Obecné řešiče pro kombinatorické úlohy

Abstract

Tato práce představuje systém pro ucelenou práci nad problémy v kombinatorické optimalizaci, usnadňuje implementaci nových řešičů a jejich porovnávání. Tomuto oboru a výzkumným pracovníkům přispívá poskytnutím účinného prostředku k efektivnějšímu zkoumání, analýze a řešení kombinatorických problémů. Upřednostňuje jednoduchost a přístupnost, a proto nabízí genetické algoritmy a řešiče programování s omezujícími podmínkami definované pomocí pymoo, resp. optimalizátoru IBM DOCplex CP Optimizer. Systém poskytuje sadu problémů, jako je plánování projektů s omezenými zdroji (RCPSP), Job Shop nebo Packing problém. Jeho cílem není poskytovat nejmodernější řešiče, ale spíše nabídnout spolehlivý a snadno použitelný nástroj pro výzkumné pracovníky. Nástroj je založený na modulární architektuře, která umožňuje snadné rozšíření o nové datové sady, problémy nebo řešiče. Abychom demonstrovali vlastnosti a účinnost systůmu, uvádíme řadu experimentů včetně popisu uživatelského testování.

This thesis presents a practical framework for Combinatorial Optimization. It contributes to the field by providing an effective means for researchers to explore, analyze, and solve combinatorial problems more efficiently. It is designed to facilitate unified benchmark handling and simplify the integration of custom solvers and their comparison. Prioritizing simplicity and accessibility, it supports Genetic Algorithms and Constraint Programming solvers defined with pymoo and IBM's DOCplex CP Optimizer, respectively. The framework facilitates handling complex problems such as RCPSP, Job Shop Scheduling problems, and Packing problems. It is not intended to provide state-of-the-art solutions but rather to offer a reliable and easy-to-use tool for researchers. Tool is based on modular architecture that makes it easy extend it with new benchmarks, problems or solvers. To demonstrate the features and effectiveness of the framework, we provide a list of experiments, including a report on user testing.