В настоящее время я работаю над сложной задачей планирования, включающей большое количество параметров и переменных решения. Короче говоря, я пытаюсь распределить ресурсы по задачам на основе емкости, сложности, доступного времени и потенциального времени выполнения.
У меня есть матрица Av,j,t, которая определяет, сколько ресурсов назначено работе j в проекте v во время t, а также переменные Sv,j и Ev,j, которые определяют время начала и окончания каждой работы по проекту. . Математически все ограничения имеют смысл, но у меня большие проблемы с моделированием некоторых из них.
Чтобы гарантировать, что распределение заданий происходит только между начальным и конечным периодами задания, я применил ограничения:
pulp.lpSum([A[t][v][j] for t in [t0 for t0 in T if t0 >= S[v][j]]]) == P[v][j]
pulp.lpSum([A[t][v][j] for t in [t0 for t0 in T if t0 <= S[v][j] - 1]]) == 0
pulp.lpSum([A[t][v][j] for t in [t0 for t0 in T if t0 >= E[v][j] + 1]]) == 0
где Pv,j — общее время выполнения задачи с одним ресурсом. Моя основная проблема с ограничениями такого рода заключается в том, что время начала и окончания являются переменными модели, а T (набор времен) — нет. Попытка применить это ограничение в модели оказывается проблематичной, потому что Sv,j на самом деле не инициализируется во время установки ограничений, поэтому это ограничение на самом деле ничего не делает, поскольку набор
[t0 for t0 in T if t0 >= S[v][j]]
не меняется вместе с моделью. У меня также установлен индикатор для отслеживания завершения задания, Xv,j,t, который равен 1 для t > Ev,j и 0 в противном случае. Я пытался реализовать это несколькими способами, но все они основаны на суммах множеств t в T, которые не корректируются при корректировке модели.
Есть ли у кого-нибудь идеи о том, как я могу заставить эти наборы приспосабливаться к самой модели?
