You need to enable JavaScript to run this app. 如何基于tibble分组数据动态批量构建OMPR混合线性规划模型
优惠活动
大模型
产品
解决方案
定价
更多

如何基于tibble分组数据动态批量构建OMPR混合线性规划模型

解决方案

首先你需要提前定义所有可能出现的未知变量对应的上下界,后续新增变量仅需要更新该配置表即可,无需修改建模逻辑。

完整实现代码

# 预定义所有未知变量的上下界,新增变量直接在该表补充
var_bounds <- tibble(
  unknown = c("w", "b", "c", "l", "o"),
  lb = c(1.8, 2.0, 1.1, 1.3, 1.5), # o的上下界可根据实际业务需求调整
  ub = c(2.8, 3.0, 1.8, 1.7, 2.0)
)

# 按category分组批量构建、求解模型
model_results <- dummy_data %>%
  group_nest(category, known_sum) %>%
  mutate(
    model = map2(data, known_sum, function(df, ks) {
      # 匹配当前分组变量对应的上下界
      df_with_bounds <- df %>% left_join(var_bounds, by = "unknown")
      
      # 初始化模型
      model <- MILPModel()
      
      # 动态为当前分组添加对应变量
      for (i in seq(nrow(df_with_bounds))) {
        v <- df_with_bounds$unknown[i]
        model <- add_variable(model, !!sym(v), lb = df_with_bounds$lb[i], ub = df_with_bounds$ub[i], type = "continuous")
      }
      
      # 动态构造线性求和表达式
      expr <- reduce2(df_with_bounds$known, df_with_bounds$unknown, function(a, k, v) a + k * !!sym(v), .init = 0)
      
      # 配置目标、约束并求解
      model %>%
        set_objective(!!expr, "min") %>%
        add_constraint(!!expr == ks) %>%
        solve_model(with_ROI(solver = "glpk"))
    })
  )

结果提取

可以将所有分组的求解结果合并为tidy格式的表格方便后续分析:

solution_df <- model_results %>%
  mutate(
    solution = map(model, function(m) {
      get_solution(m, everything()) %>%
        pivot_wider(names_from = variable, values_from = value)
    })
  ) %>%
  unnest(solution) %>%
  select(-data, -model)

方案全程遵循tidy风格,适配任意数量的category分组和未知变量,不需要手动逐个编写模型代码。

内容的提问来源于stack exchange,提问作者Troy

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.12 23:36:01