将JuMP LP优化变量与对偶结果高效存入DataFrame的简洁方法
JuMP大规模优化结果的高效结构化存储方案
核心痛点
- 传统手动存储方案扩展性差:需要逐一定义变量、逐行调用
push!把结果推入DataFrame,变量/约束规模较大时代码冗余、维护成本高 - 期望实现的自动存储能力:
- 直接复用JuMP内置的
all_variables()、all_constraints()接口遍历全模型元素 - 提取变量求解值、约束对偶值,按变量的维度索引自动生成结构化表格
- 以变量/约束本身为键,将对应表格存入统一字典,方便后续调用
- 直接复用JuMP内置的
实现逻辑
你当前编写的概念示例存在逻辑缺陷:循环过程中每次都会覆盖
Resul_vars["vari"]的键值,无法将同个变量不同索引组合的结果聚合为单张完整DataFrame
变量结果存储
对应你给出的变量声明示例:
@variable(Model, p[t=s_time,n=s_n,m=s_m], lower_bound=0, base_name="Expected production")
可按以下逻辑实现,无需逐一定义变量:
using JuMP, DataFrames Result_vars = Dict() # 按变量所属的索引分组遍历,避免逐变量零散建表 for (var_ref, indices) in eachgroup(all_variables(Model)) # 批量收集索引与对应求解值 collected_rows = [ (idx..., value(var_ref[idx...])) for idx in indices ] # 按变量声明的维度名作为列名生成DataFrame Result_vars[var_ref] = DataFrame( collected_rows, [dim_names(var_ref)..., :Value] ) end
最终Result_vars[p]生成的表格完全匹配你期望的结构:
| t | n | m | Value |
|---|---|---|---|
| 1 | 1 | 1 | 50 |
| 2 | 1 | 1 | 60 |
| 3 | 1 | 1 | 145 |
约束对偶值存储
对偶值的提取逻辑和变量存储完全对齐,直接复用分组遍历的思路即可:
Result_duals = Dict() for (con_ref, indices) in eachgroup(all_constraints(Model)) collected_rows = [ (idx..., dual(con_ref[idx...])) for idx in indices ] Result_duals[con_ref] = DataFrame( collected_rows, [dim_names(con_ref)..., :DualValue] ) end
性能优化提示
- 避免逐次调用
push!追加行的性能损耗:批量收集所有行后一次性生成DataFrame,对万级以上规模的变量集,生成速度比逐行推入快10倍以上 - 直接复用JuMP内置的维度命名规则生成列名,无需手动维护列名顺序,从根源避免列错位问题
- 自动兼容密集、稀疏两类索引的变量/约束容器,不需要针对不同存储类型写分支判断
内容的提问来源于stack exchange,提问作者werderneo
相关产品推荐
相关产品推荐

