Exercice 1

Dans cet exercice, vous allez essayer d’utiliser FMT pour lire un scénario, le résoudre, lire une de ses sorties, et exporter la solution.

Pour faire cet exercice, vous devez avoir installé FMT sur votre ordinateur et avoir téléchargé les fichiers d’exemples depuis le dépôt GitHub de FMT.

💾 Télécharger et installer FMT

💾 Télécharger les fichiers d’exemples de FMT

Objectifs de l’exercice

Utilisez FMT pour :

Lire le modèle Woodstock TWD_land dans les fichiers d’exemples en sélectionnant son scénario nommé LP.
- N’oubliez pas de sélectionner le solveur CLP lors de la lecture du modèle.
Résolvez le modèle en
- Construisant son graphe complet pour 10 périodes
- Définissant l’objectif et les contraintes du modèle
- Utilisant la fonction FMTmodel.initialsolve() pour le résoudre.
Lire les valeurs de la sortie OSUPREC du modèle en
- Obtenant une liste des sorties du modèle avec la fonction FMTmodel.getouputs().
- Effectuant une boucle for pour sélectionner la bonne sortie avec la fonction FMToutput.getname().
- Imprimer les valeurs de la sortie avec la fonction FMTmodel.getvariabilities(FMToutput).
Exportez le calendrier optimisé du modèle dans un fichier .txt en
- Créant un nouvel objet FMTscheduleparser.
- Récupérant la solution du modèle à chaque période avec une liste en utilisant LPModel.getsolution(period).
- Transformant la liste en un vecteur
- Écriture du vecteur dans un fichier .txt avec FMTscheduleparser.write().

Vous pouvez utiliser les informations des pages précédentes de la documentation pour vous aider.

Lorsque vous avez terminé, ou si vous êtes bloqué.e, vous pouvez afficher la correction de cet exercice pour du code Python en cliquant sur le bouton “Révéler la correction” ci-dessous.

Correction

Révéler la correction

#%% CHARGEMENT DE FMT

# Ici, on charge FMT directement, comme s'il avait été installé avec pip.

from FMT import Models
from FMT import Parser
from FMT import Version

#%% CHARGEMENT DU MODÈLE WOODSTOCK

# Création d'un objet pour lire le modèle (parser)
modelParser = Parser.FMTmodelparser()

# Definition du chemin menant au modèle Woodstock
# Le modèle Woodstock est fait de pleins de petits fichiers différents
# On pointe vers le fichier .pri, qui contient la location de tous les petits fichiers du modèle.
# WARNING : FMT a du mal avec les espaces dans les chemins. Essayez d'avoir un
# chemin sans espaces.
pathToWoodstockModel = "D:/TempCode/FMT/FMT/Examples/Models/TWD_land/TWD_land.pri"

# On définit le/les scénarios que l'on va lire
# Les scénarios sont des ensembles de contraites et objectifs,
# ou bien un planning déjà fait que l'on va simuler.
scenariosToSelect = ["LP"]

# On lit le model grâce au parser. Celui-ci va renvoyer une liste de modèles
# qu'il a détécté. Dans notre cas, on n'en aura qu'un seul.
listOfModelsParsed = modelParser.readproject(pathToWoodstockModel, scenariosToSelect)

# On charge le modèle parmis la liste des modèles renvoyés
# Pour le charger correctement, il faut décrire le type de modèle que c'est, ainsi que des paramètres importants.
# Ici, le modèle sera un modèle linéraire spatialement référencé (LP),
# et on utilisera le solveur CLP pour le résoudre.
LPModel = Models.FMTlpmodel(listOfModelsParsed[0], Models.FMTsolverinterface.CLP)

#%% RÉSOLUTION DU MODÈLE

# Construction des périodes du modèle
for period in range(1, 11):
    print(LPModel.buildperiod())

# Récupération des contraintes et de l'objectif
constraintsOfModel = LPModel.getconstraints()
objectiveOfModel = constraintsOfModel.pop(0)

# Définition des contraintes et de l'objectif
for constraint in constraintsOfModel:
    print(LPModel.setconstraint(constraint))
print(LPModel.setobjective(objectiveOfModel))

# Résolution du modèle
LPModel.initialsolve()

#%% INTERROGATION DE OSUPREC

# On peut lire OSUPREC avant que le modèle soit résolu, mais les valeurs ne sont pas intéréssantes si c'est le cas.
outputWanted = "OSUPREC"

# On récupère les sorties du modèle
outputsOfModel = LPModel.getoutputs()
# On fait une boucle autour de la liste des sorties pour selecitonner celle qui a le bon nom
for output in outputsOfModel:
    print(output.getname())
    if output.getname() == outputWanted:
    	# On affiche les mesures de "OSUPREC" dans le terminal
        print(LPModel.getvariabilities([output]))
        # On sauvegarde les valeurs de OSUPREC pour les mettre au propre ensuite
        osuprecValues = LPModel.getvariabilities([output])
  
# Ici, c'est un petit code qui permet d'afficher les sorties
# en s'adaptant au fait que getvariabilities() renvoie leur valeur
# minimum, maximum et moyenne  
print("\n\n ###############################")
print("Values of " + outputWanted + " :\n")
print("PERIOD\t\tMINIMUM\t\tMEAN\t\tMAXIMUM")
for period in range(1, 11):
    print(str(period) + "\t\t\t" + str(round(osuprecValues["L"+outputWanted][period-1], 2))
          + "\t\t" + str(round(osuprecValues["M"+outputWanted][period-1], 2))
          + "\t\t" + str(round(osuprecValues["U"+outputWanted][period-1], 2)))

#%% ECRITURE DU PLANNING (cedule)

# On déclare un objet permettant d'écrire le programme/planning/cédule
scheduleParser = Parser.FMTscheduleparser()

# On récupère la solution du modèle
modelSolution = list()
for period in range(1, 11):
    modelSolution.append(LPModel.getsolution(period))
    
# On écrit le programme avec le scheduleParser
modelSolutionAsVector = [[i] for i in modelSolution]
scheduleParser.write(modelSolution, r"D:/TempCode/FMT/FMT/Examples/programme.txt")

Dernière mise à jour le May 5, 2019