Or-Tools CP-SAT solver export / import: bagaimana cara mengakses vars setelah memuat model?

Question

Dengan menggunakan antarmuka Python ke pemecah OR-Tools CP-CAT (referensi) , saya ingin dapat menyimpan cp_model, memuatnya di lain waktu atau dari proses yang berbeda, dan terus berinteraksi dengannya.

Saya dapat membuat serial model menjadi Protubuf, lalu memuat dan menyelesaikannya:

from google.protobuf import text_format
from ortools.sat.python import cp_model

def create_model():
    model = cp_model.CpModel()
    a = model.NewIntVar(0, 10, "var_a")
    b = model.NewIntVar(0, 10, "var_b")

    model.Maximize(a + b)
    return model
    
def clone_model(model):
    new_model = cp_model.CpModel()
    text_format.Parse(str(model), new_model.Proto())
    
    return new_model

def solve_model(model):
    solver = cp_model.CpSolver()
    status = solver.Solve(new_model)

    print(solver.StatusName(status))
    print(solver.ObjectiveValue())

# Works fine
model = create_model()
new_model = clone_model(model)
solve_model(new_model)

(sumber)

Namun, saya ingin tetap berinteraksi dengan model setelah memuatnya. Misalnya, saya ingin bisa melakukan sesuatu seperti:

model = create_model()
new_model = clone_model(model)

c = new_model.NewIntVar(0, 5, "var_c")    
new_model.Add(a < c)

Masalahnya adalah baris terakhir ini tidak berfungsi karena atidak ditentukan; dan saya tidak dapat menemukan cara untuk mengakses variabel model yang ada.

Saya mencari sesuatu seperti: a = new_model.getExistingVariable("var_a")yang memungkinkan saya untuk terus berinteraksi dengan variabel yang sudah ada sebelumnya dalam model setelah memuatnya.

Answer 1

Pendekatan yang tampaknya berhasil, berdasarkan komentar oleh @Stradivari, adalah dengan menyederhanakan picklemodel beserta variabelnya.

Sebagai contoh:

from ortools.sat.python import cp_model
import pickle

class ClonableModel:
    def __init__(self):
        self.model = cp_model.CpModel()
        self.vars = {}
        
    def create_model(self):
        self.vars['a'] = self.model.NewIntVar(0, 10, "var_a")
        self.vars['b'] = self.model.NewIntVar(0, 10, "var_b")

        self.model.Maximize(self.vars['a'] + self.vars['b'])
        
    # Also possible to serialize via a file / over network 
    def clone(self):
        return pickle.loads(pickle.dumps(self))
    
    def solve(self):
        solver = cp_model.CpSolver()
        status = solver.Solve(self.model)

        return '%s: %i' % (solver.StatusName(status), solver.ObjectiveValue())

Sekarang, berikut ini berfungsi seperti yang diharapkan:

model = ClonableModel()
model.create_model()

new_model = model.clone()
new_model.model.NewIntVar(0,5,"c")
new_model.model.Add(new_model.vars['a'] < c)

print('Original model: %s' % model.solve())
print('Cloned model: %s' % new_model.solve())

# Original model: OPTIMAL: 20
# Cloned model: OPTIMAL: 14