source: trunk/Cbc/src/CbcHeuristicLocal.cpp @ 1852

Last change on this file since 1852 was 1839, checked in by forrest, 7 years ago

multiple root solvers, stronger strong branching and cutoff as constraint

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 57.8 KB
Line 
1/* $Id: CbcHeuristicLocal.cpp 1839 2013-01-16 18:41:25Z forrest $ */
2// Copyright (C) 2002, International Business Machines
3// Corporation and others.  All Rights Reserved.
4// This code is licensed under the terms of the Eclipse Public License (EPL).
5
6#if defined(_MSC_VER)
7// Turn off compiler warning about long names
8#  pragma warning(disable:4786)
9#endif
10#include <cassert>
11#include <cstdlib>
12#include <cmath>
13#include <cfloat>
14
15#include "OsiSolverInterface.hpp"
16#include "CbcModel.hpp"
17#include "CbcMessage.hpp"
18#include "CbcHeuristicLocal.hpp"
19#include "CbcHeuristicFPump.hpp"
20#include "CbcBranchActual.hpp"
21#include "CbcStrategy.hpp"
22#include "CglPreProcess.hpp"
23
24// Default Constructor
25CbcHeuristicLocal::CbcHeuristicLocal()
26        : CbcHeuristic()
27{
28    numberSolutions_ = 0;
29    swap_ = 0;
30    used_ = NULL;
31    lastRunDeep_ = -1000000;
32    switches_ |= 16; // needs a new solution
33}
34
35// Constructor with model - assumed before cuts
36
37CbcHeuristicLocal::CbcHeuristicLocal(CbcModel & model)
38        : CbcHeuristic(model)
39{
40    numberSolutions_ = 0;
41    swap_ = 0;
42    lastRunDeep_ = -1000000;
43    switches_ |= 16; // needs a new solution
44    // Get a copy of original matrix
45    assert(model.solver());
46    if (model.solver()->getNumRows()) {
47        matrix_ = *model.solver()->getMatrixByCol();
48    }
49    int numberColumns = model.solver()->getNumCols();
50    used_ = new int[numberColumns];
51    memset(used_, 0, numberColumns*sizeof(int));
52}
53
54// Destructor
55CbcHeuristicLocal::~CbcHeuristicLocal ()
56{
57    delete [] used_;
58}
59
60// Clone
61CbcHeuristic *
62CbcHeuristicLocal::clone() const
63{
64    return new CbcHeuristicLocal(*this);
65}
66// Create C++ lines to get to current state
67void
68CbcHeuristicLocal::generateCpp( FILE * fp)
69{
70    CbcHeuristicLocal other;
71    fprintf(fp, "0#include \"CbcHeuristicLocal.hpp\"\n");
72    fprintf(fp, "3  CbcHeuristicLocal heuristicLocal(*cbcModel);\n");
73    CbcHeuristic::generateCpp(fp, "heuristicLocal");
74    if (swap_ != other.swap_)
75        fprintf(fp, "3  heuristicLocal.setSearchType(%d);\n", swap_);
76    else
77        fprintf(fp, "4  heuristicLocal.setSearchType(%d);\n", swap_);
78    fprintf(fp, "3  cbcModel->addHeuristic(&heuristicLocal);\n");
79}
80
81// Copy constructor
82CbcHeuristicLocal::CbcHeuristicLocal(const CbcHeuristicLocal & rhs)
83        :
84        CbcHeuristic(rhs),
85        matrix_(rhs.matrix_),
86        numberSolutions_(rhs.numberSolutions_),
87        swap_(rhs.swap_)
88{
89    if (model_ && rhs.used_) {
90        int numberColumns = model_->solver()->getNumCols();
91        used_ = CoinCopyOfArray(rhs.used_, numberColumns);
92    } else {
93        used_ = NULL;
94    }
95}
96
97// Assignment operator
98CbcHeuristicLocal &
99CbcHeuristicLocal::operator=( const CbcHeuristicLocal & rhs)
100{
101    if (this != &rhs) {
102        CbcHeuristic::operator=(rhs);
103        matrix_ = rhs.matrix_;
104        numberSolutions_ = rhs.numberSolutions_;
105        swap_ = rhs.swap_;
106        delete [] used_;
107        if (model_ && rhs.used_) {
108            int numberColumns = model_->solver()->getNumCols();
109            used_ = CoinCopyOfArray(rhs.used_, numberColumns);
110        } else {
111            used_ = NULL;
112        }
113    }
114    return *this;
115}
116
117// Resets stuff if model changes
118void
119CbcHeuristicLocal::resetModel(CbcModel * /*model*/)
120{
121    //CbcHeuristic::resetModel(model);
122    delete [] used_;
123    if (model_ && used_) {
124        int numberColumns = model_->solver()->getNumCols();
125        used_ = new int[numberColumns];
126        memset(used_, 0, numberColumns*sizeof(int));
127    } else {
128        used_ = NULL;
129    }
130}
131/*
132  Run a mini-BaB search after fixing all variables not marked as used by
133  solution(). (See comments there for semantics.)
134
135  Return values are:
136    1: smallBranchAndBound found a solution
137    0: everything else
138
139  The degree of overload as return codes from smallBranchAndBound are folded
140  into 0 is such that it's impossible to distinguish return codes that really
141  require attention from a simple `nothing of interest'.
142*/
143// This version fixes stuff and does IP
144int
145CbcHeuristicLocal::solutionFix(double & objectiveValue,
146                               double * newSolution,
147                               const int * /*keep*/)
148{
149/*
150  If when is set to off (0), or set to root (1) and we're not at the root,
151  return. If this heuristic discovered the current solution, don't continue.
152*/
153
154    numCouldRun_++;
155    // See if to do
156    if (!when() || (when() == 1 && model_->phase() != 1))
157        return 0; // switched off
158    // Don't do if it was this heuristic which found solution!
159    if (this == model_->lastHeuristic())
160        return 0;
161/*
162  Load up a new solver with the solution.
163
164  Why continuousSolver(), as opposed to solver()?
165*/
166    OsiSolverInterface * newSolver = model_->continuousSolver()->clone();
167    const double * colLower = newSolver->getColLower();
168    //const double * colUpper = newSolver->getColUpper();
169
170    int numberIntegers = model_->numberIntegers();
171    const int * integerVariable = model_->integerVariable();
172/*
173  The net effect here is that anything that hasn't moved from its lower bound
174  will be fixed at lower bound.
175
176  See comments in solution() w.r.t. asymmetric treatment of upper and lower
177  bounds.
178*/
179
180    int i;
181    int nFix = 0;
182    for (i = 0; i < numberIntegers; i++) {
183        int iColumn = integerVariable[i];
184        const OsiObject * object = model_->object(i);
185        // get original bounds
186        double originalLower;
187        double originalUpper;
188        getIntegerInformation( object, originalLower, originalUpper);
189        newSolver->setColLower(iColumn, CoinMax(colLower[iColumn], originalLower));
190        if (!used_[iColumn]) {
191            newSolver->setColUpper(iColumn, colLower[iColumn]);
192            nFix++;
193        }
194    }
195/*
196  Try a `small' branch-and-bound search. The notion here is that we've fixed a
197  lot of variables and reduced the amount of `free' problem to a point where a
198  small BaB search will suffice to fully explore the remaining problem. This
199  routine will execute integer presolve, then call branchAndBound to do the
200  actual search.
201*/
202    int returnCode = 0;
203#ifdef CLP_INVESTIGATE2
204    printf("Fixing %d out of %d (%d continuous)\n",
205           nFix, numberIntegers, newSolver->getNumCols() - numberIntegers);
206#endif
207    if (nFix*10 <= numberIntegers) {
208        // see if we can fix more
209        int * which = new int [2*(numberIntegers-nFix)];
210        int * sort = which + (numberIntegers - nFix);
211        int n = 0;
212        for (i = 0; i < numberIntegers; i++) {
213            int iColumn = integerVariable[i];
214            if (used_[iColumn]) {
215                which[n] = iColumn;
216                sort[n++] = used_[iColumn];
217            }
218        }
219        CoinSort_2(sort, sort + n, which);
220        // only half fixed in total
221        n = CoinMin(n, numberIntegers / 2 - nFix);
222        int allow = CoinMax(numberSolutions_ - 2, sort[0]);
223        int nFix2 = 0;
224        for (i = 0; i < n; i++) {
225            int iColumn = integerVariable[i];
226            if (used_[iColumn] <= allow) {
227                newSolver->setColUpper(iColumn, colLower[iColumn]);
228                nFix2++;
229            } else {
230                break;
231            }
232        }
233        delete [] which;
234        nFix += nFix2;
235#ifdef CLP_INVESTIGATE2
236        printf("Number fixed increased from %d to %d\n",
237               nFix - nFix2, nFix);
238#endif
239    }
240    if (nFix*10 > numberIntegers) {
241        returnCode = smallBranchAndBound(newSolver, numberNodes_, newSolution, objectiveValue,
242                                         objectiveValue, "CbcHeuristicLocal");
243 /*
244  -2 is return due to user event, and -1 is overloaded with what look to be
245  two contradictory meanings.
246*/
247       if (returnCode < 0) {
248            returnCode = 0; // returned on size
249            int numberColumns = newSolver->getNumCols();
250            int numberContinuous = numberColumns - numberIntegers;
251            if (numberContinuous > 2*numberIntegers &&
252                    nFix*10 < numberColumns) {
253#define LOCAL_FIX_CONTINUOUS
254#ifdef LOCAL_FIX_CONTINUOUS
255                //const double * colUpper = newSolver->getColUpper();
256                const double * colLower = newSolver->getColLower();
257                int nAtLb = 0;
258                //double sumDj=0.0;
259                const double * dj = newSolver->getReducedCost();
260                double direction = newSolver->getObjSense();
261                for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
262                    if (!newSolver->isInteger(iColumn)) {
263                        if (!used_[iColumn]) {
264                            //double djValue = dj[iColumn]*direction;
265                            nAtLb++;
266                            //sumDj += djValue;
267                        }
268                    }
269                }
270                if (nAtLb) {
271                    // fix some continuous
272                    double * sort = new double[nAtLb];
273                    int * which = new int [nAtLb];
274                    //double threshold = CoinMax((0.01*sumDj)/static_cast<double>(nAtLb),1.0e-6);
275                    int nFix2 = 0;
276                    for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
277                        if (!newSolver->isInteger(iColumn)) {
278                            if (!used_[iColumn]) {
279                                double djValue = dj[iColumn] * direction;
280                                if (djValue > 1.0e-6) {
281                                    sort[nFix2] = -djValue;
282                                    which[nFix2++] = iColumn;
283                                }
284                            }
285                        }
286                    }
287                    CoinSort_2(sort, sort + nFix2, which);
288                    int divisor = 2;
289                    nFix2 = CoinMin(nFix2, (numberColumns - nFix) / divisor);
290                    for (int i = 0; i < nFix2; i++) {
291                        int iColumn = which[i];
292                        newSolver->setColUpper(iColumn, colLower[iColumn]);
293                    }
294                    delete [] sort;
295                    delete [] which;
296#ifdef CLP_INVESTIGATE2
297                    printf("%d integers have zero value, and %d continuous fixed at lb\n",
298                           nFix, nFix2);
299#endif
300                    returnCode = smallBranchAndBound(newSolver,
301                                                     numberNodes_, newSolution,
302                                                     objectiveValue,
303                                                     objectiveValue, "CbcHeuristicLocal");
304                    if (returnCode < 0)
305                        returnCode = 0; // returned on size
306                }
307#endif
308            }
309        }
310    }
311/*
312  If the result is complete exploration with a solution (3) or proven
313  infeasibility (2), we could generate a cut (the AI folks would call it a
314  nogood) to prevent us from going down this route in the future.
315*/
316    if ((returnCode&2) != 0) {
317        // could add cut
318        returnCode &= ~2;
319    }
320
321    delete newSolver;
322    return returnCode;
323}
324/*
325  First tries setting a variable to better value.  If feasible then
326  tries setting others.  If not feasible then tries swaps
327  Returns 1 if solution, 0 if not
328  The main body of this routine implements an O((q^2)/2) brute force search
329  around the current solution, for q = number of integer variables. Call this
330  the inc/dec heuristic.  For each integer variable x<i>, first decrement the
331  value. Then, for integer variables x<i+1>, ..., x<q-1>, try increment and
332  decrement. If one of these permutations produces a better solution,
333  remember it.  Then repeat, with x<i> incremented. If we find a better
334  solution, update our notion of current solution and continue.
335
336  The net effect is a greedy walk: As each improving pair is found, the
337  current solution is updated and the search continues from this updated
338  solution.
339
340  Way down at the end, we call solutionFix, which will create a drastically
341  restricted problem based on variables marked as used, then do mini-BaC on
342  the restricted problem. This can occur even if we don't try the inc/dec
343  heuristic. This would be more obvious if the inc/dec heuristic were broken
344  out as a separate routine and solutionFix had a name that reflected where
345  it was headed.
346
347  The return code of 0 is grossly overloaded, because it maps to a return
348  code of 0 from solutionFix, which is itself grossly overloaded. See
349  comments in solutionFix and in CbcHeuristic::smallBranchAndBound.
350  */
351int
352CbcHeuristicLocal::solution(double & solutionValue,
353                            double * betterSolution)
354{
355/*
356  Execute only if a new solution has been discovered since the last time we
357  were called.
358*/
359
360    numCouldRun_++;
361    // See if frequency kills off idea
362    int swap = swap_%100;
363    int skip = swap_/100;
364    int nodeCount = model_->getNodeCount();
365    if (nodeCount<lastRunDeep_+skip && nodeCount != lastRunDeep_+1) 
366      return 0;
367    if (numberSolutions_ == model_->getSolutionCount() &&
368        (numberSolutions_ == howOftenShallow_ ||
369         nodeCount < lastRunDeep_+2*skip))
370        return 0;
371    howOftenShallow_ = numberSolutions_;
372    numberSolutions_ = model_->getSolutionCount();
373    if (nodeCount<lastRunDeep_+skip ) 
374      return 0;
375    lastRunDeep_ = nodeCount;
376    howOftenShallow_ = numberSolutions_;
377
378    if ((swap%10) == 2) {
379        // try merge
380        return solutionFix( solutionValue, betterSolution, NULL);
381    }
382/*
383  Exclude long (column), thin (row) systems.
384
385  Given the n^2 nature of the search, more than 100,000 columns could get
386  expensive. But I don't yet see the rationale for the second part of the
387  condition (cols > 10*rows). And cost is proportional to number of integer
388  variables --- shouldn't we use that?
389
390  Why wait until we have more than one solution?
391*/
392    if ((model_->getNumCols() > 100000 && model_->getNumCols() >
393            10*model_->getNumRows()) || numberSolutions_ <= 1)
394        return 0; // probably not worth it
395    // worth trying
396
397    OsiSolverInterface * solver = model_->solver();
398    const double * rowLower = solver->getRowLower();
399    const double * rowUpper = solver->getRowUpper();
400    const double * solution = model_->bestSolution();
401/*
402  Shouldn't this test be redundant if we've already checked that
403  numberSolutions_ > 1? Stronger: shouldn't this be an assertion?
404*/
405    if (!solution)
406        return 0; // No solution found yet
407    const double * objective = solver->getObjCoefficients();
408    double primalTolerance;
409    solver->getDblParam(OsiPrimalTolerance, primalTolerance);
410
411    int numberRows = matrix_.getNumRows();
412
413    int numberIntegers = model_->numberIntegers();
414    const int * integerVariable = model_->integerVariable();
415
416    int i;
417    double direction = solver->getObjSense();
418    double newSolutionValue = model_->getObjValue() * direction;
419    int returnCode = 0;
420    numRuns_++;
421    // Column copy
422    const double * element = matrix_.getElements();
423    const int * row = matrix_.getIndices();
424    const CoinBigIndex * columnStart = matrix_.getVectorStarts();
425    const int * columnLength = matrix_.getVectorLengths();
426
427    // Get solution array for heuristic solution
428    int numberColumns = solver->getNumCols();
429    double * newSolution = new double [numberColumns];
430    memcpy(newSolution, solution, numberColumns*sizeof(double));
431#ifdef LOCAL_FIX_CONTINUOUS
432    // mark continuous used
433    const double * columnLower = solver->getColLower();
434    for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
435        if (!solver->isInteger(iColumn)) {
436            if (solution[iColumn] > columnLower[iColumn] + 1.0e-8)
437                used_[iColumn] = numberSolutions_;
438        }
439    }
440#endif
441
442    // way is 1 if down possible, 2 if up possible, 3 if both possible
443    char * way = new char[numberIntegers];
444    // corrected costs
445    double * cost = new double[numberIntegers];
446    // for array to mark infeasible rows after iColumn branch
447    char * mark = new char[numberRows];
448    memset(mark, 0, numberRows);
449    // space to save values so we don't introduce rounding errors
450    double * save = new double[numberRows];
451/*
452  Force variables within their original bounds, then to the nearest integer.
453  Overall, we seem to be prepared to cope with noninteger bounds. Is this
454  necessary? Seems like we'd be better off to force the bounds to integrality
455  as part of preprocessing.  More generally, why do we need to do this? This
456  solution should have been cleaned and checked when it was accepted as a
457  solution!
458
459  Once the value is set, decide whether we can move up or down.
460
461  The only place that used_ is used is in solutionFix; if a variable is not
462  flagged as used, it will be fixed (at lower bound). Why the asymmetric
463  treatment? This makes some sense for binary variables (for which there are
464  only two options). But for general integer variables, why not make a similar
465  test against the original upper bound?
466*/
467
468    // clean solution
469    for (i = 0; i < numberIntegers; i++) {
470        int iColumn = integerVariable[i];
471        const OsiObject * object = model_->object(i);
472        // get original bounds
473        double originalLower;
474        double originalUpper;
475        getIntegerInformation( object, originalLower, originalUpper);
476        double value = newSolution[iColumn];
477        if (value < originalLower) {
478            value = originalLower;
479            newSolution[iColumn] = value;
480        } else if (value > originalUpper) {
481            value = originalUpper;
482            newSolution[iColumn] = value;
483        }
484        double nearest = floor(value + 0.5);
485        //assert(fabs(value-nearest)<10.0*primalTolerance);
486        value = nearest;
487        newSolution[iColumn] = nearest;
488        // if away from lower bound mark that fact
489        if (nearest > originalLower) {
490            used_[iColumn] = numberSolutions_;
491        }
492        cost[i] = direction * objective[iColumn];
493/*
494  Given previous computation we're checking that value is at least 1 away
495  from the original bounds.
496*/
497        int iway = 0;
498
499        if (value > originalLower + 0.5)
500            iway = 1;
501        if (value < originalUpper - 0.5)
502            iway |= 2;
503        way[i] = static_cast<char>(iway);
504    }
505/*
506  Calculate lhs of each constraint for groomed solution.
507*/
508    // get row activities
509    double * rowActivity = new double[numberRows];
510    memset(rowActivity, 0, numberRows*sizeof(double));
511
512    for (i = 0; i < numberColumns; i++) {
513        int j;
514        double value = newSolution[i];
515        if (value) {
516            for (j = columnStart[i];
517                    j < columnStart[i] + columnLength[i]; j++) {
518                int iRow = row[j];
519                rowActivity[iRow] += value * element[j];
520            }
521        }
522    }
523/*
524  Check that constraints are satisfied. For small infeasibility, force the
525  activity within bound. Again, why is this necessary if the current solution
526  was accepted as a valid solution?
527
528  Why are we scanning past the first unacceptable constraint?
529*/
530    // check was feasible - if not adjust (cleaning may move)
531    // if very infeasible then give up
532    bool tryHeuristic = true;
533    for (i = 0; i < numberRows; i++) {
534        if (rowActivity[i] < rowLower[i]) {
535            if (rowActivity[i] < rowLower[i] - 10.0*primalTolerance)
536                tryHeuristic = false;
537            rowActivity[i] = rowLower[i];
538        } else if (rowActivity[i] > rowUpper[i]) {
539            if (rowActivity[i] < rowUpper[i] + 10.0*primalTolerance)
540                tryHeuristic = false;
541            rowActivity[i] = rowUpper[i];
542        }
543    }
544/*
545  This bit of code is not quite totally redundant: it'll bail at 10,000
546  instead of 100,000. Potentially we can do a lot of work to get here, only
547  to abandon it.
548*/
549    // Switch off if may take too long
550    if (model_->getNumCols() > 10000 && model_->getNumCols() >
551            10*model_->getNumRows())
552        tryHeuristic = false;
553/*
554  Try the inc/dec heuristic?
555*/
556    if (tryHeuristic) {
557
558        // total change in objective
559        double totalChange = 0.0;
560        // local best change in objective
561        double bestChange = 0.0;
562        // maybe just do 1000
563        int maxIntegers = numberIntegers;
564        if (((swap/10) &1) != 0) {
565          maxIntegers = CoinMin(1000,numberIntegers);
566        }
567/*
568  Outer loop to walk integer variables. Call the current variable x<i>. At the
569  end of this loop, bestChange will contain the best (negative) change in the
570  objective for any single pair.
571
572  The trouble is, we're limited to monotonically increasing improvement.
573  Suppose we discover an improvement of 10 for some pair. If, later in the
574  search, we discover an improvement of 9 for some other pair, we will not use
575  it. That seems wasteful.
576*/
577
578        for (i = 0; i < numberIntegers; i++) {
579            int iColumn = integerVariable[i];
580            bestChange = 0.0;
581            int endInner = CoinMin(numberIntegers,i+maxIntegers);
582
583            double objectiveCoefficient = cost[i];
584            int k;
585            int j;
586            int goodK = -1;
587            int wayK = -1, wayI = -1;
588/*
589  Try decrementing x<i>.
590*/
591            if ((way[i]&1) != 0) {
592                int numberInfeasible = 0;
593/*
594  Adjust row activities where x<i> has a nonzero coefficient. Save the old
595  values for restoration. Mark any rows that become infeasible as a result
596  of the decrement.
597*/
598                // save row activities and adjust
599                for (j = columnStart[iColumn];
600                        j < columnStart[iColumn] + columnLength[iColumn]; j++) {
601                    int iRow = row[j];
602                    save[iRow] = rowActivity[iRow];
603                    rowActivity[iRow] -= element[j];
604                    if (rowActivity[iRow] < rowLower[iRow] - primalTolerance ||
605                            rowActivity[iRow] > rowUpper[iRow] + primalTolerance) {
606                        // mark row
607                        mark[iRow] = 1;
608                        numberInfeasible++;
609                    }
610                }
611  /*
612  Run through the remaining integer variables. Try increment and decrement on
613  each one. If the potential objective change is better than anything we've
614  seen so far, do a full evaluation of x<k> in that direction.  If we can
615  repair all infeasibilities introduced by pushing x<i> down, we have a
616  winner. Remember the best variable, and the direction for x<i> and x<k>.
617*/
618              // try down
619                for (k = i + 1; k < endInner; k++) {
620                    if ((way[k]&1) != 0) {
621                        // try down
622                        if (-objectiveCoefficient - cost[k] < bestChange) {
623                            // see if feasible down
624                            bool good = true;
625                            int numberMarked = 0;
626                            int kColumn = integerVariable[k];
627                            for (j = columnStart[kColumn];
628                                    j < columnStart[kColumn] + columnLength[kColumn]; j++) {
629                                int iRow = row[j];
630                                double newValue = rowActivity[iRow] - element[j];
631                                if (newValue < rowLower[iRow] - primalTolerance ||
632                                        newValue > rowUpper[iRow] + primalTolerance) {
633                                    good = false;
634                                    break;
635                                } else if (mark[iRow]) {
636                                    // made feasible
637                                    numberMarked++;
638                                }
639                            }
640                            if (good && numberMarked == numberInfeasible) {
641                                // better solution
642                                goodK = k;
643                                wayK = -1;
644                                wayI = -1;
645                                bestChange = -objectiveCoefficient - cost[k];
646                            }
647                        }
648                    }
649                    if ((way[k]&2) != 0) {
650                        // try up
651                        if (-objectiveCoefficient + cost[k] < bestChange) {
652                            // see if feasible up
653                            bool good = true;
654                            int numberMarked = 0;
655                            int kColumn = integerVariable[k];
656                            for (j = columnStart[kColumn];
657                                    j < columnStart[kColumn] + columnLength[kColumn]; j++) {
658                                int iRow = row[j];
659                                double newValue = rowActivity[iRow] + element[j];
660                                if (newValue < rowLower[iRow] - primalTolerance ||
661                                        newValue > rowUpper[iRow] + primalTolerance) {
662                                    good = false;
663                                    break;
664                                } else if (mark[iRow]) {
665                                    // made feasible
666                                    numberMarked++;
667                                }
668                            }
669                            if (good && numberMarked == numberInfeasible) {
670                                // better solution
671                                goodK = k;
672                                wayK = 1;
673                                wayI = -1;
674                                bestChange = -objectiveCoefficient + cost[k];
675                            }
676                        }
677                    }
678                }
679/*
680  Remove effect of decrementing x<i> by restoring original lhs values.
681*/
682                // restore row activities
683                for (j = columnStart[iColumn];
684                        j < columnStart[iColumn] + columnLength[iColumn]; j++) {
685                    int iRow = row[j];
686                    rowActivity[iRow] = save[iRow];
687                    mark[iRow] = 0;
688                }
689            }
690/*
691  Try to increment x<i>. Actions as for decrement.
692*/
693            if ((way[i]&2) != 0) {
694                int numberInfeasible = 0;
695                // save row activities and adjust
696                for (j = columnStart[iColumn];
697                        j < columnStart[iColumn] + columnLength[iColumn]; j++) {
698                    int iRow = row[j];
699                    save[iRow] = rowActivity[iRow];
700                    rowActivity[iRow] += element[j];
701                    if (rowActivity[iRow] < rowLower[iRow] - primalTolerance ||
702                            rowActivity[iRow] > rowUpper[iRow] + primalTolerance) {
703                        // mark row
704                        mark[iRow] = 1;
705                        numberInfeasible++;
706                    }
707                }
708                // try up
709                for (k = i + 1; k < endInner; k++) {
710                    if ((way[k]&1) != 0) {
711                        // try down
712                        if (objectiveCoefficient - cost[k] < bestChange) {
713                            // see if feasible down
714                            bool good = true;
715                            int numberMarked = 0;
716                            int kColumn = integerVariable[k];
717                            for (j = columnStart[kColumn];
718                                    j < columnStart[kColumn] + columnLength[kColumn]; j++) {
719                                int iRow = row[j];
720                                double newValue = rowActivity[iRow] - element[j];
721                                if (newValue < rowLower[iRow] - primalTolerance ||
722                                        newValue > rowUpper[iRow] + primalTolerance) {
723                                    good = false;
724                                    break;
725                                } else if (mark[iRow]) {
726                                    // made feasible
727                                    numberMarked++;
728                                }
729                            }
730                            if (good && numberMarked == numberInfeasible) {
731                                // better solution
732                                goodK = k;
733                                wayK = -1;
734                                wayI = 1;
735                                bestChange = objectiveCoefficient - cost[k];
736                            }
737                        }
738                    }
739                    if ((way[k]&2) != 0) {
740                        // try up
741                        if (objectiveCoefficient + cost[k] < bestChange) {
742                            // see if feasible up
743                            bool good = true;
744                            int numberMarked = 0;
745                            int kColumn = integerVariable[k];
746                            for (j = columnStart[kColumn];
747                                    j < columnStart[kColumn] + columnLength[kColumn]; j++) {
748                                int iRow = row[j];
749                                double newValue = rowActivity[iRow] + element[j];
750                                if (newValue < rowLower[iRow] - primalTolerance ||
751                                        newValue > rowUpper[iRow] + primalTolerance) {
752                                    good = false;
753                                    break;
754                                } else if (mark[iRow]) {
755                                    // made feasible
756                                    numberMarked++;
757                                }
758                            }
759                            if (good && numberMarked == numberInfeasible) {
760                                // better solution
761                                goodK = k;
762                                wayK = 1;
763                                wayI = 1;
764                                bestChange = objectiveCoefficient + cost[k];
765                            }
766                        }
767                    }
768                }
769                // restore row activities
770                for (j = columnStart[iColumn];
771                        j < columnStart[iColumn] + columnLength[iColumn]; j++) {
772                    int iRow = row[j];
773                    rowActivity[iRow] = save[iRow];
774                    mark[iRow] = 0;
775                }
776            }
777/*
778  We've found a pair x<i> and x<k> which produce a better solution. Update our
779  notion of current solution to match.
780
781  Why does this not update newSolutionValue?
782*/
783            if (goodK >= 0) {
784                // we found something - update solution
785                for (j = columnStart[iColumn];
786                        j < columnStart[iColumn] + columnLength[iColumn]; j++) {
787                    int iRow = row[j];
788                    rowActivity[iRow]  += wayI * element[j];
789                }
790                newSolution[iColumn] += wayI;
791                int kColumn = integerVariable[goodK];
792                for (j = columnStart[kColumn];
793                        j < columnStart[kColumn] + columnLength[kColumn]; j++) {
794                    int iRow = row[j];
795                    rowActivity[iRow]  += wayK * element[j];
796                }
797                newSolution[kColumn] += wayK;
798/*
799  Adjust motion range for x<k>. We may have banged up against a bound with that
800  last move.
801*/
802               // See if k can go further ?
803                const OsiObject * object = model_->object(goodK);
804                // get original bounds
805                double originalLower;
806                double originalUpper;
807                getIntegerInformation( object, originalLower, originalUpper);
808
809                double value = newSolution[kColumn];
810                int iway = 0;
811
812                if (value > originalLower + 0.5)
813                    iway = 1;
814                if (value < originalUpper - 0.5)
815                    iway |= 2;
816                way[goodK] = static_cast<char>(iway);
817                totalChange += bestChange;
818            }
819        }
820/*
821  End of loop to try increment/decrement of integer variables.
822
823  newSolutionValue does not necessarily match the current newSolution, and
824  bestChange simply reflects the best single change. Still, that's sufficient
825  to indicate that there's been at least one change. Check that we really do
826  have a valid solution.
827*/
828        if (totalChange + newSolutionValue < solutionValue) {
829            // paranoid check
830            memset(rowActivity, 0, numberRows*sizeof(double));
831
832            for (i = 0; i < numberColumns; i++) {
833                int j;
834                double value = newSolution[i];
835                if (value) {
836                    for (j = columnStart[i];
837                            j < columnStart[i] + columnLength[i]; j++) {
838                        int iRow = row[j];
839                        rowActivity[iRow] += value * element[j];
840                    }
841                }
842            }
843            int numberBad = 0;
844            double sumBad = 0.0;
845            // check was approximately feasible
846            for (i = 0; i < numberRows; i++) {
847                if (rowActivity[i] < rowLower[i]) {
848                    sumBad += rowLower[i] - rowActivity[i];
849                    if (rowActivity[i] < rowLower[i] - 10.0*primalTolerance)
850                        numberBad++;
851                } else if (rowActivity[i] > rowUpper[i]) {
852                    sumBad += rowUpper[i] - rowActivity[i];
853                    if (rowActivity[i] > rowUpper[i] + 10.0*primalTolerance)
854                        numberBad++;
855                }
856            }
857            if (!numberBad) {
858                for (i = 0; i < numberIntegers; i++) {
859                    int iColumn = integerVariable[i];
860                    const OsiObject * object = model_->object(i);
861                    // get original bounds
862                    double originalLower;
863                    double originalUpper;
864                    getIntegerInformation( object, originalLower, originalUpper);
865
866                    double value = newSolution[iColumn];
867                    // if away from lower bound mark that fact
868                    if (value > originalLower) {
869                        used_[iColumn] = numberSolutions_;
870                    }
871                }
872/*
873  Copy the solution to the array returned to the client. Grab a basis from
874  the solver (which, if it exists, is almost certainly infeasible, but it
875  should be ok for a dual start). The value returned as solutionValue is
876  conservative because of handling of newSolutionValue and bestChange, as
877  described above.
878*/
879                // new solution
880                memcpy(betterSolution, newSolution, numberColumns*sizeof(double));
881                CoinWarmStartBasis * basis =
882                    dynamic_cast<CoinWarmStartBasis *>(solver->getWarmStart()) ;
883                if (basis) {
884                    model_->setBestSolutionBasis(* basis);
885                    delete basis;
886                }
887                returnCode = 1;
888                solutionValue = newSolutionValue + bestChange;
889            } else {
890                // bad solution - should not happen so debug if see message
891                COIN_DETAIL_PRINT(printf("Local search got bad solution with %d infeasibilities summing to %g\n",
892                                         numberBad, sumBad));
893            }
894        }
895    }
896/*
897  We're done. Clean up.
898*/
899    delete [] newSolution;
900    delete [] rowActivity;
901    delete [] way;
902    delete [] cost;
903    delete [] save;
904    delete [] mark;
905/*
906  Do we want to try swapping values between solutions?
907  swap_ is set elsewhere; it's not adjusted during heuristic execution.
908
909  Again, redundant test. We shouldn't be here if numberSolutions_ = 1.
910*/
911    if (numberSolutions_ > 1 && (swap%10) == 1) {
912        // try merge
913        int returnCode2 = solutionFix( solutionValue, betterSolution, NULL);
914        if (returnCode2)
915            returnCode = 1;
916    }
917    return returnCode;
918}
919// update model
920void CbcHeuristicLocal::setModel(CbcModel * model)
921{
922    model_ = model;
923    // Get a copy of original matrix
924    assert(model_->solver());
925    if (model_->solver()->getNumRows()) {
926        matrix_ = *model_->solver()->getMatrixByCol();
927    }
928    delete [] used_;
929    int numberColumns = model->solver()->getNumCols();
930    used_ = new int[numberColumns];
931    memset(used_, 0, numberColumns*sizeof(int));
932}
933
934// Default Constructor
935CbcHeuristicProximity::CbcHeuristicProximity()
936        : CbcHeuristic()
937{
938    feasibilityPump_ = NULL;
939    numberSolutions_ = 0;
940    used_ = NULL;
941    lastRunDeep_ = -1000000;
942    switches_ |= 16; // needs a new solution
943}
944
945// Constructor with model - assumed before cuts
946
947CbcHeuristicProximity::CbcHeuristicProximity(CbcModel & model)
948        : CbcHeuristic(model)
949{
950    feasibilityPump_ = NULL;
951    numberSolutions_ = 0;
952    lastRunDeep_ = -1000000;
953    switches_ |= 16; // needs a new solution
954    int numberColumns = model.solver()->getNumCols();
955    used_ = new int[numberColumns];
956    memset(used_, 0, numberColumns*sizeof(int));
957}
958
959// Destructor
960CbcHeuristicProximity::~CbcHeuristicProximity ()
961{
962    delete feasibilityPump_;
963    delete [] used_;
964}
965
966// Clone
967CbcHeuristic *
968CbcHeuristicProximity::clone() const
969{
970    return new CbcHeuristicProximity(*this);
971}
972// Create C++ lines to get to current state
973void
974CbcHeuristicProximity::generateCpp( FILE * fp)
975{
976    CbcHeuristicProximity other;
977    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
978    fprintf(fp, "3  CbcHeuristicProximity heuristicProximity(*cbcModel);\n");
979    CbcHeuristic::generateCpp(fp, "heuristicProximity");
980    fprintf(fp, "3  cbcModel->addHeuristic(&heuristicProximity);\n");
981}
982
983// Copy constructor
984CbcHeuristicProximity::CbcHeuristicProximity(const CbcHeuristicProximity & rhs)
985  :
986  CbcHeuristic(rhs),
987  numberSolutions_(rhs.numberSolutions_)
988{
989    feasibilityPump_ = NULL;
990    if (model_ && rhs.used_) {
991        int numberColumns = model_->solver()->getNumCols();
992        used_ = CoinCopyOfArray(rhs.used_, numberColumns);
993        if (rhs.feasibilityPump_)
994          feasibilityPump_ = new CbcHeuristicFPump(*rhs.feasibilityPump_);
995    } else {
996        used_ = NULL;
997    }
998}
999
1000// Assignment operator
1001CbcHeuristicProximity &
1002CbcHeuristicProximity::operator=( const CbcHeuristicProximity & rhs)
1003{
1004    if (this != &rhs) {
1005        CbcHeuristic::operator=(rhs);
1006        numberSolutions_ = rhs.numberSolutions_;
1007        delete [] used_;
1008        delete feasibilityPump_;
1009        feasibilityPump_ = NULL;
1010        if (model_ && rhs.used_) {
1011            int numberColumns = model_->solver()->getNumCols();
1012            used_ = CoinCopyOfArray(rhs.used_, numberColumns);
1013            if (rhs.feasibilityPump_)
1014              feasibilityPump_ = new CbcHeuristicFPump(*rhs.feasibilityPump_);
1015        } else {
1016            used_ = NULL;
1017        }
1018    }
1019    return *this;
1020}
1021
1022// Resets stuff if model changes
1023void
1024CbcHeuristicProximity::resetModel(CbcModel * /*model*/)
1025{
1026    //CbcHeuristic::resetModel(model);
1027    delete [] used_;
1028    if (model_ && used_) {
1029        int numberColumns = model_->solver()->getNumCols();
1030        used_ = new int[numberColumns];
1031        memset(used_, 0, numberColumns*sizeof(int));
1032    } else {
1033        used_ = NULL;
1034    }
1035}
1036/*
1037  Run a mini-BaB search after changing objective
1038
1039  Return values are:
1040    1: smallBranchAndBound found a solution
1041    0: everything else
1042
1043  The degree of overload as return codes from smallBranchAndBound are folded
1044  into 0 is such that it's impossible to distinguish return codes that really
1045  require attention from a simple `nothing of interest'.
1046*/
1047int
1048CbcHeuristicProximity::solution(double & solutionValue,
1049                            double * betterSolution)
1050{
1051  if (feasibilityPumpOptions_ == -3 && numCouldRun_==0 &&
1052      !feasibilityPump_ ) {
1053    // clone feasibility pump
1054    for (int i = 0; i < model_->numberHeuristics(); i++) {
1055      const CbcHeuristicFPump* pump =
1056        dynamic_cast<const CbcHeuristicFPump*>(model_->heuristic(i));
1057      if (pump) {
1058        feasibilityPump_ = new CbcHeuristicFPump(*pump);
1059        break;
1060      }
1061    }
1062  }
1063/*
1064  Execute only if a new solution has been discovered since the last time we
1065  were called.
1066*/
1067
1068  numCouldRun_++;
1069  int nodeCount = model_->getNodeCount();
1070  if (numberSolutions_ == model_->getSolutionCount())
1071    return 0;
1072  if (!model_->bestSolution())
1073    return 0; // odd - because in parallel mode
1074  numberSolutions_ = model_->getSolutionCount();
1075  lastRunDeep_ = nodeCount;
1076  numRuns_++;
1077  //howOftenShallow_ = numberSolutions_;
1078 
1079/*
1080  Load up a new solver with the solution.
1081
1082  Why continuousSolver(), as opposed to solver()?
1083*/
1084  OsiSolverInterface * newSolver = model_->continuousSolver()->clone();
1085  int numberColumns=newSolver->getNumCols();
1086  double * obj = CoinCopyOfArray(newSolver->getObjCoefficients(),numberColumns);
1087  int * indices = new int [numberColumns];
1088  int n=0;
1089  for (int i=0;i<numberColumns;i++) {
1090    if (obj[i]) {
1091      indices[n]=i;
1092      obj[n++]=obj[i];
1093    }
1094  }
1095  double cutoff=model_->getCutoff();
1096  assert (cutoff<1.0e20);
1097  if (model_->getCutoffIncrement()<1.0e-4)
1098    cutoff -= 0.01;
1099  double offset;
1100  newSolver->getDblParam(OsiObjOffset, offset);
1101  newSolver->setDblParam(OsiObjOffset, 0.0);
1102  newSolver->addRow(n,indices,obj,-COIN_DBL_MAX,cutoff+offset);
1103  delete [] indices;
1104  memset(obj,0,numberColumns*sizeof(double));
1105  newSolver->setDblParam(OsiDualObjectiveLimit, 1.0e20);
1106  int numberIntegers = model_->numberIntegers();
1107  const int * integerVariable = model_->integerVariable();
1108  const double * solutionIn = model_->bestSolution();
1109  for (int i = 0; i < numberIntegers; i++) {
1110    int iColumn = integerVariable[i];
1111    if (fabs(solutionIn[iColumn])<1.0e-5) 
1112      obj[iColumn]=1.0;
1113    else if (fabs(solutionIn[iColumn]-1.0)<1.0e-5) 
1114      obj[iColumn]=-1.0;
1115  }
1116  newSolver->setObjective(obj);
1117  delete [] obj;
1118  //newSolver->writeMps("xxxx");
1119  int maxSolutions = model_->getMaximumSolutions();
1120  model_->setMaximumSolutions(1); 
1121  bool pumpAdded = false;
1122  if (feasibilityPumpOptions_ == -3 && feasibilityPump_) {
1123    // add back feasibility pump
1124    pumpAdded = true;
1125    for (int i = 0; i < model_->numberHeuristics(); i++) {
1126      const CbcHeuristicFPump* pump =
1127        dynamic_cast<const CbcHeuristicFPump*>(model_->heuristic(i));
1128      if (pump) {
1129        pumpAdded = false;
1130        break;
1131      }
1132    }
1133    if (pumpAdded) 
1134      model_->addHeuristic(feasibilityPump_);
1135  }
1136  int returnCode = 
1137    smallBranchAndBound(newSolver, numberNodes_, betterSolution, solutionValue,
1138                        1.0e20, "CbcHeuristicProximity");
1139  if (pumpAdded) {
1140    // take off feasibility pump
1141    int lastHeuristic = model_->numberHeuristics()-1;
1142    model_->setNumberHeuristics(lastHeuristic);
1143    delete model_->heuristic(lastHeuristic);
1144  }
1145  model_->setMaximumSolutions(maxSolutions); 
1146 /*
1147  -2 is return due to user event, and -1 is overloaded with what look to be
1148  two contradictory meanings.
1149*/
1150  if (returnCode < 0) {
1151    returnCode = 0; 
1152  }
1153/*
1154  If the result is complete exploration with a solution (3) or proven
1155  infeasibility (2), we could generate a cut (the AI folks would call it a
1156  nogood) to prevent us from going down this route in the future.
1157*/
1158  if ((returnCode&2) != 0) {
1159    // could add cut
1160    returnCode &= ~2;
1161  }
1162  char proxPrint[200];
1163  if ((returnCode&1) != 0) {
1164    // redo objective
1165    const double * obj = model_->continuousSolver()->getObjCoefficients();
1166    solutionValue = - offset;
1167    int sumIncrease=0.0;
1168    int sumDecrease=0.0;
1169    int numberIncrease=0;
1170    int numberDecrease=0;
1171    for (int i=0;i<numberColumns;i++) {
1172      solutionValue += obj[i]*betterSolution[i];
1173      if (model_->isInteger(i)) {
1174        int change=static_cast<int>(floor(solutionIn[i]-betterSolution[i]+0.5));
1175        if (change>0) {
1176          numberIncrease++;
1177          sumIncrease+=change;
1178        } else if (change<0) {
1179          numberDecrease++;
1180          sumDecrease-=change;
1181        }
1182      }
1183    }
1184    sprintf(proxPrint,"Proximity search ran %d nodes (out of %d) - in new solution %d increased (%d), %d decreased (%d)",
1185            numberNodesDone_,numberNodes_,
1186            numberIncrease,sumIncrease,numberDecrease,sumDecrease);
1187  } else {
1188    sprintf(proxPrint,"Proximity search ran %d nodes - no new solution",
1189            numberNodesDone_);
1190  }
1191  model_->messageHandler()->message(CBC_FPUMP1, model_->messages())
1192    << proxPrint
1193    << CoinMessageEol;
1194 
1195  delete newSolver;
1196  return returnCode;
1197}
1198// update model
1199void CbcHeuristicProximity::setModel(CbcModel * model)
1200{
1201    model_ = model;
1202    // Get a copy of original matrix
1203    assert(model_->solver());
1204    delete [] used_;
1205    int numberColumns = model->solver()->getNumCols();
1206    used_ = new int[numberColumns];
1207    memset(used_, 0, numberColumns*sizeof(int));
1208}
1209
1210// Default Constructor
1211CbcHeuristicNaive::CbcHeuristicNaive()
1212        : CbcHeuristic()
1213{
1214    large_ = 1.0e6;
1215}
1216
1217// Constructor with model - assumed before cuts
1218
1219CbcHeuristicNaive::CbcHeuristicNaive(CbcModel & model)
1220        : CbcHeuristic(model)
1221{
1222    large_ = 1.0e6;
1223}
1224
1225// Destructor
1226CbcHeuristicNaive::~CbcHeuristicNaive ()
1227{
1228}
1229
1230// Clone
1231CbcHeuristic *
1232CbcHeuristicNaive::clone() const
1233{
1234    return new CbcHeuristicNaive(*this);
1235}
1236// Create C++ lines to get to current state
1237void
1238CbcHeuristicNaive::generateCpp( FILE * fp)
1239{
1240    CbcHeuristicNaive other;
1241    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
1242    fprintf(fp, "3  CbcHeuristicNaive naive(*cbcModel);\n");
1243    CbcHeuristic::generateCpp(fp, "naive");
1244    if (large_ != other.large_)
1245        fprintf(fp, "3  naive.setLarge(%g);\n", large_);
1246    else
1247        fprintf(fp, "4  naive.setLarge(%g);\n", large_);
1248    fprintf(fp, "3  cbcModel->addHeuristic(&naive);\n");
1249}
1250
1251// Copy constructor
1252CbcHeuristicNaive::CbcHeuristicNaive(const CbcHeuristicNaive & rhs)
1253        :
1254        CbcHeuristic(rhs),
1255        large_(rhs.large_)
1256{
1257}
1258
1259// Assignment operator
1260CbcHeuristicNaive &
1261CbcHeuristicNaive::operator=( const CbcHeuristicNaive & rhs)
1262{
1263    if (this != &rhs) {
1264        CbcHeuristic::operator=(rhs);
1265        large_ = rhs.large_;
1266    }
1267    return *this;
1268}
1269
1270// Resets stuff if model changes
1271void
1272CbcHeuristicNaive::resetModel(CbcModel * model)
1273{
1274    CbcHeuristic::resetModel(model);
1275}
1276int
1277CbcHeuristicNaive::solution(double & solutionValue,
1278                            double * betterSolution)
1279{
1280    numCouldRun_++;
1281    // See if to do
1282    bool atRoot = model_->getNodeCount() == 0;
1283    int passNumber = model_->getCurrentPassNumber();
1284    if (!when() || (when() == 1 && model_->phase() != 1) || !atRoot || passNumber != 1)
1285        return 0; // switched off
1286    // Don't do if it was this heuristic which found solution!
1287    if (this == model_->lastHeuristic())
1288        return 0;
1289    numRuns_++;
1290    double cutoff;
1291    model_->solver()->getDblParam(OsiDualObjectiveLimit, cutoff);
1292    double direction = model_->solver()->getObjSense();
1293    cutoff *= direction;
1294    cutoff = CoinMin(cutoff, solutionValue);
1295    OsiSolverInterface * solver = model_->continuousSolver();
1296    if (!solver)
1297        solver = model_->solver();
1298    const double * colLower = solver->getColLower();
1299    const double * colUpper = solver->getColUpper();
1300    const double * objective = solver->getObjCoefficients();
1301
1302    int numberColumns = model_->getNumCols();
1303    int numberIntegers = model_->numberIntegers();
1304    const int * integerVariable = model_->integerVariable();
1305
1306    int i;
1307    bool solutionFound = false;
1308    CoinWarmStartBasis saveBasis;
1309    CoinWarmStartBasis * basis =
1310        dynamic_cast<CoinWarmStartBasis *>(solver->getWarmStart()) ;
1311    if (basis) {
1312        saveBasis = * basis;
1313        delete basis;
1314    }
1315    // First just fix all integers as close to zero as possible
1316    OsiSolverInterface * newSolver = cloneBut(7); // wassolver->clone();
1317    for (i = 0; i < numberIntegers; i++) {
1318        int iColumn = integerVariable[i];
1319        double lower = colLower[iColumn];
1320        double upper = colUpper[iColumn];
1321        double value;
1322        if (lower > 0.0)
1323            value = lower;
1324        else if (upper < 0.0)
1325            value = upper;
1326        else
1327            value = 0.0;
1328        newSolver->setColLower(iColumn, value);
1329        newSolver->setColUpper(iColumn, value);
1330    }
1331    newSolver->initialSolve();
1332    if (newSolver->isProvenOptimal()) {
1333        double solValue = newSolver->getObjValue() * direction ;
1334        if (solValue < cutoff) {
1335            // we have a solution
1336            solutionFound = true;
1337            solutionValue = solValue;
1338            memcpy(betterSolution, newSolver->getColSolution(),
1339                   numberColumns*sizeof(double));
1340            COIN_DETAIL_PRINT(printf("Naive fixing close to zero gave solution of %g\n", solutionValue));
1341            cutoff = solValue - model_->getCutoffIncrement();
1342        }
1343    }
1344    // Now fix all integers as close to zero if not zero or large cost
1345    int nFix = 0;
1346    for (i = 0; i < numberIntegers; i++) {
1347        int iColumn = integerVariable[i];
1348        double lower = colLower[iColumn];
1349        double upper = colUpper[iColumn];
1350        double value;
1351        if (fabs(objective[i]) > 0.0 && fabs(objective[i]) < large_) {
1352            nFix++;
1353            if (lower > 0.0)
1354                value = lower;
1355            else if (upper < 0.0)
1356                value = upper;
1357            else
1358                value = 0.0;
1359            newSolver->setColLower(iColumn, value);
1360            newSolver->setColUpper(iColumn, value);
1361        } else {
1362            // set back to original
1363            newSolver->setColLower(iColumn, lower);
1364            newSolver->setColUpper(iColumn, upper);
1365        }
1366    }
1367    const double * solution = solver->getColSolution();
1368    if (nFix) {
1369        newSolver->setWarmStart(&saveBasis);
1370        newSolver->setColSolution(solution);
1371        newSolver->initialSolve();
1372        if (newSolver->isProvenOptimal()) {
1373            double solValue = newSolver->getObjValue() * direction ;
1374            if (solValue < cutoff) {
1375                // try branch and bound
1376                double * newSolution = new double [numberColumns];
1377                COIN_DETAIL_PRINT(printf("%d fixed after fixing costs\n", nFix));
1378                int returnCode = smallBranchAndBound(newSolver,
1379                                                     numberNodes_, newSolution,
1380                                                     solutionValue,
1381                                                     solutionValue, "CbcHeuristicNaive1");
1382                if (returnCode < 0)
1383                    returnCode = 0; // returned on size
1384                if ((returnCode&2) != 0) {
1385                    // could add cut
1386                    returnCode &= ~2;
1387                }
1388                if (returnCode == 1) {
1389                    // solution
1390                    solutionFound = true;
1391                    memcpy(betterSolution, newSolution,
1392                           numberColumns*sizeof(double));
1393                    COIN_DETAIL_PRINT(printf("Naive fixing zeros gave solution of %g\n", solutionValue));
1394                    cutoff = solutionValue - model_->getCutoffIncrement();
1395                }
1396                delete [] newSolution;
1397            }
1398        }
1399    }
1400#if 1
1401    newSolver->setObjSense(-direction); // maximize
1402    newSolver->setWarmStart(&saveBasis);
1403    newSolver->setColSolution(solution);
1404    for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
1405        double value = solution[iColumn];
1406        double lower = colLower[iColumn];
1407        double upper = colUpper[iColumn];
1408        double newLower;
1409        double newUpper;
1410        if (newSolver->isInteger(iColumn)) {
1411            newLower = CoinMax(lower, floor(value) - 2.0);
1412            newUpper = CoinMin(upper, ceil(value) + 2.0);
1413        } else {
1414            newLower = CoinMax(lower, value - 1.0e5);
1415            newUpper = CoinMin(upper, value + 1.0e-5);
1416        }
1417        newSolver->setColLower(iColumn, newLower);
1418        newSolver->setColUpper(iColumn, newUpper);
1419    }
1420    newSolver->initialSolve();
1421    if (newSolver->isProvenOptimal()) {
1422        double solValue = newSolver->getObjValue() * direction ;
1423        if (solValue < cutoff) {
1424            nFix = 0;
1425            newSolver->setObjSense(direction); // correct direction
1426            //const double * thisSolution = newSolver->getColSolution();
1427            for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
1428                double value = solution[iColumn];
1429                double lower = colLower[iColumn];
1430                double upper = colUpper[iColumn];
1431                double newLower = lower;
1432                double newUpper = upper;
1433                if (newSolver->isInteger(iColumn)) {
1434                    if (value < lower + 1.0e-6) {
1435                        nFix++;
1436                        newUpper = lower;
1437                    } else if (value > upper - 1.0e-6) {
1438                        nFix++;
1439                        newLower = upper;
1440                    } else {
1441                        newLower = CoinMax(lower, floor(value) - 2.0);
1442                        newUpper = CoinMin(upper, ceil(value) + 2.0);
1443                    }
1444                }
1445                newSolver->setColLower(iColumn, newLower);
1446                newSolver->setColUpper(iColumn, newUpper);
1447            }
1448            // try branch and bound
1449            double * newSolution = new double [numberColumns];
1450            COIN_DETAIL_PRINT(printf("%d fixed after maximizing\n", nFix));
1451            int returnCode = smallBranchAndBound(newSolver,
1452                                                 numberNodes_, newSolution,
1453                                                 solutionValue,
1454                                                 solutionValue, "CbcHeuristicNaive1");
1455            if (returnCode < 0)
1456                returnCode = 0; // returned on size
1457            if ((returnCode&2) != 0) {
1458                // could add cut
1459                returnCode &= ~2;
1460            }
1461            if (returnCode == 1) {
1462                // solution
1463                solutionFound = true;
1464                memcpy(betterSolution, newSolution,
1465                       numberColumns*sizeof(double));
1466                COIN_DETAIL_PRINT(printf("Naive maximizing gave solution of %g\n", solutionValue));
1467                cutoff = solutionValue - model_->getCutoffIncrement();
1468            }
1469            delete [] newSolution;
1470        }
1471    }
1472#endif
1473    delete newSolver;
1474    return solutionFound ? 1 : 0;
1475}
1476// update model
1477void CbcHeuristicNaive::setModel(CbcModel * model)
1478{
1479    model_ = model;
1480}
1481// Default Constructor
1482CbcHeuristicCrossover::CbcHeuristicCrossover()
1483        : CbcHeuristic(),
1484        numberSolutions_(0),
1485        useNumber_(3)
1486{
1487    setWhen(1);
1488}
1489
1490// Constructor with model - assumed before cuts
1491
1492CbcHeuristicCrossover::CbcHeuristicCrossover(CbcModel & model)
1493        : CbcHeuristic(model),
1494        numberSolutions_(0),
1495        useNumber_(3)
1496{
1497    setWhen(1);
1498    for (int i = 0; i < 10; i++)
1499        random_[i] = model.randomNumberGenerator()->randomDouble();
1500}
1501
1502// Destructor
1503CbcHeuristicCrossover::~CbcHeuristicCrossover ()
1504{
1505}
1506
1507// Clone
1508CbcHeuristic *
1509CbcHeuristicCrossover::clone() const
1510{
1511    return new CbcHeuristicCrossover(*this);
1512}
1513// Create C++ lines to get to current state
1514void
1515CbcHeuristicCrossover::generateCpp( FILE * fp)
1516{
1517    CbcHeuristicCrossover other;
1518    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
1519    fprintf(fp, "3  CbcHeuristicCrossover crossover(*cbcModel);\n");
1520    CbcHeuristic::generateCpp(fp, "crossover");
1521    if (useNumber_ != other.useNumber_)
1522        fprintf(fp, "3  crossover.setNumberSolutions(%d);\n", useNumber_);
1523    else
1524        fprintf(fp, "4  crossover.setNumberSolutions(%d);\n", useNumber_);
1525    fprintf(fp, "3  cbcModel->addHeuristic(&crossover);\n");
1526}
1527
1528// Copy constructor
1529CbcHeuristicCrossover::CbcHeuristicCrossover(const CbcHeuristicCrossover & rhs)
1530        :
1531        CbcHeuristic(rhs),
1532        attempts_(rhs.attempts_),
1533        numberSolutions_(rhs.numberSolutions_),
1534        useNumber_(rhs.useNumber_)
1535{
1536    memcpy(random_, rhs.random_, 10*sizeof(double));
1537}
1538
1539// Assignment operator
1540CbcHeuristicCrossover &
1541CbcHeuristicCrossover::operator=( const CbcHeuristicCrossover & rhs)
1542{
1543    if (this != &rhs) {
1544        CbcHeuristic::operator=(rhs);
1545        useNumber_ = rhs.useNumber_;
1546        attempts_ = rhs.attempts_;
1547        numberSolutions_ = rhs.numberSolutions_;
1548        memcpy(random_, rhs.random_, 10*sizeof(double));
1549    }
1550    return *this;
1551}
1552
1553// Resets stuff if model changes
1554void
1555CbcHeuristicCrossover::resetModel(CbcModel * model)
1556{
1557    CbcHeuristic::resetModel(model);
1558}
1559int
1560CbcHeuristicCrossover::solution(double & solutionValue,
1561                                double * betterSolution)
1562{
1563    if (when_ == 0)
1564        return 0;
1565    numCouldRun_++;
1566    bool useBest = (numberSolutions_ != model_->getSolutionCount());
1567    if (!useBest && (when_ % 10) == 1)
1568        return 0;
1569    numberSolutions_ = model_->getSolutionCount();
1570    OsiSolverInterface * continuousSolver = model_->continuousSolver();
1571    int useNumber = CoinMin(model_->numberSavedSolutions(), useNumber_);
1572    if (useNumber < 2 || !continuousSolver)
1573        return 0;
1574    // Fix later
1575    if (!useBest)
1576        abort();
1577    numRuns_++;
1578    double cutoff;
1579    model_->solver()->getDblParam(OsiDualObjectiveLimit, cutoff);
1580    double direction = model_->solver()->getObjSense();
1581    cutoff *= direction;
1582    cutoff = CoinMin(cutoff, solutionValue);
1583    OsiSolverInterface * solver = cloneBut(2);
1584    // But reset bounds
1585    solver->setColLower(continuousSolver->getColLower());
1586    solver->setColUpper(continuousSolver->getColUpper());
1587    int numberColumns = solver->getNumCols();
1588    // Fixed
1589    double * fixed = new double [numberColumns];
1590    for (int i = 0; i < numberColumns; i++)
1591        fixed[i] = -COIN_DBL_MAX;
1592    int whichSolution[10];
1593    for (int i = 0; i < useNumber; i++)
1594        whichSolution[i] = i;
1595    for (int i = 0; i < useNumber; i++) {
1596        int k = whichSolution[i];
1597        const double * solution = model_->savedSolution(k);
1598        for (int j = 0; j < numberColumns; j++) {
1599            if (solver->isInteger(j)) {
1600                if (fixed[j] == -COIN_DBL_MAX)
1601                    fixed[j] = floor(solution[j] + 0.5);
1602                else if (fabs(fixed[j] - solution[j]) > 1.0e-7)
1603                    fixed[j] = COIN_DBL_MAX;
1604            }
1605        }
1606    }
1607    const double * colLower = solver->getColLower();
1608    for (int i = 0; i < numberColumns; i++) {
1609        if (solver->isInteger(i)) {
1610            double value = fixed[i];
1611            if (value != COIN_DBL_MAX) {
1612                if (when_ < 10) {
1613                    solver->setColLower(i, value);
1614                    solver->setColUpper(i, value);
1615                } else if (value == colLower[i]) {
1616                    solver->setColUpper(i, value);
1617                }
1618            }
1619        }
1620    }
1621    int returnCode = smallBranchAndBound(solver, numberNodes_, betterSolution,
1622                                         solutionValue,
1623                                         solutionValue, "CbcHeuristicCrossover");
1624    if (returnCode < 0)
1625        returnCode = 0; // returned on size
1626    if ((returnCode&2) != 0) {
1627        // could add cut
1628        returnCode &= ~2;
1629    }
1630
1631    delete solver;
1632    return returnCode;
1633}
1634// update model
1635void CbcHeuristicCrossover::setModel(CbcModel * model)
1636{
1637    model_ = model;
1638    if (model) {
1639        for (int i = 0; i < 10; i++)
1640            random_[i] = model->randomNumberGenerator()->randomDouble();
1641    }
1642}
1643
1644
Note: See TracBrowser for help on using the repository browser.