MindOpt优化器: 浅谈版本0.x和1.x之间API的差异

本文主要是介绍MindOpt优化器: 浅谈版本0.x和1.x之间API的差异，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Mindopt 是一个优化求解器，如果它有两个主要版本——0.xx和1.x.x（最新版本1.1.1），它们代表着软件开发的两个不同阶段。版本1.0.0表示软件的一个大的里程碑，代表着软件第一个正式的“成熟”发布版本，而0.25是一个较早期的开发版本。在这篇博客中，我们将把这个最新版本与它的前身0.25版进行比较。

简介

Mindopt是一款高性能优化求解器，专为解决从简单线性规划 (LP) 到更复杂的混合整数规划 (MIP) 、非线性规划（QP、SDP）的一系列问题而设计。其强大的算法旨在有效地找到最佳解决方案，使其成为运筹学，电力能源、工业制造、交通物流和其他领域的研究人员和专业人员的首选工具。

版本0.25与1.1.1之间API的差异

功能差异：

1.1.1版本的API引入一些新的功能和参数选项，这些功能可能在0.25版本中不可用。例如，1.1.1版本增加一些高级优化算法、并行计算支持、更强大的约束处理能力等功能，这些功能可能并不在0.25版本的API中存在。例如：新增 MILP 的热启动（warm start）和SOS约束和Indicator约束，新增回调函数功能 (Callback)，输入文件增加支持.qps格式，提供了线性规划问题的 primal-dual feasible solution.改进并发优化方法 (concurrent optimization method) 的算法流程等等。

新增：callback回调功能
- 可用于获取中间结果，进行求解过程跟踪；
- 也可设置启发式决策来优化求解速度，比如：添加割平面，裁剪不会出现最优解的分支;干预 MindOpt 的分支选择策略，控制节点二分方法及遍历顺序；添加自定义可行解(比如通过某种启发式算法得到)，一个较好的可行解可以加速 MindOpt 的求解效率。

接口设计：

1.1.1版本的API对接口进行重新设计，以提高灵活性和可定制性。这导致一些方法的名称、参数数量或参数类型发生变化。例如支持定义变量的类型、定义约束时支持使用等式符号等等。例如：

添加变量和约束

示例：

1.1.1版本

38        # Add variables.
39        x = []
40        x.append(model.addVar(0.0,         10.0, 1.0, 'I', "x0"))
41        x.append(model.addVar(0.0, float('inf'), 2.0, 'I', "x1"))
42        x.append(model.addVar(0.0, float('inf'), 1.0, 'I', "x2"))
43        x.append(model.addVar(0.0, float('inf'), 1.0, 'C', "x3"))

0.25版本

41        # Add variables.
42        x = []
43        x.append(model.add_var(0.0,         10.0, 1.0, None, "x0", True))
44        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x1", True))
45        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x2", True))
46        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x3", False))

设置目标

性能差异：

由于0.25版本停止更新，而1.1.1作为正式版本会持续对算法进行优化和改进，因此其在性能方面会持续提升。这会导致一些API方法的响应时间、收敛速度等方面的差异越来越大。

一个完整的示例：

代码如下：

from mindoptpy import *
import time
import numpy as npif __name__ == "__main__":# 声明参数和集合plant = ["小麦","玉米","蔬菜","瓜果"]plant_ub = [76,88,40,96]field = ["地块1","地块2","地块3","地块4","地块5","地块6"]field_ub = [42, 56, 44, 39, 60, 59]profit_plant_field =np.array([[500 ,550 ,630 ,1000 ,800 ,700],[800 ,700 ,600 ,950 ,90 ,930],[1200 ,1040 ,980 ,860 ,880 ,780],[1000 ,960 ,840 ,650 ,600 ,700]])alt_plant = [1,1,1,1] # for矩阵相乘得到加和alt_field = [1,1,1,1,1,1] # for矩阵相乘得到加和# Step 1. Create a model and change the parameters.model = Model(name = 'LP_1_plant2')try:# Step 2. Input model.# Change to maximize problem.model.modelsense =  MDO.MAXIMIZE# Add variables.#vars = {}vars = model.addMVar((len(plant),len(field)), obj=profit_plant_field, vtype='C', name="x")# Add constraints.#cons = {}constrs1 = model.addConstr( alt_plant @ vars <= 0)constrs1.rhs =  field_ubconstrs1.lhs =  0constrs2 = model.addConstr( vars @ alt_field   <= 0)constrs2.rhs = plant_ubconstrs2.lhs =  0# Step 3. Solve the problem and populate the result.model.optimize()time.sleep(1) #for printmodel.write("model/plant2.lp") #可以输出文件，观察建模是否正确model.write("model/plant2.sol")if model.Status == MDO.OPTIMAL:print("----\n")print(f"目标函数是: {model.objval}")print("决策变量：")x = vars.Xprint(x)for p in range(len(plant)):for f in range(len(field)):if x[p,f] != 0:print("{0}在{1}的种植面积≈{2:.0f}".format(plant[p],field[f],x[p,f]))else:print("无可行解！求解结束状态是:(code {0}).".format(model.Status))except MindoptError as e:print("Received Mindopt exception.")print(" - Code          : {}".format(e.code))print(" - Reason        : {}".format(e.message))except Exception as e:print("Received other exception.")print(" - Reason        : {}".format(e))finally:# Step 4. Free the model.model.dispose()

此案例可在云上平台查看运行结果，也可对案例复制调试。