如何保存Julia Gurobi模型并加载后使用不同数据输入运行？

问题描述 #

我有一个Gurobi模型，希望扩展为支持随机数据输入（比如不同的missed_bags矩阵）。想知道能不能把模型保存下来，在另一个Julia文件加载后用不同数据运行？我的预期运行逻辑如下：

for iter in iterations
    x_result = Run Gurobi_model(missed_bags)  # 获取分配结果
    for sim in simulations
        data = data + std*rand()
        # 基于分配结果计算数值
        # 其他操作
    end
    # 根据模拟结果更新missed_bags矩阵
end

模型构建代码片段：

Gurobi_model = Model(Gurobi.Optimizer);

@variable(Gurobi_model, x[1:Fa, 1:I], Bin); # 二进制变量：航班fa分配到进港通道i则为1
@variable(Gurobi_model, y[1:T], Bin) 

# 目标函数：最小化漏运行李数
@objective(Gurobi_model, Min, sum(x[fa,i]*missed_bags[fa,i] for i=1:I, fa=1:Fa) + sum(500*y[t] for t = 1:T)+ sum(0.5*x[fa,i] for i in [2,3,5,6], fa=1:Fa))

@constraint(Gurobi_model, [fa = 1:Fa], (sum(x[fa,i] for i = 1:I) == 1))

# 加载容量违反时添加惩罚的约束

# 求解
optimize!(Gurobi_model)

# 打印语句
....

解决方案 #

完全可以实现模型复用+不同数据输入的需求，推荐两种实用方案：

方案1：将模型封装为函数（最简洁高效） #

无需保存/加载模型，直接把模型构建逻辑封装成接受missed_bags等参数的函数，每次调用时传入新数据即可。这种方式比序列化模型更灵活，也避免了版本兼容问题。

示例代码：

function build_and_solve_model(missed_bags, Fa, I, T)
    model = Model(Gurobi.Optimizer)
    # 关闭冗余输出，提升运行效率
    set_optimizer_attribute(model, "OutputFlag", 0)

    @variable(model, x[1:Fa, 1:I], Bin)
    @variable(model, y[1:T], Bin)

    # 目标函数：使用传入的missed_bags参数
    @objective(model, Min, sum(x[fa,i]*missed_bags[fa,i] for i=1:I, fa=1:Fa) + 
                            sum(500*y[t] for t=1:T) + 
                            sum(0.5*x[fa,i] for i in [2,3,5,6], fa=1:Fa))

    @constraint(model, [fa=1:Fa], sum(x[fa,i] for i=1:I) == 1)
    # 在这里添加你的容量约束（若约束依赖外部数据，需将数据作为参数传入）

    optimize!(model)

    # 返回求解结果，比如x变量的取值
    return value.(x)
end

# 调用示例
iterations = 10
simulations = 5
std = 0.1
Fa = 10; I = 6; T = 5  # 假设已定义这些维度参数
missed_bags = rand(Fa, I)  # 初始化missed_bags矩阵

for iter in 1:iterations
    x_result = build_and_solve_model(missed_bags, Fa, I, T)
    for sim in 1:simulations
        data = data + std*rand()
        # 基于x_result的计算逻辑
    end
    # 根据模拟结果更新missed_bags矩阵
    missed_bags = update_missed_bags(missed_bags, x_result)  # 自定义更新逻辑
end

方案2：序列化模型（保存/加载） #

如果确实需要将模型保存到文件再加载，可以使用JuMP的序列化功能，但需注意两点：

• 模型中的可变参数（比如missed_bags）需要定义为JuMP的Parameter类型，而非直接使用外部变量，这样加载后才能修改参数值。
• 序列化存在版本兼容风险，JuMP/Gurobi版本变更可能导致加载失败。

保存模型的文件（如build_model.jl）

using JuMP, Gurobi

function build_base_model(Fa, I, T)
    model = Model(Gurobi.Optimizer)
    set_optimizer_attribute(model, "OutputFlag", 0)

    @variable(model, x[1:Fa, 1:I], Bin)
    @variable(model, y[1:T], Bin)

    # 定义可修改的参数
    @parameter(model, missed_bags[1:Fa, 1:I])

    @objective(model, Min, sum(x[fa,i]*missed_bags[fa,i] for i=1:I, fa=1:Fa) + 
                            sum(500*y[t] for t=1:T) + 
                            sum(0.5*x[fa,i] for i in [2,3,5,6], fa=1:Fa))

    @constraint(model, [fa=1:Fa], sum(x[fa,i] for i=1:I) == 1)
    # 添加容量约束（若约束依赖参数，同样定义为Parameter类型）

    # 保存模型到文件
    serialize("gurobi_model.jls", model)
end

# 初始化并保存模型
Fa = 10; I = 6; T = 5
build_base_model(Fa, I, T)

加载模型并运行的文件（如run_model.jl）

using JuMP, Gurobi

# 加载模型
model = deserialize("gurobi_model.jls")

# 获取模型中的参数对象
missed_bags_param = model[:missed_bags]

iterations = 10
simulations = 5
std = 0.1
current_missed_bags = rand(Fa, I)  # 假设Fa、I已定义

for iter in 1:iterations
    # 更新参数值
    set_value.(missed_bags_param, current_missed_bags)
    
    optimize!(model)
    x_result = value.(model[:x])

    for sim in 1:simulations
        data = data + std*rand()
        # 自定义计算逻辑
    end

    # 更新missed_bags矩阵
    current_missed_bags = update_missed_bags(current_missed_bags, x_result)
end

注意事项 #

• 优先选择方案1，函数封装的方式灵活性高、维护成本低，无需处理序列化的兼容性问题。
• 使用方案2时，需确保保存和加载模型时JuMP、Gurobi的版本一致，避免加载失败。
• 每次求解前若需重置模型状态，可调用reset_optimizer!(model)，但多数场景下优化器会自动处理新参数下的求解。

内容的提问来源于stack exchange，提问作者Nora Seinfield