线性决策规则和广义决策规则的python包
pyldr的Python项目详细描述
用法：用户需要向sim提供类algs和模拟器。ALGS应该继承自ALGS。在下面的例子中，我们将分段线性（algs）和sim-resolve-first（simulator）提供给sim。sim.update（）将求解模型，sim.avg（n）返回模拟结果。
示例：
从SIM卡导入*
从sim_resolve_first import*
从分段线性导入*
case=sim_resolve_first（）
algs=分段线性（
sim=sim（大小写，algs）
sim.update（）
#sim.train_mab（）
打印模拟平均值（1000）
ALG和模拟器的结构：
SIM卡：
模拟器的唯一要求是有一个sim（）函数来返回一个实现。如果有任何参数，则应在set_para（）中实现。例如sim_resolve_first.py和sim_alp.py。
警报：
您应该提供的接口包括lift_value（）、relation（）、strategy（）和update（）。此外，还应该在类中描述提升方法。
分段线性示例：
对于范围内的t（self.t）：
for j in range(self.J):
for k in range(self.div_num):
self.div_axis[t,j,k] = self.low_bound[t,j] + (self.up_bound[t,j]-self.low_bound[t,j])/float(self.div_num - 1) * k
self.xi[t,j,k] = self.script.add_var(0,self.div_axis[t,j,k])
对于范围内的t（self.t）：
for j in range(self.J):
left = {}
for k in range(self.div_num):
left[self.xi[t,j,k]] = 1右={}
右[自身常数]=1
self.script.add_lin_eq（左，右）
对于范围内的k（self.div_num）：
self.script.add_lin_greater({self.xi[t,j,k]:1},{self.constant:0})对于范围内的t（self.t）：
for j in range(self.J):
left = {self.xi[t,j]:1}
right = {}
for k in range(self.div_num):
right[self.xi[t,j,k]] = self.div_axis[t,j,k]self.script.add_lin_eq（左，右）
提升值（数据）：
返回实现的提升值。
关系（）：
为项目设置依赖性self.p。例如，如果决策x（t，j）依赖于提升向量的前三个元素，那么self.p[t，j]={1,2,3}
策略（t，历史，x）：
具有历史和优化决策变量x的阶段t的回报策略。
update（）：
更新提升方法。
分段线性py和三线性py是algs的例子。
欢迎加入QQ群-->： 979659372
