首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Optaplanner提前终止增量分数状态和解决方案之间的增量

要在OptaPlanner中提前终止增量分数状态和解决方案之间的增量,您可以使用Termination API中的BestScoreTerminationUnimprovedTimeMillisSpentTermination等终止条件。

  1. BestScoreTermination:根据最佳分数的改善情况来终止求解过程。您可以设置一个阈值,当最佳分数在一段时间内没有改善时,终止求解过程。
代码语言:javascript
复制
import org.optaplanner.core.api.solver.SolverFactory;
import org.optaplanner.core.api.solver.SolverManager;
import org.optaplanner.core.api.solver.SolverStatus;
import org.optaplanner.core.config.solver.termination.BestScoreTerminationConfig;

public class BestScoreTerminationExample {

    public static void main(String[] args) {
        // 创建SolverFactory并构建SolverManager
        SolverFactory<MyProblemSolution> solverFactory = SolverFactory.createFromXmlResource("path/to/solverConfig.xml");
        SolverManager<MyProblemSolution, Long> solverManager = SolverManager.create(solverFactory, new SolverManagerConfig());

        // 创建BestScoreTermination并设置阈值
        BestScoreTerminationConfig terminationConfig = new BestScoreTerminationConfig();
        terminationConfig.setBestScoreLimit("0hard/0soft"); // 设置最佳分数的阈值

        // 设置终止条件
        solverManager.solverConfig().setTerminationConfig(terminationConfig);

        // 启动求解器
        solverManager.solve("solverId");

        // 获取SolverManager的状态
        SolverStatus solverStatus = solverManager.getSolverStatus("solverId");

        // 打印状态
        System.out.println("SolverManager状态: " + solverStatus);
    }
}

在上面的示例中,我们创建了一个BestScoreTerminationConfig对象,并设置了最佳分数的阈值。然后,我们将该终止条件配置应用于SolverManager的SolverConfig中。

  1. UnimprovedTimeMillisSpentTermination:根据经过的时间来终止求解过程。您可以设置一个时间阈值,当经过一段时间后,如果最佳分数没有改善,则终止求解过程。
代码语言:javascript
复制
import org.optaplanner.core.api.solver.SolverFactory;
import org.optaplanner.core.api.solver.SolverManager;
import org.optaplanner.core.api.solver.SolverStatus;
import org.optaplanner.core.config.solver.termination.UnimprovedTimeMillisSpentTerminationConfig;

public class UnimprovedTimeMillisSpentTerminationExample {

    public static void main(String[] args) {
        // 创建SolverFactory并构建SolverManager
        SolverFactory<MyProblemSolution> solverFactory = SolverFactory.createFromXmlResource("path/to/solverConfig.xml");
        SolverManager<MyProblemSolution, Long> solverManager = SolverManager.create(solverFactory, new SolverManagerConfig());

        // 创建UnimprovedTimeMillisSpentTermination并设置阈值
        UnimprovedTimeMillisSpentTerminationConfig terminationConfig = new UnimprovedTimeMillisSpentTerminationConfig();
        terminationConfig.setMillisecondsSpentLimit(60000L); // 设置时间阈值(毫秒)

        // 设置终止条件
        solverManager.solverConfig().setTerminationConfig(terminationConfig);

        // 启动求解器
        solverManager.solve("solverId");

        // 获取SolverManager的状态
        SolverStatus solverStatus = solverManager.getSolverStatus("solverId");

        // 打印状态
        System.out.println("SolverManager状态: " + solverStatus);
    }
}

在上面的示例中,我们创建了一个UnimprovedTimeMillisSpentTerminationConfig对象,并设置了时间阈值。然后,我们将该终止条件配置应用于SolverManager的SolverConfig中。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • OptaPlanner规划引擎的工作原理及简单示例(1)

    在之前的文章中,已介绍过APS及规划的相关内容,并对Optaplanner相关的概念和一些使用示例进行过介绍,接下来的文章中,我会自己做一个规划小程序 - 一个关于把任务分配到不同的机台上进行作业的小程序,并在这个小程序的基础上对OptaPlanner中更多的概念,功能,及使用方法进行讲解。但在此之前,我需要先讲解一下OptaPlanner在进行规则运算的原理。所以,本文是讲述一些关于寻找最优解的过程中的原理性的内容,作为后续通过示例深入讲解的基础。但这些原理知识不会涉及过分深奥的数学算法,毕竟我们的目标不是写一个新的规划引擎出来,更不是要研究各种寻优算法;只是理解一些概念,用于理解OptaPlanner是依据什么找出一个相对优解的。以便在接下来的一系列文章中,可以快速无障碍地理解我所讲解的更细化的OptaPlanner功能。

    00

    OptaPlanner规划引擎的工作原理及简单示例(2)

    在前面一篇关于规划引擎OptaPlanner的文章里(OptaPlanner规划引擎的工作原理及简单示例(1)),老农介绍了应用OptaPlanner过程中需要掌握的一些基本概念,这些概念有助于后面的内容的理解,特别是关于将约束应用于业务规则上的理解。承上一文,在本篇中将会减少一些理论,而是偏向于实践,但过程中,借助实际的场景对一些相关的理论作一些更细致的说明,也是必要的。本文将会假设我们需要对一个车间,需要制定生产计划.我们为生产计划员们设计一套智能的、自动的计划系统;并通过OptaPlanner把这个自动计划系统开发出来。当然,里面的业务都是经过高度抽象形成的,去除了复杂的业务规则,仅保留可以体现规划引擎作用的一些业务需求。因此,这次我们只用一个简单的小程序即可以演绎一个自动计划系统,来呈现规划引擎OptaPlanner在自动计划上的魅力。

    01

    【译】OptaPlanner开发手册本地化: (0) - 前言及概念

    在此之前,针对APS写了一些理论性的文章;而对于OptaPlanner也写了一些介绍性质,几少量入门级的帮助初学者走近OptaPlanner。在此以后,老农将会按照OptaPlanner官方的用户手册的结构,按章节地对其进行翻译,并成型一系列的操作说明文章。在文章中,为了降低对原文的理解难度,有些地方我不会直接按原文档的字面翻译,而是有可能加入一些我自己的理解,或添一些解释性的内容。毕竟英语环境下的思维和语言表达方式,跟中文或多或少会有差别的,所以如果全部按字面翻译,内容就非常生硬,可读性差,解程难度较大。我认为应该在理解了作者原意的基础上,再进一步以中文方式的表达,才算是真的的本地化。记得老农还是少农时,学习开发技术,需要阅读一些外国书箱的翻译本时,印象最深的是候捷老师的书,尽管《深入浅出MFC》,砖头厚度的书,硬是被我翻散了线,MFC尽管真的晦涩难懂,但候老却能把Windows的消息机制及MFC中整个个宏体系,系统地通俗地描述出来,令读者不需要花费太多精力去理解猜测书中字面的意义,大大降低的VC++中MFC的学习门槛。但老农毕竟只是一个一线开发人员,不是专业的技术资料翻译人才,不可能有候老师的专业水平,因此,我也只可尽我所能把内容尽量描述得通俗一些,让读者尽量容易理解,花费更少的时间掌握这些知道要点。

    00

    OptaPlanner终于支持多线程并行运行 - Multithreaded solving

    OptaPlanner 7.9.0.Final之前,启动引擎开始对一个Problem进行规划的时候,只能单线程进行的。也就是说,当引擎对每一个possible solution进行分数计算的过程中,细化到每个步骤(Caculation),都只能排队在同一个线程中依次计算,不管你的问题是否存在并行计算的可能。很显然这种运算方式应用于一些可并行计划的场景下,是相当不利的。就算是一些在业务逻辑上无法实现并行运算的情况,在引擎自行调用指定的算法进行寻优时,若可以将每个Step,甚至每个Move的运行操作,适当地分配到不同的线程中执行,那么在多核CPU的环境下,无疑能大大提升规划运算性能,从而在规定的时间内行到更优的效果。毕竟对于NP-Hard/NP-Complete问题,除了比较算法优劣外,另一个维度对比的就是运算量,单位时间内运算量越大,找到更佳方案的机率越大。

    03

    设计Optaplanner下实时规划服务的失败经历

    其实本文不知道算不算一个知识点分享,过程很美妙,但结果很失败。我们在利用OptaPlanner的Real-Time planning(实时规则)功能,设计实时在线规划服务时,遇到一个属于OptaPlanner7.8.0.Final版本的Bug。在实现实时在线规划服务的过程中,我做过很多尝试。因为需要实时在线的服务,因此,需要设计多线程并发为外界请求提供响应,需要实现消息队列来管理并发请求的时序等问题。这些Java方面的并发处理,我们暂时不详述,这方面的牛的人太多了,我只是新手,站在别人的肩膀上实现的代码而已。在本文我着重介绍一下,我在尝试使用OptaPlanner的Real-Time Planning功能时遇到的问题,最终确认问题出自OptaPlanner引擎自身, 并通过JIRA向OptaPlanner 团队提交issue过程。 关于OptaPlanner的Real-time planning   先看看正常情况下,我们对OptaPlanner的应用场景。平时我们使用OptaPlanner时,不外乎以下几个, 构建Problem对象 + 构建Solver对象-> 启动引擎 -> 执行规划 -> 结束规划 -> 获得方案-> 获取结果方案,如下图。   这种应用模式下,引擎处于一个非实时状态,只是一个调用 -> 获取规划结果的简单交互过程。

    00
    领券