Pular para o conteúdo

A etapa Otimizador de localização escolhe K locais de uma tabela de localizações candidatas que minimizam a distância total ou ponderada até uma tabela de pontos de demanda: um modelo de localização de instalações p-mediana, resolvido como um programa inteiro misto no solver HiGHS do PlaidCloud.

O Otimizador de localização é executado em um pod de job de fluxo de trabalho, a mesma imagem de job que o Solver usa, e grava os resultados de volta em tabelas do projeto.

A tabela de possíveis localizações de locais, mapeada com o mesmo mapeamento de colunas de origem/destino, filtros e agregação que toda entrada mapeada por tabela usa.

A tabela de pontos cuja distância até o local selecionado mais próximo é minimizada, mapeada da mesma forma.

Uma tabela pré-calculada de distâncias entre candidatos e demanda. Deixe sem definir para que a etapa calcule as distâncias por conta própria.

O número de locais a selecionar entre os Locais candidatos.

Opção Descrição
Limite de tempo Limite opcional de tempo de execução, em segundos.
Gap MIP Gap MIP relativo opcional.
Ativar presolve Permite que o solver simplifique o modelo antes de resolver. Ativado por padrão.
Usar recursos personalizados Define os núcleos de CPU e a memória do pod do job.

Uma interrupção por Limite de tempo ou Gap MIP retorna a melhor solução encontrada dentro desse limite, e não o ótimo verdadeiro, o mesmo compromisso que o Solver faz com um status não ótimo. Deixe ambos sem definir para resolver até a otimalidade completa.

O Otimizador de localização grava três tabelas de saída, que devem ter nomes distintos.

Uma linha por local escolhido.

Uma linha por ponto de demanda, indicando o local selecionado ao qual ele foi atribuído.

Uma linha com o status do solver, o valor do objetivo e detalhes da execução.

Esta etapa é um modelo de p-mediana: ela sempre minimiza a distância total (opcionalmente ponderada) dos pontos de demanda até o local selecionado mais próximo. Ela não expressa uma pontuação no estilo gravitacional, uma fórmula de pontuação personalizada nem qualquer objetivo em que uma pontuação maior é melhor que uma distância menor. Um problema de seleção de locais que precise de algum desses casos pertence a um modelo do Solver montado manualmente.

  • Solver: otimização linear e inteira mista geral, para um objetivo de seleção de locais que o modelo fixo de p-mediana desta etapa não cobre.
  • Matriz de conversão do Alteryx: a ferramenta Location Optimizer do Alteryx é convertida para esta etapa somente no caso linear de minimização de distância; um kernel gravitacional ou uma macro de pontuação personalizada ainda é recusado.