praca_magisterska/pytania/odpowiedzi/26-narzedzia-optymalizacji-dyskretnej.md

Pytanie 26: Narzędzia optymalizacji dyskretnej

Pytanie

"Scharakteryzować informatyczne narzędzia optymalizacji dyskretnej. Jakie są warunki i wymagania, jakie możliwości oraz trudności wiążą się ze stosowaniem gotowych narzędzi."

Przedmiot: MOD (Metody Optymalizacji Dyskretnej)

---

📚 Odpowiedź główna

1. Kategorie narzędzi

┌─────────────────────────────────────────────────────────────────┐
│             NARZĘDZIA OPTYMALIZACJI DYSKRETNEJ                  │
├─────────────────────────────────────────────────────────────────┤
│  SOLVERY MIP          │  SOLVERY CP         │  METAHEURYSTYKI  │
│  (Mixed Integer       │  (Constraint        │                  │
│   Programming)        │   Programming)      │                  │
│  ─────────────────    │  ──────────────     │  ──────────────  │
│  CPLEX, Gurobi        │  CP-SAT (Google)    │  LocalSolver     │
│  SCIP, CBC            │  Chuffed, Gecode    │  OptaPlanner     │
│                       │  MiniZinc           │  OR-Tools        │
├─────────────────────────────────────────────────────────────────┤
│  JĘZYKI MODELOWANIA   │  SAT/SMT SOLVERY    │  FRAMEWORKI      │
│  ─────────────────    │  ──────────────     │  ──────────────  │
│  AMPL, GAMS           │  Z3, CVC5           │  PuLP (Python)   │
│  Pyomo, JuMP          │  MiniSat, Glucose   │  CVXPY           │
│  MiniZinc             │                     │  OR-Tools        │
└─────────────────────────────────────────────────────────────────┘

---

2. Solvery MIP

Solver	Licencja	Cechy
CPLEX	Komercyjny (IBM)	Najszybszy dla dużych MIP
Gurobi	Komercyjny (academic free)	Bardzo szybki, dobry API
SCIP	Open source (ZIB)	Framework extensible
CBC	Open source (COIN-OR)	Dobry darmowy solver
HiGHS	Open source	Nowoczesny, szybki LP/MIP
GLPK	Open source	Prosty, portable

Porównanie wydajności (benchmark)

Typowe czasy dla problemów MIPLIB (średnie):

CPLEX    ████████████████████████████  100%
Gurobi   ███████████████████████████   98%
SCIP     ████████████████              60%
CBC      ████████████                  45%
GLPK     ████████                      30%

---

3. Solvery Constraint Programming

Solver	Język	Cechy
CP-SAT	Python/C++	Google, bardzo szybki
Gecode	C++	Akademicki, elastyczny
Chuffed	MiniZinc	Lazy clause generation
OR-Tools	Multi	Google, CP + routing + MIP

Kiedy CP vs MIP?

Aspekt	MIP	CP
Ograniczenia globalne	Słabo	Świetnie (alldiff, cumulative)
Relaksacja	LP (silna)	Słabsza
Scheduling	Średnio	Świetnie
Kombinatoryczne	Dobrze	Bardzo dobrze

---

4. Języki modelowania

AMPL

set PRODUCTS;
param profit{PRODUCTS};
param capacity;

var produce{PRODUCTS} >= 0 integer;

maximize total_profit: 
    sum{p in PRODUCTS} profit[p] * produce[p];

subject to capacity_limit:
    sum{p in PRODUCTS} produce[p] <= capacity;

Pyomo (Python)

from pyomo.environ import *

model = ConcreteModel()
model.x = Var([1,2,3], domain=NonNegativeIntegers)
model.obj = Objective(expr=sum(model.x[i] for i in [1,2,3]), 
                      sense=maximize)
model.con = Constraint(expr=model.x[1] + model.x[2] <= 10)

solver = SolverFactory('gurobi')
solver.solve(model)

OR-Tools (Python)

from ortools.linear_solver import pywraplp

solver = pywraplp.Solver.CreateSolver('SCIP')
x = solver.IntVar(0, 10, 'x')
y = solver.IntVar(0, 10, 'y')
solver.Add(x + y <= 15)
solver.Maximize(3*x + 4*y)
solver.Solve()

---

5. Warunki i wymagania

Wymaganie	Opis
Licencja	Komercyjne (CPLEX, Gurobi) vs Open source
API/Język	Python, C++, Java, Julia
Format modelu	MPS, LP, AMPL, własny
Pamięć	Duże modele = duże wymagania RAM
Wielowątkowość	Parallel B&B, concurrent LP

Typowe wymagania sprzętowe

Mały problem (< 1000 zmiennych):
  - RAM: 4 GB
  - CPU: dowolny
  - Czas: sekundy

Średni problem (1000-100k zmiennych):
  - RAM: 16-32 GB
  - CPU: multi-core
  - Czas: minuty-godziny

Duży problem (> 100k zmiennych):
  - RAM: 64+ GB
  - CPU: wiele rdzeni
  - Czas: godziny-dni
  - Czasem: cluster computing

---

6. Możliwości

Możliwość	Opis
Gwarancja optimum	Metody dokładne (B&B, B&C)
Gap tracking	Śledzenie jakości rozwiązania
Callbacks	Własne cięcia, heurystyki, lazy constraints
Warm start	Start od znanego rozwiązania
Tuning	Automatyczne dostrajanie parametrów
Solution pool	Wiele rozwiązań (k-best)

---

7. Trudności

Trudność	Opis	Rozwiązanie
Czas obliczeń	NP-trudność	Heurystyki, time limit
Słaba formulacja	Duży integrality gap	Silniejsze modele, cięcia
Symetria	Wiele równoważnych rozw.	Symmetry breaking
Numeryka	Błędy zaokrągleń	Tolerancje, scaling
Pamięć	Duże drzewa B&B	Limity węzłów, DFS
Debugowanie	Infeasible/unbounded	IIS (Irreducible Infeasible Set)

Diagnostyka problemów

Problem: Model INFEASIBLE

Diagnoza:
1. solver.computeIIS()  # znajdź konflikt
2. Sprawdź constraints
3. Poluzuj ograniczenia

Problem: Zbyt długi czas

Diagnoza:
1. Gap się nie zmniejsza → słaba formulacja
2. Dużo węzłów B&B → symetria
3. LP wolne → presolve, scaling

---

8. Best practices

┌─────────────────────────────────────────────────────────────────┐
│ 1. FORMULACJA                                                   │
│    - Unikaj big-M (słaba relaksacja)                           │
│    - Używaj wskaźnikowych (indicator constraints)              │
│    - Tight bounds na zmienne                                   │
│                                                                 │
│ 2. PREPROCESSING                                                │
│    - Presolve (solver robi automatycznie)                      │
│    - Agregacja zmiennych                                        │
│    - Eliminacja redundancji                                     │
│                                                                 │
│ 3. PARAMETRY SOLVERA                                           │
│    - MIPGap: akceptowalny gap (np. 1%)                        │
│    - TimeLimit: maksymalny czas                                │
│    - Threads: liczba wątków                                    │
│    - Emphasis: feasibility vs optimality                       │
│                                                                 │
│ 4. DEBUGGING                                                    │
│    - Zacznij od małej instancji                                │
│    - Sprawdź relaxację LP                                       │
│    - Użyj IIS dla infeasible                                   │
└─────────────────────────────────────────────────────────────────┘

---

🧠 Mnemoniki

"CPLEX/Gurobi = Commercial Power":

Najszybsze, ale płatne (academic free)

"SCIP = Swiss army knife":

Open source, extensible, framework

"CP for Scheduling, MIP for Planning":

CP świetny dla harmonogramowania

---

❓ Pytania dodatkowe

Q1: "Kiedy używać metaheurystyk zamiast solverów?"

Odpowiedź: Bardzo duże instancje (miliony zmiennych), brak dobrej formulacji MIP, potrzeba szybkiego "dobrego" rozwiązania bez gwarancji, problemy z wieloma celami, problemy dynamiczne.

Q2: "Co to jest callback w solverze MIP?"

Odpowiedź: Funkcja wywoływana przez solver w trakcie B&B. Typy: lazy constraints (dodaj ograniczenie gdy naruszone), user cuts (wzmocnij relaksację), heuristic (znajdź rozwiązanie), branching (własna strategia).

Q3: "Jak poprawić słabą formulację?"

Odpowiedź: Dodaj valid inequalities (cięcia), zastąp big-M przez indicator constraints, wprowadź dodatkowe zmienne (extended formulation), użyj disaggregation.

---

🎯 Kluczowe punkty

1. MIP solvery: CPLEX, Gurobi (komercyjne), SCIP, CBC (open source)
2. CP solvery: CP-SAT, Gecode - dobre dla scheduling
3. Języki: AMPL, Pyomo, OR-Tools
4. Trudności: Czas, słaba formulacja, symetria
5. Best practice: Tight formulation, callbacks, proper tuning

---

📖 Źródła

1. CPLEX User Manual
2. Gurobi Reference Manual
3. Williams - "Model Building in Mathematical Programming"
4. OR-Tools documentation - developers.google.com/optimization