operations_research/pyproject.toml

# Paketbeschreibung fuer die Beispielprogramme des Buchs
# "Optimierte Entscheidungsfindung mit Python".
#
# Zweck: schlanke, gezielt zusammengestellte Umgebungen. Wer nur die ersten
# Kapitel durcharbeitet, braucht weder yfinance noch FastAPI.
#
#   pip install -e .                  # Grundausstattung, traegt den Grossteil des Buchs
#   pip install -e ".[finance]"       # Teil "Anwendungen": Markowitz, CVaR, Handelsmaschine
#   pip install -e ".[large-scale]"   # HiGHS, Pyomo, linopy, polars
#   pip install -e ".[api]"           # Kapitel "Testen, Messen, Ausliefern"
#   pip install -e ".[figures]"       # nur zum Neuerzeugen der Diagramme
#   pip install -e ".[dev]"           # Tests
#   pip install -e ".[alles]"         # alles zusammen - siehe Warnung unten
#
# ACHTUNG, Solverkonflikt: ortools und highspy bringen jeweils eine eigene
# HiGHS-Kopie mit und lassen sich nicht im selben Prozess importieren. ortools
# steht deshalb in der Grundausstattung, highspy erst in [large-scale] - wer nur
# "pip install -e ." nutzt, kann in den Konflikt gar nicht geraten. cvxpy zieht
# ein installiertes highspy bei der Solver-Erkennung selbst mit hinein, [finance]
# loest ihn also indirekt ebenfalls aus. Die Programme des Buchs umgehen das
# durch getrennte Prozesse (Muster: Ein_System_Vier_Ansaetze.py); ausfuehrlich
# steht es im Kapitel "Das Python-Oekosystem fuer OR".
#
# Die Datei ergaenzt
# Operations_Research_mit_Python_Version_04_Programme/requirements.txt und
# ersetzt sie nicht: Jene ist im Buch abgedruckt und installiert bewusst alles
# auf einen Schlag.

[build-system]
requires = ["setuptools>=68"]
build-backend = "setuptools.build_meta"

[project]
name = "or-mit-python"
version = "4.0.0"
description = "Beispielprogramme zum Buch 'Optimierte Entscheidungsfindung mit Python'"
readme = "README.md"
requires-python = ">=3.10"
authors = [{ name = "Dieter Schlüter", email = "dieter.schlueter@linix.de" }]
keywords = ["operations-research", "optimierung", "linear-programming",
            "constraint-programming", "milp", "lehrbuch"]

# Grundausstattung: traegt die Kapitel bis einschliesslich Graphen und Touren.
# scipy liefert linprog/milp, ortools den CP-SAT-Solver und pywraplp.
dependencies = [
    "numpy>=2.5.2",
    "scipy>=1.17.1",
    "pandas>=3.0.1",
    "matplotlib>=3.10.8",
    "openpyxl>=3.1.5",   # kein direkter Import: Excel-Motor hinter pandas
    "pydantic>=2.12",
    "ortools>=9.15.6755",
    # cvxpy gehoert in die Grundausstattung, nicht in [finance]: Es wird von
    # 13 Programmen gebraucht, darunter dreien im Kapitel Unsicherheit, lange
    # vor dem Finanzteil. Es zieht KEIN highspy nach - der Solverkonflikt
    # entsteht erst mit [large-scale].
    "cvxpy>=1.9.2",
]

[project.optional-dependencies]
# Teil "Anwendungen - Energiewirtschaft und Finanzmaerkte"
finance = [
    "scikit-learn>=1.8.0",
    "yfinance>=1.2.0",
]

# Groessere Modelle, alternative Solver und Modellierungsschichten
large-scale = [
    "highspy>=1.15.1",
    "Pyomo>=6.7",
    "linopy>=0.3",
    "polars>=1.0",
]

# Kapitel "Testen, Messen, Ausliefern": der Optimierungsdienst
api = [
    "fastapi>=0.115",
    "uvicorn>=0.30",
    "httpx>=0.27",       # Selbsttest des Dienstes ueber den TestClient
]

# Nur zum Neuerzeugen der Diagramme in bilder_04/ - fuer das Lesen und
# Ausfuehren des Buchs nicht noetig. graphviz braucht zusaetzlich das
# Kommandozeilenwerkzeug 'dot' aus dem Betriebssystempaket.
figures = [
    "plotly>=6.0",
    "graphviz>=0.20",
]

dev = [
    "pytest>=8.0",
]

# pymoo wird im Buch als Bibliothek fuer genetische Algorithmen empfohlen
# (Kapitel Metaheuristiken), aber von keinem Beispielprogramm importiert.
# Deshalb steht es hier eigenstaendig und nicht in der Grundausstattung.
empfehlungen = [
    "pymoo>=0.6",
]

alles = [
    "or-mit-python[finance,large-scale,api,figures,dev,empfehlungen]",
]

[tool.setuptools]
# Die Beispielprogramme sind ein erzeugtes Artefakt (extract_programme_04.py)
# und kein installierbares Paket - hier wird nur der Abhaengigkeitsbaum
# beschrieben.
packages = []