source: trunk/Cbc/src/CbcHeuristicLocal.cpp @ 2076

Last change on this file since 2076 was 1943, checked in by forrest, 6 years ago

more options, copy statistics structure analysis
start coding of "switch" variables i.e. badly scaled ints or hi/lo
changes to allow more influence on small branch and bound
changes to get correct printout with threads

  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 58.1 KB
Line 
1/* $Id: CbcHeuristicLocal.cpp 1943 2013-07-21 09:05:45Z 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    increment_ = 0.01;
939    feasibilityPump_ = NULL;
940    numberSolutions_ = 0;
941    used_ = NULL;
942    lastRunDeep_ = -1000000;
943    switches_ |= 16; // needs a new solution
944}
945
946// Constructor with model - assumed before cuts
947
948CbcHeuristicProximity::CbcHeuristicProximity(CbcModel & model)
949        : CbcHeuristic(model)
950{
951    increment_ = 0.01;
952    feasibilityPump_ = NULL;
953    numberSolutions_ = 0;
954    lastRunDeep_ = -1000000;
955    switches_ |= 16; // needs a new solution
956    int numberColumns = model.solver()->getNumCols();
957    used_ = new int[numberColumns];
958    memset(used_, 0, numberColumns*sizeof(int));
959}
960
961// Destructor
962CbcHeuristicProximity::~CbcHeuristicProximity ()
963{
964    delete feasibilityPump_;
965    delete [] used_;
966}
967
968// Clone
969CbcHeuristic *
970CbcHeuristicProximity::clone() const
971{
972    return new CbcHeuristicProximity(*this);
973}
974// Create C++ lines to get to current state
975void
976CbcHeuristicProximity::generateCpp( FILE * fp)
977{
978    CbcHeuristicProximity other;
979    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
980    fprintf(fp, "3  CbcHeuristicProximity heuristicProximity(*cbcModel);\n");
981    CbcHeuristic::generateCpp(fp, "heuristicProximity");
982    fprintf(fp, "3  cbcModel->addHeuristic(&heuristicProximity);\n");
983}
984
985// Copy constructor
986CbcHeuristicProximity::CbcHeuristicProximity(const CbcHeuristicProximity & rhs)
987  :
988  CbcHeuristic(rhs),
989  numberSolutions_(rhs.numberSolutions_)
990{
991    increment_ = rhs.increment_;
992    feasibilityPump_ = NULL;
993    if (model_ && rhs.used_) {
994        int numberColumns = model_->solver()->getNumCols();
995        used_ = CoinCopyOfArray(rhs.used_, numberColumns);
996        if (rhs.feasibilityPump_)
997          feasibilityPump_ = new CbcHeuristicFPump(*rhs.feasibilityPump_);
998    } else {
999        used_ = NULL;
1000    }
1001}
1002
1003// Assignment operator
1004CbcHeuristicProximity &
1005CbcHeuristicProximity::operator=( const CbcHeuristicProximity & rhs)
1006{
1007    if (this != &rhs) {
1008        CbcHeuristic::operator=(rhs);
1009        increment_ = rhs.increment_;
1010        numberSolutions_ = rhs.numberSolutions_;
1011        delete [] used_;
1012        delete feasibilityPump_;
1013        feasibilityPump_ = NULL;
1014        if (model_ && rhs.used_) {
1015            int numberColumns = model_->solver()->getNumCols();
1016            used_ = CoinCopyOfArray(rhs.used_, numberColumns);
1017            if (rhs.feasibilityPump_)
1018              feasibilityPump_ = new CbcHeuristicFPump(*rhs.feasibilityPump_);
1019        } else {
1020            used_ = NULL;
1021        }
1022    }
1023    return *this;
1024}
1025
1026// Resets stuff if model changes
1027void
1028CbcHeuristicProximity::resetModel(CbcModel * /*model*/)
1029{
1030    //CbcHeuristic::resetModel(model);
1031    delete [] used_;
1032    if (model_ && used_) {
1033        int numberColumns = model_->solver()->getNumCols();
1034        used_ = new int[numberColumns];
1035        memset(used_, 0, numberColumns*sizeof(int));
1036    } else {
1037        used_ = NULL;
1038    }
1039}
1040/*
1041  Run a mini-BaB search after changing objective
1042
1043  Return values are:
1044    1: smallBranchAndBound found a solution
1045    0: everything else
1046
1047  The degree of overload as return codes from smallBranchAndBound are folded
1048  into 0 is such that it's impossible to distinguish return codes that really
1049  require attention from a simple `nothing of interest'.
1050*/
1051int
1052CbcHeuristicProximity::solution(double & solutionValue,
1053                            double * betterSolution)
1054{
1055  if (feasibilityPumpOptions_ == -3 && numCouldRun_==0 &&
1056      !feasibilityPump_ ) {
1057    // clone feasibility pump
1058    for (int i = 0; i < model_->numberHeuristics(); i++) {
1059      const CbcHeuristicFPump* pump =
1060        dynamic_cast<const CbcHeuristicFPump*>(model_->heuristic(i));
1061      if (pump) {
1062        feasibilityPump_ = new CbcHeuristicFPump(*pump);
1063        break;
1064      }
1065    }
1066  }
1067/*
1068  Execute only if a new solution has been discovered since the last time we
1069  were called.
1070*/
1071
1072  numCouldRun_++;
1073  int nodeCount = model_->getNodeCount();
1074  if (numberSolutions_ == model_->getSolutionCount())
1075    return 0;
1076  if (!model_->bestSolution())
1077    return 0; // odd - because in parallel mode
1078  numberSolutions_ = model_->getSolutionCount();
1079  lastRunDeep_ = nodeCount;
1080  numRuns_++;
1081  //howOftenShallow_ = numberSolutions_;
1082 
1083/*
1084  Load up a new solver with the solution.
1085
1086  Why continuousSolver(), as opposed to solver()?
1087*/
1088  OsiSolverInterface * newSolver = model_->continuousSolver()->clone();
1089  int numberColumns=newSolver->getNumCols();
1090  double * obj = CoinCopyOfArray(newSolver->getObjCoefficients(),numberColumns);
1091  int * indices = new int [numberColumns];
1092  int n=0;
1093  for (int i=0;i<numberColumns;i++) {
1094    if (obj[i]) {
1095      indices[n]=i;
1096      obj[n++]=obj[i];
1097    }
1098  }
1099  double cutoff=model_->getCutoff();
1100  assert (cutoff<1.0e20);
1101  if (model_->getCutoffIncrement()<1.0e-4) {
1102    cutoff -= increment_;
1103  }
1104  double offset;
1105  newSolver->getDblParam(OsiObjOffset, offset);
1106  newSolver->setDblParam(OsiObjOffset, 0.0);
1107  newSolver->addRow(n,indices,obj,-COIN_DBL_MAX,cutoff+offset);
1108  delete [] indices;
1109  memset(obj,0,numberColumns*sizeof(double));
1110  newSolver->setDblParam(OsiDualObjectiveLimit, 1.0e20);
1111  int numberIntegers = model_->numberIntegers();
1112  const int * integerVariable = model_->integerVariable();
1113  const double * solutionIn = model_->bestSolution();
1114  for (int i = 0; i < numberIntegers; i++) {
1115    int iColumn = integerVariable[i];
1116    if (fabs(solutionIn[iColumn])<1.0e-5) 
1117      obj[iColumn]=1.0;
1118    else if (fabs(solutionIn[iColumn]-1.0)<1.0e-5) 
1119      obj[iColumn]=-1.0;
1120  }
1121  newSolver->setObjective(obj);
1122  delete [] obj;
1123  //newSolver->writeMps("xxxx");
1124  int maxSolutions = model_->getMaximumSolutions();
1125  model_->setMaximumSolutions(1); 
1126  bool pumpAdded = false;
1127  if (feasibilityPumpOptions_ == -3 && feasibilityPump_) {
1128    // add back feasibility pump
1129    pumpAdded = true;
1130    for (int i = 0; i < model_->numberHeuristics(); i++) {
1131      const CbcHeuristicFPump* pump =
1132        dynamic_cast<const CbcHeuristicFPump*>(model_->heuristic(i));
1133      if (pump) {
1134        pumpAdded = false;
1135        break;
1136      }
1137    }
1138    if (pumpAdded) 
1139      model_->addHeuristic(feasibilityPump_);
1140  }
1141  int returnCode = 
1142    smallBranchAndBound(newSolver, numberNodes_, betterSolution, solutionValue,
1143                        1.0e20, "CbcHeuristicProximity");
1144  if (pumpAdded) {
1145    // take off feasibility pump
1146    int lastHeuristic = model_->numberHeuristics()-1;
1147    model_->setNumberHeuristics(lastHeuristic);
1148    delete model_->heuristic(lastHeuristic);
1149  }
1150  model_->setMaximumSolutions(maxSolutions); 
1151 /*
1152  -2 is return due to user event, and -1 is overloaded with what look to be
1153  two contradictory meanings.
1154*/
1155  if (returnCode < 0) {
1156    returnCode = 0; 
1157  }
1158/*
1159  If the result is complete exploration with a solution (3) or proven
1160  infeasibility (2), we could generate a cut (the AI folks would call it a
1161  nogood) to prevent us from going down this route in the future.
1162*/
1163  if ((returnCode&2) != 0) {
1164    // could add cut
1165    returnCode &= ~2;
1166  }
1167  char proxPrint[200];
1168  if ((returnCode&1) != 0) {
1169    // redo objective
1170    const double * obj = model_->continuousSolver()->getObjCoefficients();
1171    solutionValue = - offset;
1172    int sumIncrease=0.0;
1173    int sumDecrease=0.0;
1174    int numberIncrease=0;
1175    int numberDecrease=0;
1176    for (int i=0;i<numberColumns;i++) {
1177      solutionValue += obj[i]*betterSolution[i];
1178      if (model_->isInteger(i)) {
1179        int change=static_cast<int>(floor(solutionIn[i]-betterSolution[i]+0.5));
1180        if (change>0) {
1181          numberIncrease++;
1182          sumIncrease+=change;
1183        } else if (change<0) {
1184          numberDecrease++;
1185          sumDecrease-=change;
1186        }
1187      }
1188    }
1189    sprintf(proxPrint,"Proximity search ran %d nodes (out of %d) - in new solution %d increased (%d), %d decreased (%d)",
1190            numberNodesDone_,numberNodes_,
1191            numberIncrease,sumIncrease,numberDecrease,sumDecrease);
1192    if (!numberIncrease&&!numberDecrease) {
1193      // somehow tolerances are such that we can slip through
1194      // change for next time
1195      increment_ += CoinMax(increment_,fabs(solutionValue+offset)*1.0e-10);
1196    }
1197  } else {
1198    sprintf(proxPrint,"Proximity search ran %d nodes - no new solution",
1199            numberNodesDone_);
1200  }
1201  model_->messageHandler()->message(CBC_FPUMP1, model_->messages())
1202    << proxPrint
1203    << CoinMessageEol;
1204 
1205  delete newSolver;
1206  return returnCode;
1207}
1208// update model
1209void CbcHeuristicProximity::setModel(CbcModel * model)
1210{
1211    model_ = model;
1212    // Get a copy of original matrix
1213    assert(model_->solver());
1214    delete [] used_;
1215    int numberColumns = model->solver()->getNumCols();
1216    used_ = new int[numberColumns];
1217    memset(used_, 0, numberColumns*sizeof(int));
1218}
1219
1220// Default Constructor
1221CbcHeuristicNaive::CbcHeuristicNaive()
1222        : CbcHeuristic()
1223{
1224    large_ = 1.0e6;
1225}
1226
1227// Constructor with model - assumed before cuts
1228
1229CbcHeuristicNaive::CbcHeuristicNaive(CbcModel & model)
1230        : CbcHeuristic(model)
1231{
1232    large_ = 1.0e6;
1233}
1234
1235// Destructor
1236CbcHeuristicNaive::~CbcHeuristicNaive ()
1237{
1238}
1239
1240// Clone
1241CbcHeuristic *
1242CbcHeuristicNaive::clone() const
1243{
1244    return new CbcHeuristicNaive(*this);
1245}
1246// Create C++ lines to get to current state
1247void
1248CbcHeuristicNaive::generateCpp( FILE * fp)
1249{
1250    CbcHeuristicNaive other;
1251    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
1252    fprintf(fp, "3  CbcHeuristicNaive naive(*cbcModel);\n");
1253    CbcHeuristic::generateCpp(fp, "naive");
1254    if (large_ != other.large_)
1255        fprintf(fp, "3  naive.setLarge(%g);\n", large_);
1256    else
1257        fprintf(fp, "4  naive.setLarge(%g);\n", large_);
1258    fprintf(fp, "3  cbcModel->addHeuristic(&naive);\n");
1259}
1260
1261// Copy constructor
1262CbcHeuristicNaive::CbcHeuristicNaive(const CbcHeuristicNaive & rhs)
1263        :
1264        CbcHeuristic(rhs),
1265        large_(rhs.large_)
1266{
1267}
1268
1269// Assignment operator
1270CbcHeuristicNaive &
1271CbcHeuristicNaive::operator=( const CbcHeuristicNaive & rhs)
1272{
1273    if (this != &rhs) {
1274        CbcHeuristic::operator=(rhs);
1275        large_ = rhs.large_;
1276    }
1277    return *this;
1278}
1279
1280// Resets stuff if model changes
1281void
1282CbcHeuristicNaive::resetModel(CbcModel * model)
1283{
1284    CbcHeuristic::resetModel(model);
1285}
1286int
1287CbcHeuristicNaive::solution(double & solutionValue,
1288                            double * betterSolution)
1289{
1290    numCouldRun_++;
1291    // See if to do
1292    bool atRoot = model_->getNodeCount() == 0;
1293    int passNumber = model_->getCurrentPassNumber();
1294    if (!when() || (when() == 1 && model_->phase() != 1) || !atRoot || passNumber != 1)
1295        return 0; // switched off
1296    // Don't do if it was this heuristic which found solution!
1297    if (this == model_->lastHeuristic())
1298        return 0;
1299    numRuns_++;
1300    double cutoff;
1301    model_->solver()->getDblParam(OsiDualObjectiveLimit, cutoff);
1302    double direction = model_->solver()->getObjSense();
1303    cutoff *= direction;
1304    cutoff = CoinMin(cutoff, solutionValue);
1305    OsiSolverInterface * solver = model_->continuousSolver();
1306    if (!solver)
1307        solver = model_->solver();
1308    const double * colLower = solver->getColLower();
1309    const double * colUpper = solver->getColUpper();
1310    const double * objective = solver->getObjCoefficients();
1311
1312    int numberColumns = model_->getNumCols();
1313    int numberIntegers = model_->numberIntegers();
1314    const int * integerVariable = model_->integerVariable();
1315
1316    int i;
1317    bool solutionFound = false;
1318    CoinWarmStartBasis saveBasis;
1319    CoinWarmStartBasis * basis =
1320        dynamic_cast<CoinWarmStartBasis *>(solver->getWarmStart()) ;
1321    if (basis) {
1322        saveBasis = * basis;
1323        delete basis;
1324    }
1325    // First just fix all integers as close to zero as possible
1326    OsiSolverInterface * newSolver = cloneBut(7); // wassolver->clone();
1327    for (i = 0; i < numberIntegers; i++) {
1328        int iColumn = integerVariable[i];
1329        double lower = colLower[iColumn];
1330        double upper = colUpper[iColumn];
1331        double value;
1332        if (lower > 0.0)
1333            value = lower;
1334        else if (upper < 0.0)
1335            value = upper;
1336        else
1337            value = 0.0;
1338        newSolver->setColLower(iColumn, value);
1339        newSolver->setColUpper(iColumn, value);
1340    }
1341    newSolver->initialSolve();
1342    if (newSolver->isProvenOptimal()) {
1343        double solValue = newSolver->getObjValue() * direction ;
1344        if (solValue < cutoff) {
1345            // we have a solution
1346            solutionFound = true;
1347            solutionValue = solValue;
1348            memcpy(betterSolution, newSolver->getColSolution(),
1349                   numberColumns*sizeof(double));
1350            COIN_DETAIL_PRINT(printf("Naive fixing close to zero gave solution of %g\n", solutionValue));
1351            cutoff = solValue - model_->getCutoffIncrement();
1352        }
1353    }
1354    // Now fix all integers as close to zero if not zero or large cost
1355    int nFix = 0;
1356    for (i = 0; i < numberIntegers; i++) {
1357        int iColumn = integerVariable[i];
1358        double lower = colLower[iColumn];
1359        double upper = colUpper[iColumn];
1360        double value;
1361        if (fabs(objective[i]) > 0.0 && fabs(objective[i]) < large_) {
1362            nFix++;
1363            if (lower > 0.0)
1364                value = lower;
1365            else if (upper < 0.0)
1366                value = upper;
1367            else
1368                value = 0.0;
1369            newSolver->setColLower(iColumn, value);
1370            newSolver->setColUpper(iColumn, value);
1371        } else {
1372            // set back to original
1373            newSolver->setColLower(iColumn, lower);
1374            newSolver->setColUpper(iColumn, upper);
1375        }
1376    }
1377    const double * solution = solver->getColSolution();
1378    if (nFix) {
1379        newSolver->setWarmStart(&saveBasis);
1380        newSolver->setColSolution(solution);
1381        newSolver->initialSolve();
1382        if (newSolver->isProvenOptimal()) {
1383            double solValue = newSolver->getObjValue() * direction ;
1384            if (solValue < cutoff) {
1385                // try branch and bound
1386                double * newSolution = new double [numberColumns];
1387                COIN_DETAIL_PRINT(printf("%d fixed after fixing costs\n", nFix));
1388                int returnCode = smallBranchAndBound(newSolver,
1389                                                     numberNodes_, newSolution,
1390                                                     solutionValue,
1391                                                     solutionValue, "CbcHeuristicNaive1");
1392                if (returnCode < 0)
1393                    returnCode = 0; // returned on size
1394                if ((returnCode&2) != 0) {
1395                    // could add cut
1396                    returnCode &= ~2;
1397                }
1398                if (returnCode == 1) {
1399                    // solution
1400                    solutionFound = true;
1401                    memcpy(betterSolution, newSolution,
1402                           numberColumns*sizeof(double));
1403                    COIN_DETAIL_PRINT(printf("Naive fixing zeros gave solution of %g\n", solutionValue));
1404                    cutoff = solutionValue - model_->getCutoffIncrement();
1405                }
1406                delete [] newSolution;
1407            }
1408        }
1409    }
1410#if 1
1411    newSolver->setObjSense(-direction); // maximize
1412    newSolver->setWarmStart(&saveBasis);
1413    newSolver->setColSolution(solution);
1414    for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
1415        double value = solution[iColumn];
1416        double lower = colLower[iColumn];
1417        double upper = colUpper[iColumn];
1418        double newLower;
1419        double newUpper;
1420        if (newSolver->isInteger(iColumn)) {
1421            newLower = CoinMax(lower, floor(value) - 2.0);
1422            newUpper = CoinMin(upper, ceil(value) + 2.0);
1423        } else {
1424            newLower = CoinMax(lower, value - 1.0e5);
1425            newUpper = CoinMin(upper, value + 1.0e-5);
1426        }
1427        newSolver->setColLower(iColumn, newLower);
1428        newSolver->setColUpper(iColumn, newUpper);
1429    }
1430    newSolver->initialSolve();
1431    if (newSolver->isProvenOptimal()) {
1432        double solValue = newSolver->getObjValue() * direction ;
1433        if (solValue < cutoff) {
1434            nFix = 0;
1435            newSolver->setObjSense(direction); // correct direction
1436            //const double * thisSolution = newSolver->getColSolution();
1437            for (int iColumn = 0; iColumn < numberColumns; iColumn++) {
1438                double value = solution[iColumn];
1439                double lower = colLower[iColumn];
1440                double upper = colUpper[iColumn];
1441                double newLower = lower;
1442                double newUpper = upper;
1443                if (newSolver->isInteger(iColumn)) {
1444                    if (value < lower + 1.0e-6) {
1445                        nFix++;
1446                        newUpper = lower;
1447                    } else if (value > upper - 1.0e-6) {
1448                        nFix++;
1449                        newLower = upper;
1450                    } else {
1451                        newLower = CoinMax(lower, floor(value) - 2.0);
1452                        newUpper = CoinMin(upper, ceil(value) + 2.0);
1453                    }
1454                }
1455                newSolver->setColLower(iColumn, newLower);
1456                newSolver->setColUpper(iColumn, newUpper);
1457            }
1458            // try branch and bound
1459            double * newSolution = new double [numberColumns];
1460            COIN_DETAIL_PRINT(printf("%d fixed after maximizing\n", nFix));
1461            int returnCode = smallBranchAndBound(newSolver,
1462                                                 numberNodes_, newSolution,
1463                                                 solutionValue,
1464                                                 solutionValue, "CbcHeuristicNaive1");
1465            if (returnCode < 0)
1466                returnCode = 0; // returned on size
1467            if ((returnCode&2) != 0) {
1468                // could add cut
1469                returnCode &= ~2;
1470            }
1471            if (returnCode == 1) {
1472                // solution
1473                solutionFound = true;
1474                memcpy(betterSolution, newSolution,
1475                       numberColumns*sizeof(double));
1476                COIN_DETAIL_PRINT(printf("Naive maximizing gave solution of %g\n", solutionValue));
1477                cutoff = solutionValue - model_->getCutoffIncrement();
1478            }
1479            delete [] newSolution;
1480        }
1481    }
1482#endif
1483    delete newSolver;
1484    return solutionFound ? 1 : 0;
1485}
1486// update model
1487void CbcHeuristicNaive::setModel(CbcModel * model)
1488{
1489    model_ = model;
1490}
1491// Default Constructor
1492CbcHeuristicCrossover::CbcHeuristicCrossover()
1493        : CbcHeuristic(),
1494        numberSolutions_(0),
1495        useNumber_(3)
1496{
1497    setWhen(1);
1498}
1499
1500// Constructor with model - assumed before cuts
1501
1502CbcHeuristicCrossover::CbcHeuristicCrossover(CbcModel & model)
1503        : CbcHeuristic(model),
1504        numberSolutions_(0),
1505        useNumber_(3)
1506{
1507    setWhen(1);
1508    for (int i = 0; i < 10; i++)
1509        random_[i] = model.randomNumberGenerator()->randomDouble();
1510}
1511
1512// Destructor
1513CbcHeuristicCrossover::~CbcHeuristicCrossover ()
1514{
1515}
1516
1517// Clone
1518CbcHeuristic *
1519CbcHeuristicCrossover::clone() const
1520{
1521    return new CbcHeuristicCrossover(*this);
1522}
1523// Create C++ lines to get to current state
1524void
1525CbcHeuristicCrossover::generateCpp( FILE * fp)
1526{
1527    CbcHeuristicCrossover other;
1528    fprintf(fp, "0#include \"CbcHeuristicProximity.hpp\"\n");
1529    fprintf(fp, "3  CbcHeuristicCrossover crossover(*cbcModel);\n");
1530    CbcHeuristic::generateCpp(fp, "crossover");
1531    if (useNumber_ != other.useNumber_)
1532        fprintf(fp, "3  crossover.setNumberSolutions(%d);\n", useNumber_);
1533    else
1534        fprintf(fp, "4  crossover.setNumberSolutions(%d);\n", useNumber_);
1535    fprintf(fp, "3  cbcModel->addHeuristic(&crossover);\n");
1536}
1537
1538// Copy constructor
1539CbcHeuristicCrossover::CbcHeuristicCrossover(const CbcHeuristicCrossover & rhs)
1540        :
1541        CbcHeuristic(rhs),
1542        attempts_(rhs.attempts_),
1543        numberSolutions_(rhs.numberSolutions_),
1544        useNumber_(rhs.useNumber_)
1545{
1546    memcpy(random_, rhs.random_, 10*sizeof(double));
1547}
1548
1549// Assignment operator
1550CbcHeuristicCrossover &
1551CbcHeuristicCrossover::operator=( const CbcHeuristicCrossover & rhs)
1552{
1553    if (this != &rhs) {
1554        CbcHeuristic::operator=(rhs);
1555        useNumber_ = rhs.useNumber_;
1556        attempts_ = rhs.attempts_;
1557        numberSolutions_ = rhs.numberSolutions_;
1558        memcpy(random_, rhs.random_, 10*sizeof(double));
1559    }
1560    return *this;
1561}
1562
1563// Resets stuff if model changes
1564void
1565CbcHeuristicCrossover::resetModel(CbcModel * model)
1566{
1567    CbcHeuristic::resetModel(model);
1568}
1569int
1570CbcHeuristicCrossover::solution(double & solutionValue,
1571                                double * betterSolution)
1572{
1573    if (when_ == 0)
1574        return 0;
1575    numCouldRun_++;
1576    bool useBest = (numberSolutions_ != model_->getSolutionCount());
1577    if (!useBest && (when_ % 10) == 1)
1578        return 0;
1579    numberSolutions_ = model_->getSolutionCount();
1580    OsiSolverInterface * continuousSolver = model_->continuousSolver();
1581    int useNumber = CoinMin(model_->numberSavedSolutions(), useNumber_);
1582    if (useNumber < 2 || !continuousSolver)
1583        return 0;
1584    // Fix later
1585    if (!useBest)
1586        abort();
1587    numRuns_++;
1588    double cutoff;
1589    model_->solver()->getDblParam(OsiDualObjectiveLimit, cutoff);
1590    double direction = model_->solver()->getObjSense();
1591    cutoff *= direction;
1592    cutoff = CoinMin(cutoff, solutionValue);
1593    OsiSolverInterface * solver = cloneBut(2);
1594    // But reset bounds
1595    solver->setColLower(continuousSolver->getColLower());
1596    solver->setColUpper(continuousSolver->getColUpper());
1597    int numberColumns = solver->getNumCols();
1598    // Fixed
1599    double * fixed = new double [numberColumns];
1600    for (int i = 0; i < numberColumns; i++)
1601        fixed[i] = -COIN_DBL_MAX;
1602    int whichSolution[10];
1603    for (int i = 0; i < useNumber; i++)
1604        whichSolution[i] = i;
1605    for (int i = 0; i < useNumber; i++) {
1606        int k = whichSolution[i];
1607        const double * solution = model_->savedSolution(k);
1608        for (int j = 0; j < numberColumns; j++) {
1609            if (solver->isInteger(j)) {
1610                if (fixed[j] == -COIN_DBL_MAX)
1611                    fixed[j] = floor(solution[j] + 0.5);
1612                else if (fabs(fixed[j] - solution[j]) > 1.0e-7)
1613                    fixed[j] = COIN_DBL_MAX;
1614            }
1615        }
1616    }
1617    const double * colLower = solver->getColLower();
1618    for (int i = 0; i < numberColumns; i++) {
1619        if (solver->isInteger(i)) {
1620            double value = fixed[i];
1621            if (value != COIN_DBL_MAX) {
1622                if (when_ < 10) {
1623                    solver->setColLower(i, value);
1624                    solver->setColUpper(i, value);
1625                } else if (value == colLower[i]) {
1626                    solver->setColUpper(i, value);
1627                }
1628            }
1629        }
1630    }
1631    int returnCode = smallBranchAndBound(solver, numberNodes_, betterSolution,
1632                                         solutionValue,
1633                                         solutionValue, "CbcHeuristicCrossover");
1634    if (returnCode < 0)
1635        returnCode = 0; // returned on size
1636    if ((returnCode&2) != 0) {
1637        // could add cut
1638        returnCode &= ~2;
1639    }
1640
1641    delete solver;
1642    return returnCode;
1643}
1644// update model
1645void CbcHeuristicCrossover::setModel(CbcModel * model)
1646{
1647    model_ = model;
1648    if (model) {
1649        for (int i = 0; i < 10; i++)
1650            random_[i] = model->randomNumberGenerator()->randomDouble();
1651    }
1652}
1653
1654
Note: See TracBrowser for help on using the repository browser.