OR-Tools路由求解器中使用初始解决方案时的参数设置注意事项
2025-05-19 09:55:52作者:郦嵘贵Just
问题背景
在使用OR-Tools的路由求解器(Routing Solver)时,开发者可能会遇到一个常见问题:当提供初始解决方案后,某些搜索参数似乎被忽略,特别是时间限制(time limit)参数。这个问题在Java语言环境下尤为明显,但在Python和C++中通过正确的参数设置可以避免。
问题现象
当开发者使用readAssignmentFromRoutes方法读取初始路线后,再调用solveFromAssignmentWithParameters方法进行求解时,发现设置的时间限制参数没有生效,求解过程在远未达到时间限制时就结束了。而如果不提供初始解决方案,时间限制参数则能正常工作。
原因分析
这个问题源于OR-Tools路由求解器内部的工作机制:
readAssignmentFromRoutes方法在读取初始路线时会"关闭"模型(close model),这一操作会重置部分搜索参数为默认值- 某些搜索参数需要在模型关闭前设置,而另一些则需要在求解时设置
- Java和C#的示例代码中缺少了关键的参数设置步骤,而Python和C++的示例则展示了正确的做法
解决方案
要确保所有搜索参数都能正确生效,开发者需要采取以下步骤:
- 在读取初始解决方案前,先调用
closeModelWithParameters方法并传入搜索参数 - 读取初始解决方案
- 调用
solveFromAssignmentWithParameters方法时再次传入相同的搜索参数
这种双重参数设置的原因是:
- 模型关闭时需要某些参数来配置底层搜索策略
- 求解时需要另一些参数来控制具体的搜索过程
最佳实践代码示例
以下是修正后的Java代码示例,展示了如何正确设置参数:
// 创建并配置搜索参数
RoutingSearchParameters searchParameters = main.defaultRoutingSearchParameters()
.toBuilder()
.setFirstSolutionStrategy(FirstSolutionStrategy.Value.PATH_CHEAPEST_ARC)
.setLocalSearchMetaheuristic(LocalSearchMetaheuristic.Value.GUIDED_LOCAL_SEARCH)
.setTimeLimit(Duration.newBuilder().setSeconds(5).build())
.build();
// 在读取初始解决方案前关闭模型并传入参数
routing.closeModelWithParameters(searchParameters);
// 读取初始解决方案
Assignment initialSolution = routing.readAssignmentFromRoutes(data.initialRoutes, true);
// 求解时再次传入参数
Assignment solution = routing.solveFromAssignmentWithParameters(initialSolution, searchParameters);
技术细节
OR-Tools路由求解器的这一行为设计源于其内部架构:
- 模型关闭阶段会固定某些搜索策略,如邻域操作(neighborhood operations)的选择
- 求解阶段则控制这些策略的具体执行方式,如时间限制、迭代次数等
- 某些参数(如时间限制)需要在两个阶段都设置才能确保完全生效
总结
在使用OR-Tools路由求解器时,特别是当需要提供初始解决方案时,开发者应当注意:
- 始终在模型关闭和求解两个阶段都传入搜索参数
- 参考Python和C++的官方示例,它们展示了正确的参数设置方式
- 对于Java和C#用户,需要特别注意这一双重参数设置的要求
通过遵循这些实践,可以确保所有搜索参数都能按预期工作,获得最佳的求解效果。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322