CplexSolverError: CPLEX Erreur 1222: entrée ou entrées en double

Question

Je suis nouveau à l'intégration de CPLEX-Python. J'ai une erreur d'intégration de Cplex-Python qui est écrite dans le titre. Mon code est donné ci-dessous. La source d'erreur est le dernier ensemble de contraintes. Je suis ouvert à tous les conseils. Merci d'avance. Mathematical formulation of the last constraint set

#!/usr/bin/env python2 
# -*- coding: utf-8 -*- 
""" 
Created on Sun Jul 9 10:06:38 2017 

@author: nazmisener 
""" 
from __future__ import print_function 
import pandas as pd 
import cplex 
from cplex.exceptions import CplexSolverError 
import numpy as np 
import xlrd 


noph=25 
noz=[ 25 for i in range(noph) ] 
#acquiring data from excel 
dem = [ [ 1000 for i in range(noph) ] for j in range(noph) ] 

fc = [ [ 0.5 for i in range(noph) ] for j in range(noph) ] 

c=[ [ 0 for i in range(noph) ] for j in range(noph) ] 
for i in range(noph): 
    for k in range(noph): 
     c[i][k]=fc[i][k]/25000 

hoc=[ 10000 for i in range(noph) ] 
#determining link with maximum length 
maxar=max(fc) 
maxlin=max(maxar) 

#coverage percentage 
perc=0.7 
meas=perc*maxlin 


A=[ [ 0 for i in range(noph) ] for j in range(noph) ] 
objt=[ [ 0 for i in range(noph) ] for j in range(noph) ] 
#calculating matrix A 
for d1 in range(noph): 
    for d2 in range(noph): 
     if meas<fc[d1][d2] or d1==d2: 
      A[d1][d2]=0 
     else: 
      A[d1][d2]=1 

O=[ 0 for i in range(noph) ] 
D=[ 0 for i in range(noph) ] 
for i in range(noph): 
    for j in range(noph): 
     O[i]=+dem[i][j] 
     D[i]=+dem[j][i] 

for i in range(noph): 
    for k in range(noph): 
     if i!=k: 
      objt[i][k] = c[i][k]*(O[i]+D[i]) 
     else: 
      objt[i][k]=0 


def dethub(): 
    model=cplex.Cplex() 
    model.objective.set_sense(model.objective.sense.minimize) 

#defining decision variables 
    x=["x{0}".format(i+1) for i in range(noph)] 
    model.variables.add(obj=hoc, lb=[0.0]*noph, ub=[1.0] *noph, 
          types=["B"] *noph , names=x) 

    z=[] 
    for i in range(noph): 
     z.append([]) 
     for j in range(noph): 
      varName = "z." + str(i) + "." + str(j) 
      z[i].append(model.variables.get_num()) 
      model.variables.add(obj=[objt[i][j]], 
           lb=[0.0], ub=[1.0], 
           names=[varName]) 

# colname_y = ["y{0}{1}{2}".format(i+1,j+1,z+1) for i in range(noph) 
# for j in range(noph) for z in range(noph)] 
# model.variables.add(obj=c) 
    y = [] 
    for i in range(noph): 
     y.append([]) 
     for k in range(noph): 
      y[i].append([]) 
      for j in range(noph): 
       yvarName = "y." + str(i) + "." + str(k) + "." + str(j) 
       y[i][k].append(model.variables.get_num()) 
       model.variables.add(obj=[c[i][k]], 
            lb=[0.0], 
            ub=[cplex.infinity], 
            names=[yvarName]) 

#defining constraints 
#the coverage constraints 
    for i in range(noph): 
     for k in range(noph): 
      thevars=[] 
      thecoefs=[] 
      thevars.append(z[i][k]) 
      thecoefs.append(1) 
      thevars.append(A[i][k]*z[k][k]) 
      thecoefs.append(-1) 
      model.linear_constraints.add(
          lin_expr=[cplex.SparsePair(thevars, thecoefs)], 
          senses=["L"], 
          rhs=[0.0]) 

#summation of flow constraints 
    for i in range(noph): 
     summation_constraint = cplex.SparsePair(ind=[z[i][k] for k in 
                 range(noph)], 
               val=[1.0] * noph) 
     model.linear_constraints.add(lin_expr=[summation_constraint], 
            senses=["E"], 
            rhs=[1]) 

#flow ensure constraints   
    for i in range(noph): 
     for k in range(noph): 
      thevarws=[z[i][k]] 
      thecoefws=[-O[i]] 
      for l in [q for q in xrange(noph) if q!=k]: 
       thevarws.append(y[i][k][l]) 
       thecoefws.append(1) 
      model.linear_constraints.add(
          lin_expr=[cplex.SparsePair(thevarws, thecoefws)], 
          senses=["L"], 
          rhs=[0.0]) 

#x equality constraints 
    for k in range(noph): 
     thevarys=[] 
     thecoefys=[] 
     thevarys.append(z[k][k]) 
     thecoefys.append(1) 
     thevarys.append(x[k]) 
     thecoefys.append(-1) 
     model.linear_constraints.add(
          lin_expr=[cplex.SparsePair(thevarys, thecoefys)], 
          senses=["E"], 
          rhs=[0.0]) 

#flow conservation constraints 
    for i in range(noph): 
     for k in range(noph): 
      thevarxs=[z[i][k]] 
      thecoefxs=[O[i]] 
      for l in [q for q in xrange(noph) if q!=k]: 
       thevarxs.append(y[i][k][l]) 
       thecoefxs.append(-1) 
       thevarxs.append(y[i][l][k]) 
       thecoefxs.append(1) 
      for j in range(noph): 
       thevarxs.append(z[j][k]) 
       thecoefxs.append(-dem[k][j]) 
      model.linear_constraints.add(
          lin_expr=[cplex.SparsePair(thevarxs, thecoefxs)], 
          senses=["E"], 
          rhs=[0.0]) 

    try: 
     model.solve() 
    except CplexSolverError as e: 
     print("Exception raised during solve: " + e) 
    else: 
     solution = model.solution 

     # solution.get_status() returns an integer code 
     print("Solution status = ", solution.get_status(), ":", end=' ') 
     # the following line prints the corresponding string 
     print(solution.status[solution.get_status()]) 

     # Display solution. 
     print("Total cost = ", solution.get_objective_value()) 

if __name__ == "__main__": 
    dethub() 

Answer 1

Comme l'erreur dit, le problème est que vous ajoutez une entrée en double. Dans le dernier ensemble de contraintes, ajoutez la ligne suivante juste avant l'appel à model.linear_constraints.add:

print("thevarxs: ", sorted(thevarxs)) 

Avec cela, nous voyons la sortie suivante:

thevarxs: [25, 25, 50, 75, 100, 125, 150, 175, 200, 225, 250, 275, 300, 325, 350, 375, 400, 425, 450, 475, 500, 525, 550, 575, 600, 625, 651, 652, 653, 654, 655, 656, 657, 658, 659, 660, 661, 662, 663, 664, 665, 666, 667, 668, 669, 670, 671, 672, 673, 674, 675, 700, 725, 750, 775, 800, 825, 850, 875, 900, 925, 950, 975, 1000, 1025, 1050, 1075, 1100, 1125, 1150, 1175, 1200, 1225, 1250] 

L'indice a deux entrées. Si vous résolvez cela, le problème devrait disparaître.

Pour vous faciliter la tâche, je vous recommande fortement d'utiliser une version plus petite de votre modèle. Ensuite, au fur et à mesure que vous travaillez (un pas à la fois), commencez à essayer de plus gros modèles.