Zum Inhalt springen

Optimierung mit Python

Optimierungscode funktioniert oft nur so lange, wie sein Autor im Haus ist. Wir schreiben Python-Modelle, die Ihr eigenes Team lesen, testen und erweitern kann.

  • Kostenloses 30-Minuten-Gespräch
  • Unverbindlich
  • Der Code gehört Ihnen
Werkzeuge
Gurobi, OR-Tools, HiGHS, Pyomo, CVXPY, PuLP, CP-SAT, Python
Eingesetzt in
Projekten aus allen fünf Problemfamilien
Lieferung
Dokumentierter Quellcode, der Ihnen gehört

Kurz erklärt: Die Optimierung mit Python baut Planungsmodelle in Python, mit Bibliotheken wie Pyomo, OR-Tools oder PuLP. Das Modell berechnet den besten Plan. Der Code bleibt für das eigene Team lesbar.

Das Problem

Das Modell rechnet jede Nacht, und Sie vertrauen ihm. Der Entwickler, der es geschrieben hat, ist letztes Jahr gegangen. Sonst versteht niemand den Code, also ändert ihn auch niemand, selbst wenn sich die Geschäftsregeln ändern. Jede Notlösung steht inzwischen in einer Tabelle neben dem Modell.

Was sich ändert

Stand jetzt trägt eine einzige Person das Modell im Kopf. Mit unserer Lösung steckt es in lesbarem, getestetem Code, den Ihr Team kennt. Ändert sich eine Regel, passt Ihre Entwicklerin das Modell an und lässt die Tests laufen. Sie sieht sofort, ob sonst etwas kaputtgeht. Nach dem Projekt behält Ihr Team das Modell und kann es betreiben und erweitern.

So funktioniert es

Python ist heute die Alltagssprache des Operations Research (OR), der Mathematik des Planens. Wir arbeiten mit den Python-Bibliotheken für Optimierung, also mit fertigen Code-Bausteinen: Pyomo, OR-Tools, CVXPY und PuLP. Die Solver Gurobi und HiGHS starten wir direkt aus Python.

Pyomo, PuLP, OR-Tools oder CVXPY?

Diese Frage taucht auf Operations Research Stack Exchange in vielen Formen auf. Die Antwort folgt aus Ihrem Problem. PuLP ist eine kleine Bibliothek für lineare und gemischt-ganzzahlige Modelle, also Modelle mit Ja-oder-Nein-Entscheidungen. Neuere PuLP-Versionen liefern den freien Solver CBC aber nicht mehr mit, den installieren Sie selbst. Pyomo reicht weiter, bis zu nichtlinearen Modellen. Ein Praktiker im selben Forum findet allerdings, dass Pyomo grosse Modelle langsamer aufbaut. CVXPY nimmt nur konvexe Probleme an. Bei diesen führt jede kleine Verbesserung auch näher zum besten Plan. Bei allen anderen Problemen stoppt CVXPY mit einer Fehlermeldung.

OR-Tools bringt zwei Dinge mit: CP-SAT für die Einsatzplanung und eine Bibliothek für die Tourenplanung. CP-SAT kommt vom englischen Constraint Programming mit Boolean Satisfiability. HiGHS ist frei unter MIT-Lizenz verfügbar. Das zählt, wenn Sie den Code in Ihrem eigenen Produkt ausliefern. Wir wählen die Bibliothek, mit der Ihr Modell lesbar bleibt und der Solver später austauschbar ist.

Der Code ist lesbar und durch Tests abgedeckt, also durch kleine Prüfungen nach jeder Änderung. Ein Test rechnet einen Mini-Fall mit bekanntem besten Plan. Andere prüfen, ob jeder Plan jede Regel einhält. Der Code ist so geschrieben, dass die nächste Entwicklerin die Formulierung versteht, also wie das Problem in Mathematik gefasst ist. Die ehrliche Grenze: Arbeiten Ihre Anwender in Tabellen und sind die Probleme klein, passt ein Excel-Modell vielleicht besser. Das sagen wir Ihnen.

Wann diese Methode nicht passt

Die ehrliche Grenze: Arbeiten Ihre Anwender in Tabellen und sind die Probleme klein, passt ein Excel-Modell vielleicht besser. Das sagen wir Ihnen.

Häufige Fragen.

Etwas anderes? Fragen Sie uns direkt.

Ja, wenn das Modell dafür geschrieben ist. Mit Pyomo oder PuLP ist der Wechsel meist eine Zeile. Code, der direkt in gurobipy geschrieben ist, dem Python-Paket von Gurobi, hängt an Gurobi. Auch dann gibt es einen Ausweg: Fast jeder Solver liest das Dateiformat MPS (vom englischen Mathematical Programming System). Das hält eine Antwort auf Operations Research Stack Exchange fest. Sie können das Modell also als MPS-Datei speichern und in einem anderen Solver öffnen.

Für die meisten Modelle ja. Python baut nur das Modell, die schwere Mathematik erledigt der Solver in kompiliertem Code. Bei sehr grossen Modellen kann der Aufbau zum Engpass werden, und manche Bibliotheken sind dabei langsamer als andere. Für eine eigene Suche mit Millionen von Schritten schreiben wir den Teil, der am häufigsten läuft, in einer schnelleren Sprache. Der Rest bleibt in Python.

Nicht unbedingt. HiGHS ist unter der MIT-Lizenz frei, und OR-Tools bringt CP-SAT kostenlos mit. Ein kommerzieller Solver lohnt sich, wenn Ihre Tests zeigen, dass er rechtzeitig fertig wird und die freien nicht. Diesen Test machen wir mit Ihren Daten, bevor Sie etwas unterschreiben.

Manchmal schon, und dann sagen wir es. Standardtools sind aber für ein durchschnittliches Problem gebaut. Bei Optimierung mit Python gehen wir von Ihrem Problem aus: von seiner Grösse, seinen Regeln und den Ausnahmen, die nirgends aufgeschrieben sind. Darum passt der Plan besser zu Ihrem Betrieb.

Für den Start brauchen Sie beides nicht. Wir bauen das Modell aus den Daten, die Sie haben, ob ordentlich oder nicht, und das Aufräumen gehört zur Arbeit. Sie erhalten ein dokumentiertes System, das Ihr Team pflegen kann. Wir schulen Ihr Team, bis es das System auch nach dem Projekt selbst betreut.

Am Anfang steht ein kostenloses 30-Minuten-Gespräch über Ihren Betrieb und das passende Modell. Dann bauen wir einen funktionierenden Prototyp und lassen ihn mit Ihren Zahlen rechnen. Sie sehen Ergebnisse, bevor Sie sich auf etwas Grösseres festlegen.

Erzählen Sie uns, was Sie planen.

In einem kostenlosen 30-Minuten-Gespräch mit einem Spezialisten finden Sie heraus, ob Optimierung Ihnen helfen kann.

  • Kostenlos und unverbindlich
  • Sie sprechen direkt mit einem Spezialisten
  • Ein klares Ja oder Nein