Algebraic modeling language

Algebraic modeling language adalah bahasa pemrograman komputer tingkat tinggi untuk
mendeskripsikan dan memecahkan masalah kompleksitas tinggi untuk perhitungan matematika
skala besar (mis. Masalah tipe pengoptimalan skala besar). [1] Satu keuntungan khusus dari
beberapa bahasa pemodelan aljabar seperti AIMMS, [1] AMPL, [2] GAMS, [1] MathProg, Mosel, [1]
[3] dan OPL adalah kesamaan sintaks mereka dengan notasi matematis dari masalah optimasi. Ini
memungkinkan definisi masalah yang sangat ringkas dan mudah dibaca dalam domain optimasi,
yang didukung oleh elemen bahasa tertentu seperti set, indeks, ekspresi aljabar, indeks sparse yang
kuat dan variabel penanganan data, kendala dengan nama yang berubah-ubah. Formulasi aljabar
model tidak mengandung petunjuk bagaimana memprosesnya.

AML tidak menyelesaikan masalah tersebut secara langsung; sebaliknya, ia memanggil algoritma
eksternal yang sesuai untuk mendapatkan solusi. Algoritma ini disebut solver dan dapat menangani
beberapa jenis masalah matematika seperti:

masalah linier

masalah integer (Campuran integer)

masalah kuadrat

masalah saling melengkapi campuran

program matematika dengan kendala keseimbangan

sistem nonlinear terbatas

masalah nonlinier umum

program non-linier dengan turunan terputus-putus

masalah integer nonlinear

masalah optimisasi global

masalah optimisasi stokastik

Elemen inti

Elemen inti dari AML adalah:

 juru bahasa pemodelan (AML itu sendiri)

 solver links (Tautan Pemecah)
 user interfaces (UI)
  fasilitas pertukaran data

Prinsip desain

Kebanyakan AML mengikuti prinsip-prinsip desain tertentu:

 campuran seimbang elemen deklaratif dan prosedural

 arsitektur terbuka dan antarmuka ke sistem lain
 lapisan yang berbeda dengan pemisahan:

 model and data

 model and solution methods
 model and operating system
 model and interface

Pembuatan model berbasis data

Sebagian besar bahasa pemodelan mengeksploitasi kesamaan antara model terstruktur dan
database relasional [4] dengan menyediakan lapisan akses basis data, yang memungkinkan sistem
pemodelan untuk secara langsung mengakses data dari sumber data eksternal (mis. [5] penangan
tabel ini untuk AMPL). Dengan penyempurnaan teknologi analitik yang diterapkan pada proses
bisnis, model optimisasi menjadi bagian integral dari sistem pendukung keputusan; model optimasi
dapat disusun dan berlapis untuk mewakili dan mendukung proses bisnis yang kompleks. Dalam
aplikasi seperti itu, struktur data multi-dimensi yang khas dari sistem OLAP dapat langsung dipetakan
ke model optimisasi dan operasi MDDB yang khas dapat diterjemahkan ke dalam operasi agregasi
dan disagregasi pada model yang mendasarinya [6]

Sejarah
Bahasa pemodelan aljabar menemukan akarnya dalam program penghasil matriks dan laporan-penulis
(MGRW), yang dikembangkan pada akhir tahun tujuh puluhan. Beberapa di antaranya adalah MAGEN, MGRW
(IBM), GAMMA.3, DATAFORM dan MGG / RWG. Sistem ini menyederhanakan komunikasi contoh masalah
ke algoritma solusi dan menghasilkan laporan hasil yang dapat dibaca.

Matriks-generator awal untuk LP dikembangkan sekitar tahun 1969 di Mathematisch Centrum (sekarang CWI),
Amsterdam. [7] Sintaksnya sangat dekat dengan notasi matematika biasa, menggunakan subskrip en sigmas.
Input untuk generator terdiri dari bagian terpisah untuk model dan data. Ia menemukan pengguna di universitas
dan industri. Pengguna industri utama adalah pembuat baja Hoogovens (sekarang Tata Steel) di mana ia
digunakan selama hampir 25 tahun.

Sebuah langkah besar menuju bahasa pemodelan modern ditemukan di UIMP [8], di mana struktur model
pemrograman matematika yang diambil dari kehidupan nyata dianalisis untuk pertama kalinya, untuk menyoroti
pengelompokan alami variabel dan kendala yang timbul dari model tersebut. Ini menyebabkan fitur struktur
data, yang mendukung pemodelan terstruktur; dalam paradigma ini, semua tabel input dan output, bersama
dengan variabel keputusan, didefinisikan dalam hal struktur ini, dengan cara yang sebanding dengan
penggunaan subskrip dan set. Ini mungkin fitur tunggal yang paling terkenal yang umum untuk semua AML
modern dan memungkinkan, pada waktunya, pemisahan antara struktur model dan datanya, dan korespondensi
antara entitas dalam model MP dan data dalam database relasional. Jadi, suatu model akhirnya dapat dipakai dan
dipecahkan melalui dataset yang berbeda, hanya dengan memodifikasi dataset-nya.
Korespondensi antara entitas pemodelan dan model data relasional, [4] memungkinkan untuk menghasilkan
instance model secara mulus dengan mengambil data dari database perusahaan. Fitur ini menyumbang banyak
kegunaan optimisasi dalam aplikasi kehidupan nyata, dan didukung oleh sebagian besar bahasa pemodelan yang
terkenal.