求解器用户手册

命令行调用示例：

Linux以及macOS下，假设用户根据安装文档将MindOpt安装到环境变量$MINDOPT_HOME指定目录：

mindopt $MINDOPT_HOME/examples/data/afiro.mps

Windows下

mindopt %MINDOPT_HOME%\examples\data\afiro.mps

C/C++/Java/Python语言调用示例：

# 方法1：从0.19.0版本开始引入新式的创建模型方式，云鉴权更快，消耗的并发度少
env = mindoptpy.MdoEnv()
model = mindoptpy.MdoModel(env)
model.read_prob(filename)
model.solve_prob()
model.display_results()

# 方法2：旧式的创建模型方式仍然支持
# model = mindoptpy.MdoModel()
# model.read_prob(filename)
# model.solve_prob()
# model.display_results()

//<dependency>
//    <groupId>com.alibaba.damo</groupId>
//    <artifactId>mindoptj</artifactId>
//    <version>[0.20.0,)</version>
//</dependency>
// load动态链接库，如下：
Mdo.load("c:\\mindopt\\0.20.0\\win64_x86\\lib\\mindopt_0_20_0.dll");

// 方法1：从0.19.0版本开始引入新式的创建模型方式，云鉴权更快，消耗的并发度少
//Set up environment，放在程序初始化的时候进行，例如MapReduce里的setup阶段
MdoEnv env = new MdoEnv();
//create a model
MdoModel model = env.createModel();
model.readProb(filename)
model.solveProb();
model.displayResult();
model.free();
//JAVA SDK 需要手动释放 env，放在程序结束的时候进行，例如MapReduce里的cleanup阶段
env.free();

// 方法2：旧式的创建模型方式仍然支持，但被标记为过时，将在以后的版本中移除
/*
MdoModel model = new MdoModel();
model.readProb(filename)
model.solveProb();
model.displayResult();
*/

// 方法1：从0.19.0版本开始引入新式的创建模型方式，云鉴权更快，消耗的并发度少
using mindopt::MdoEnv;
MdoEnv env;
MdoModel model(env);
model.readProb(filename);
model.solveProb();
model.displayResults();

// 方法2：旧式的创建模型方式仍然支持
/*
MdoModel model;
model.readProb(filename);
model.solveProb();
model.displayResults();
*/

// 方法1：从0.19.0版本开始引入新式的创建模型方式，云鉴权更快，消耗的并发度少
MdoEnvPtr env;
MdoMdlPtr model;
Mdo_createEnv(&env);
Mdo_createMdlWithEnv(&model, env);
Mdo_readProb(model, filename);
Mdo_solveProb(model);
Mdo_displayResults(model);
Mdo_freeMdl(&model);
// C SDK 需要手动释放 env
Mdo_freeEnv(&env);

// 方法2：旧式的创建模型方式仍然支持
/*
MdoMdlPtr model;
Mdo_createMdl(&model);
Mdo_readProb(model, filename);
Mdo_solveProb(model);
Mdo_displayResults(model);
Mdo_freeMdl(&model);
*/

完整例子的代码请查看更多。

方式1：文件输入

• 支持 MPS 格式和 LP 格式，如 .mps和.lp，以及对应文件的压缩文件如：.mps.gz和 .mps.bz2。

• 支持.dat-s格式, 如SDP问题示例。

• mindoptampl模块支持.nl格式文件输入，如在命令行中输入mindoptampl filename.nl。

更详细的介绍请查看更多。

方式2：建模APIs输入

相关联的APIs有多种，同一个数据也可以有多种输入方式。

• 按行输入Python示例简述：

  • 用 mindoptpy.MdoModel.set_int_attr() 将目标函数设置为最小化；

  • 用 mindoptpy.MdoModel.add_var() 来添加四个优化变量，并分别定义其下界、上界、名称和类型；

  • 用 mindoptpy.MdoModel.add_cons() 来添加约束。

• 按列输入Python示例简述：

  • 用 mindoptpy.MdoModel.set_int_attr() 将目标函数设置为最小化；

  • 开始时调用 mindoptpy.MdoModel.add_cons() 来创建带有指定的左侧和右侧值的约束（无非零元素）；

  • 创建临时的列对象 mindoptpy.MdoCol() 来按顺序地保存约束和非零元素的值；

  • 最后调用 mindoptpy.MdoModel.add_var() 来创建新的变量，及其相应的目标函数系数、列向量中的非零元、下界和上界、变量名以及变量类型。

更详细的介绍请查看更多。其中，模型的属性描述（Model Attributes）列表见更多。

方式3：建模工具 AMPL、Pyomo、PuLP、MindOpt APL

MindOpt支持一些常见的建模工具，当前支持以下几种：

1. AMPL

使用 AMPL 调用 MindOpt 之前需要先安装 MindOpt 和 AMPL 。mindoptampl 应用位于安装包的\bin\mindoptampl。mindoptampl 提供了一些可配置的参数，用户可以通过 AMPL 的option命令设置 mindoptampl_options 参数，如：

ampl: option mindoptampl_options 'numthreads=4 maxtime=1e+4';

更详细的介绍和案例请查看更多。

2. Pyomo

使用 Pyomo 调用 MindOpt 之前需要先安装 MindOpt 和 Pyomo。调用 MindOpt 求解器的 Pyomo API 需要使用接口文件 mindopt_pyomo.py。 MindOpt 的 Pyomo 接口是继承自 Pyomo 的 DirectSolver 类，实现代码在安装包的\lib\pyomo\mindopt_pyomo.py。在 Python 代码中导入该文件：

from mindopt_pyomo import MindoDirect

更详细的介绍和案例请查看更多。

3. PuLP

使用 PuLP 调用 MindOpt 之前需要先安装 MindOpt 和 PuLP。调用 MindOpt 求解器的 PuLP API 需要使用接口文件 mindopt_pulp.py。 MindOpt 的 PuLP 接口继承自 PuLP 的 LpSolver 类，实现代码在安装包的\lib\pulp\mindopt_pulp.py。在 Python 代码中导入该文件：

from mindopt_pulp import MINDOPT

更详细的介绍和案例请查看更多。

4. MindOpt APL

2022年开始支持MindOpt APL建模语言。

计算设备配置参考：LP求解时不同算法特性

配置机器资源时候，不同问题结构、算法选择，耗费的机器资源会有差异，请根据需要测试选择。

关于LP求解，当前我们线性规划（LP）的求解提供了Simplex（单纯形法）、IPM（Interior Point Method，内点法）、Concurrent（并发优化）算法。在求解时候，执行流程如下文的“执行流程”图片所示，会默认选Concurrent，您可以通过设置“Method”参数来选择算法。

这3种算法的区别如下：

命令行运行

命令行运行求解时，会打印输出求解过程输出和结果的summary，同时会在求解的文件处生成同名结果文档.bas和.sol。

如下图示意运行mindopt afiro.mps后，文件夹中生成了afiro.bas和afiro.sol文件，.bas文件保存的是基，.sol文件保存的是求解的最优目标值和变量值的解。

API求解和获取结果

待求解的问题输入后，可以调用solveProb的API来求解，如python的求解指令model.solve_prob()。

求解完后，可以调用API来获取结果，以Python为例：

• 可以调用model.display_results()来打印输出。

• 可以调用model.get_status()获取求解的状态。

• 可以调用model.get_real_attr("PrimalObjVal")来获取原始目标值，类似地：

  • "DualObjVal"对应：对偶目标值

  • "PrimalSoln"对应：原始解

  • "ColBasis"对应：原始解的基

  • 更多解的属性描述（Solution Attributes）列表见更多

完整的代码示例可参考安装包的example文件夹，或文档更多。

约束不可行性分析

在建模求解过程中，会遇到由于某些约束互相冲突导致问题不可行（infeasible）的情况，分析不可行问题并识别出导致约束冲突的关键约束能有效帮助建模。这类导致问题不可行的最小约束子集被称为不可约不可行系统 (IIS, irreduciable infeasible system)。

MindOpt 设计了用来计算IIS的API，当问题"INFEASIBLE"时，用户可以通过 compute IIS 的API来对不可行问题进行分析，如可依据此对IIS中的约束进行修正或移除，使得优化问题变得可行。

IIS的Python接口调用示例如下：

status_code, status_msg = model.get_status()
if status_msg == "INFEASIBLE":
    idx_rows, idx_cols = model.compute_iis()

完整的 compute IIS 的说明请参阅更多。

MindOpt的执行流程：

以下是线性规划LP问题的调用示例，在求解其他优化问题的时候，选择特定算法的地方会自动选择对应方法。