], names=objective_names)
   
   paramsets = model.build_multiobj_paramsets(timelimits=[time1, time2, time3], mipgaps=[gap1, gap2, gap3])
   
   solution = model.solve(url=None, key=None, log_output=True, clean_before_solve=True, parameter_sets=paramsets)
   

2. 使用maximize_static_lex时，全局的workmem和节点存储参数正常生效，但无法为每个层级设置独立的时间限制和MIP GAP：

   model = Model(name='Model_name')
   
   model.parameters.parallel = -1 # opportunistic
   model.parameters.workmem = 10000 # 10 GB 
   model.parameters.mip.strategy.file = 3 # Save nodes on disk and compressed
   
   model.maximize_static_lex(objectives, objnames=objective_names)
   solution = model.solve(url=None, key=None, log_output=True, clean_before_solve=True)
   

请问是否存在方法，既能全局控制workmem等参数，又能为每个字典序层级指定不同的时间限制和MIP GAP？

解决方案 #

可以通过将全局控制参数合并到每个层级的参数配置中，实现同时控制全局资源和层级专属参数的需求。当传入parameter_sets时，求解器会优先使用参数集中的配置，因此只需确保每个层级的参数集合包含全局参数即可。

方法1：扩展build_multiobj_paramsets生成的参数集 #

先通过工具方法生成基础层级参数，再批量注入全局参数：

model = Model(name='Model_name')

# 定义需要全局控制的参数
global_config = {
    'parallel': -1,  # opportunistic模式
    'workmem': 10000,  # 10GB内存限制
    'mip.strategy.file': 3  # 节点压缩存储到磁盘
}

model.set_multi_objective('max', objectives, priorities=[3,2,1], names=objective_names)

# 生成包含层级专属时间限制、MIP GAP的基础参数集
paramsets = model.build_multiobj_paramsets(timelimits=[time1, time2, time3], mipgaps=[gap1, gap2, gap3])

# 将全局参数合并到每个层级的配置中
for param_set in paramsets:
    param_set.update(global_config)

# 执行求解
solution = model.solve(url=None, key=None, log_output=True, clean_before_solve=True, parameter_sets=paramsets)

方法2：手动构建全量参数集 #

直接为每个层级手动编写完整的参数配置，无需依赖工具方法：

model = Model(name='Model_name')

model.set_multi_objective('max', objectives, priorities=[3,2,1], names=objective_names)

# 手动构建每个层级的参数集，同时包含全局参数和层级专属参数
paramsets = [
    {
        'timelimit': time1,
        'mipgap': gap1,
        'parallel': -1,
        'workmem': 10000,
        'mip.strategy.file': 3
    },
    {
        'timelimit': time2,
        'mipgap': gap2,
        'parallel': -1,
        'workmem': 10000,
        'mip.strategy.file': 3
    },
    {
        'timelimit': time3,
        'mipgap': gap3,
        'parallel': -1,
        'workmem': 10000,
        'mip.strategy.file': 3
    }
]

solution = model.solve(url=None, key=None, log_output=True, clean_before_solve=True, parameter_sets=paramsets)

这两种方式都能确保每个层级在使用专属时间限制和MIP GAP的同时，严格遵循全局的内存、并行模式及节点存储配置。

内容的提问来源于stack exchange，提问作者Pol Gil Figuerola