当前位置：首页>python>第三篇:NVIDIA cuOpt Python API 详解:LP、QP、MILP 建模与求解,附核心术语名词解释

第三篇:NVIDIA cuOpt Python API 详解:LP、QP、MILP 建模与求解,附核心术语名词解释

2026-03-27 23:24:44

在上一篇中，我们掌握了 OR-Tools 和 coptpy 两大求解器的实战技巧。本篇将聚焦于 NVIDIA cuOpt，一个 GPU 加速的优化库，详细讲解其 LP、QP、MILP 建模与求解的 Python API，并结合核心术语解释，帮助您在大规模优化问题中充分利用 GPU 的并行计算能力。

第一部分：cuOpt 概述与快速开始

1.1 什么是 NVIDIA cuOpt？

NVIDIA cuOpt™ 是一个 GPU 加速的优化库，专注于解决大规模优化问题。其核心能力包括：

线性规划 (LP)
—— 支持 PDLP、内点法、对偶单纯形等多种求解器
二次规划 (QP)
—— 支持凸二次规划
混合整数线性规划 (MILP)
—— 采用 GPU/CPU 混合求解策略
路径优化 (Routing)
—— 支持 TSP、VRP、PDP 等车辆路径问题

1.2 安装与验证

使用 pip 安装（推荐）

# CUDA 12pip install --extra-index-url=https://pypi.nvidia.com 'cuopt-cu12==26.2.*'

使用 Docker（Windows 仅支持此方式）

docker pull nvidia/cuopt:latest-cuda12.9-py3.13docker run --gpus all -it nvidia/cuopt:latest-cuda12.9-py3.13 /bin/bash  # --rm

验证安装

import cudffrom cuopt import routingprint("cuOpt installed successfully")

第二部分：核心概念与 API 详解（含术语解释）

2.1 核心类：`Problem`

Problem 是建模的核心类，用于定义变量、约束、目标函数并执行求解。

from cuopt.linear_programming.problem import Problemproblem = Problem("my_model")

常用方法

方法/属性	说明
`addVariable(lb, ub, obj, vtype, name)`	添加变量，返回 `Variable` 对象
`addConstraint(expr, name)`	添加约束，`expr` 可以是变量与系数的线性组合
`setObjective(expr, sense)`	设置目标函数，`sense` 为 `MINIMIZE` 或 `MAXIMIZE`
`solve(settings)`	求解模型
`update()`	在修改变量/约束后更新模型
`readMPS(file)` / `writeMPS(file)`	从/向 MPS 文件读写问题
`NumVariables` / `NumConstraints`	变量/约束数量（属性）
`Status`	求解状态枚举
`ObjValue`	求解得到的目标函数值（属性）

求解状态 (`Status`)

状态	含义
`Optimal`	找到最优解
`FeasibleFound`	找到可行解（可能非最优）
`Infeasible`	问题无可行解
`Unbounded`	目标函数无界
`TimeLimit`	达到时间限制时停止

用法示例：

if problem.Status.name =="Optimal":print("最优解")elif problem.Status == cuopt.Status.FeasibleFound:print("可行解")

2.2 变量：`Variable`

变量通过 addVariable 创建：

x = problem.addVariable(lb=0, ub=10, vtype=INTEGER, name="x")x.setLowerBound(1)x.setUpperBound(5)x.setObjectiveCoefficient(3)x.getValue()# 求解后的值x.getIndex()# 变量索引

2.3 约束：`Constraint`

约束通过表达式与关系运算符定义：

problem.addConstraint(x +2*y <=10, name="c1")problem.addConstraint(x - y >=0, name="c2")problem.addConstraint(x + y ==5, name="c3")

约束对象可获取系数、对偶值、松弛量：

c = problem.getConstraint("c1")c.getCoefficient(x)# 获取 x 的系数c.DualValue           # 对偶值c.Slack               # 松弛量

2.4 表达式

线性表达式

支持变量与系数的线性组合：

expr =2*x +3*y - z +5

二次表达式

支持两种构造方式：

方式一：使用 QuadraticExpression 与矩阵

from cuopt.linear_programming.problem import QuadraticExpressionmatrix =[[1.0,0.0],[0.0,2.0]]vars=[x, y]quad = QuadraticExpression(qmatrix=matrix, qvars=vars)

方式二：直接通过变量相乘

quad_expr = x*x +2*x*y + y*y

2.5 求解器设置：`SolverSettings`

用于配置求解器参数：

from cuopt.linear_programming.solver_settings import SolverSettingssettings = SolverSettings()settings.set_parameter("time_limit",60)# 秒settings.set_optimality_tolerance(1e-6)

可配置参数列表

SolverSettings 支持丰富的参数，用于控制求解器的行为。以下按类别列出常用参数及其说明。

通用参数（LP 与 MILP 均适用）

参数名	类型	说明	默认值
`time_limit`	`int/float`	求解时间限制（秒）	无限制
`num_cpu_threads`	`int`	CPU 线程数，`0` 表示自动检测	`0`
`log_to_console`	`bool`	是否将求解日志输出到控制台	`True`
`log_file`	`str`	日志文件路径，空字符串表示不写入	`""`
`solution_file`	`str`	最优解（可行解）的输出文件路径	`""`
`presolve`	`int`	预求解策略：`0` 禁用，`1` 使用 Papilo，`2` 使用 PSLP	MIP: `1`, LP: `2`

MILP 专用参数

参数名	类型	说明	默认值
`heuristics_only`	`bool`	仅使用 GPU 启发式算法寻找可行解（不进行分支定界）	`False`
`mip_scaling`	`bool`	是否对 MIP 模型进行数值缩放	`True`
`mip_absolute_gap`	`float`	绝对 MIP 间隙，当 `	目标值 - 下界
`mip_relative_gap`	`float`	相对 MIP 间隙，当 `	目标值 - 下界
`integrality_tolerance`	`float`	整数变量的容差，小于该值的分数部分视为整数	`1e-5`

LP 专用参数

参数名	类型	说明	默认值
`method`	`int`	求解方法：`0` 并发执行所有可用方法，`1` PDLP，`2` 对偶单纯形	`0`
`pdlp_solver_mode`	`int`	PDLP 求解模式：`0` Stable1，`1` Stable2，`2` Methodical1，`3` Fast1	`1`
`iteration_limit`	`int`	PDLP 最大迭代次数	无限制
`crossover`	`bool`	是否将 PDLP 的原始-对偶解交叉为基本可行解（提高精度）	`False`
`infeasibility_detection`	`bool`	是否启用 PDLP 的不可行性检测（增加开销但能更快识别无解）	`False`
`strict_infeasibility`	`bool`	是否使用严格不可行性检测（更严格但更慢）	`False`
`save_best_primal_solution`	`bool`	是否保存 PDLP 过程中找到的最佳原始解	`False`
`first_primal_feasible`	`bool`	是否在找到第一个原始可行解后立即停止	`False`

精度容差参数

参数名	类型	说明	默认值
`absolute_primal_tolerance`	`float`	原始可行性的绝对容差	`1e-4`
`relative_primal_tolerance`	`float`	原始可行性的相对容差	`1e-4`
`absolute_dual_tolerance`	`float`	对偶可行性的绝对容差	`1e-4`
`relative_dual_tolerance`	`float`	对偶可行性的相对容差	`1e-4`
`absolute_gap_tolerance`	`float`	对偶间隙的绝对容差	`1e-4`
`relative_gap_tolerance`	`float`	对偶间隙的相对容差	`1e-4`

参数设置示例

from cuopt.linear_programming.solver_settings import SolverSettingssettings = SolverSettings()# 通用设置settings.set_parameter("time_limit",300)# 5 分钟settings.set_parameter("num_cpu_threads",8)# 使用 8 个 CPU 线程settings.set_parameter("log_file","solve.log")# MILP 特定设置settings.set_parameter("mip_relative_gap",1e-3)# 相对间隙 0.1%settings.set_parameter("heuristics_only",False)# 允许分支定界# LP 特定设置settings.set_parameter("method",1)# 使用 PDLPsettings.set_parameter("pdlp_solver_mode",3)# Fast1 模式settings.set_parameter("iteration_limit",50000)# 精度调整（提高数值稳定性）settings.set_parameter("absolute_primal_tolerance",1e-6)settings.set_parameter("relative_dual_tolerance",1e-6)

2.6 优化领域核心术语详解

2.6.1 线性规划 (LP)

术语	解释
线性规划 (LP)	目标函数和约束条件均为线性的优化问题。标准形式：`min c^T x` s.t. `Ax = b`, `x >= 0`。
可行域	所有满足约束条件的点构成的集合。在 LP 中，可行域是多面体（凸集）。
顶点 / 基本可行解	可行域的极点，对应于系数矩阵中线性无关列构成的基所确定的解。单纯形法通过遍历顶点寻找最优解。
单纯形法	一种经典的 LP 算法，通过从一个顶点移动到相邻的改善顶点来找到最优解。在实践中非常高效，但理论上是指数时间复杂度。
对偶	每个 LP 问题（原始问题）都对应一个对偶问题。原始问题的约束变成对偶问题的变量，反之亦然。强对偶定理指出，若原始问题有最优解，则对偶也有最优解且目标值相等。
内点法	一种在可行域内部迭代的算法，通过牛顿法等逐步逼近最优解。对大规模问题通常比单纯形法更快。cuOpt 支持的内点法（Barrier）通过 GPU 加速求解线性方程组。
松弛	将约束放松（例如去掉整数约束）得到的更容易求解的问题。LP 松弛是 MILP 常用的下界计算手段。
灵敏度分析	研究模型参数（系数、右端项）变化对最优解和最优值的影响。
退化	当存在多个线性相关的约束通过同一顶点时，出现退化现象，可能导致单纯形法循环或收敛变慢。
对偶变量 / 影子价格	对偶问题的最优解，表示约束右端项单位变化对目标值的影响。在 cuOpt 中可通过 `Constraint.DualValue` 获取。
基本解	单纯形法中的基础解，对应一组基变量。
人工变量	用于处理等式约束或不等式约束的两阶段法引入的辅助变量，用于构造初始基可行解。

2.6.2 二次规划 (QP)

术语	解释
二次规划 (QP)	目标函数是二次函数（`1/2 x^T Q x + c^T x`），约束为线性。如果 Q 是半正定矩阵，则为凸 QP，可全局求解；否则为非凸 QP，求解困难。
凸二次规划	目标函数的 Hessian 矩阵 Q 半正定，此时问题是凸优化问题，局部最优即为全局最优。
KKT 条件	Karush–Kuhn–Tucker 条件，非线性规划的最优性必要条件。对于凸 QP，也是充分条件。
积极集法	一种求解 QP 的算法，通过猜测哪些约束在最优解处“活跃”（取等号），逐步调整集合，最终满足 KKT 条件。
内点法 (QP)	推广了 LP 的内点法，通过求解一系列线性化系统来逼近最优解。
半定规划 (SDP)	QP 的一种推广，变量为对称矩阵，约束涉及半正定条件。
矩阵分解	求解 QP 时常用 LDLT 分解或 Cholesky 分解来处理二次项矩阵，cuOpt 利用 cuDSS 加速这些分解。

2.6.3 混合整数线性规划 (MILP)

术语	解释
混合整数线性规划 (MILP)	线性约束下，部分变量为整数。通常表示为 `min c^T x + d^T y` s.t. `Ax + By <= b`, `x` 连续，`y` 整数。
整数规划 (IP)	所有变量均为整数。
分支定界	求解 MILP 的经典算法。通过递归地分支（对整数变量取值进行划分）并计算每个子问题的下界（通过松弛）来剪枝，最终找到最优解或证明最优性。
分支切割	在分支定界的基础上，动态加入割平面（切割不等式）以收紧松弛，加速收敛。
割平面	从当前松弛解推导出的有效不等式，能够割掉非整数解而不割掉任何整数可行解。
启发式	用于快速寻找高质量可行解的方法。cuOpt 的 MILP 求解器在 GPU 上运行多种启发式（如局部搜索、可行性泵）。
MIP Gap	当前最好可行解（上界）与对偶界（下界）之间的相对或绝对差距。当 gap 小于设定阈值时，可认为已找到足够好的解。
松弛	去掉整数约束后的 LP 问题，用于计算下界。
原始启发式	在求解过程中尝试构造可行解的方法，例如松弛解取整、基于约束的局部搜索等。
预处理 / 预求解	在求解前简化问题，如删除冗余约束、固定变量、系数简化等。cuOpt 支持 Papilo 和 PSLP 预求解器。
对偶界	通过求解松弛或割平面获得的下界。对于最小化问题，所有可行解的目标值都大于等于对偶界。
整数可行解	满足所有整数约束的解。
节点	分支定界树中的一个子问题。
热启动 (Warm Start)	将之前求解得到的解作为初始解传递给求解器，有助于加速相似问题的求解。cuOpt 的 PDLP 支持热启动。

2.6.4 cuOpt 特有术语

术语	解释
PDLP (Primal-Dual hybrid gradient for LP)	一种一阶方法，专为大规模 LP 设计。通过 GPU 高效执行稀疏矩阵-向量乘法，实现快速迭代。不需要求解线性方程组，因此内存占用低，适合超大规模问题。cuOpt 的 PDLP 支持热启动和不可行性检测。
交叉 (Crossover)	PDLP 等一阶方法得到的解通常不是顶点解（基本可行解）。开启交叉后，求解器会在最优解附近进行一次转换，得到一个更符合单纯形法定义的顶点解，便于后续敏感度分析或热启动。
热启动 (Warm Start)	将之前求解得到的解（如 PDLP 的迭代结果）作为初始点传递给求解器，可以加速相似问题的求解。cuOpt 的 PDLP 支持热启动，适合参数连续变化的问题序列。
GPU 启发式	cuOpt 在 GPU 上并行执行的多种启发式算法，用于快速找到 MILP 的可行解（上界）。这些启发式包括取整、可行性泵、RINS 等，在分支定界之前或节点中运行，显著提升找可行解的速度。
混合求解 (Hybrid CPU/GPU)	cuOpt 的 MILP 求解策略：GPU 负责并行启发式和部分 LP 求解（如 PDLP），CPU 负责分支定界主循环和对偶单纯形等。这种分工利用了 GPU 的吞吐量优势和 CPU 的控制逻辑优势。

第三部分：示例详解

3.1 线性规划 (LP)

问题：

Maximize: x + ySubject to:    x + y <= 10    x - y >= 0    x, y >= 0

代码：

from cuopt.linear_programming.problem import Problem, MAXIMIZE, CONTINUOUSproblem = Problem("Simple LP")x = problem.addVariable(lb=0, vtype=CONTINUOUS, name="x")y = problem.addVariable(lb=0, vtype=CONTINUOUS, name="y")problem.addConstraint(x + y <=10)problem.addConstraint(x - y >=0)problem.setObjective(x + y, sense=MAXIMIZE)problem.solve()print(f"x = {x.getValue()}, y = {y.getValue()}, obj = {problem.ObjValue}")

输出：

x = 10.0, y = 0.0, obj = 10.0

3.2 二次规划 (QP)

问题：

Minimize: x^2 + y^2Subject to:    x + y >= 1    0.75*x + y <= 1    x, y >= 0

代码：

from cuopt.linear_programming.problem import Problem, MINIMIZEproblem = Problem("Simple QP")x = problem.addVariable(lb=0)y = problem.addVariable(lb=0)problem.addConstraint(x + y >=1)problem.addConstraint(0.75*x + y <=1)problem.setObjective(x*x + y*y, sense=MINIMIZE)problem.solve()print(f"x = {x.getValue()}, y = {y.getValue()}, obj = {problem.ObjValue}")

输出：

x = 0.5, y = 0.5, obj = 0.5

3.3 混合整数线性规划 (MILP)

问题：

Maximize: 5*x + 3*ySubject to:    2*x + 4*y >= 230    3*x + 2*y <= 190    x, y integer

代码：

from cuopt.linear_programming.problem import Problem, INTEGER, MAXIMIZEproblem = Problem("Simple MILP")x = problem.addVariable(vtype=INTEGER, name="x")y = problem.addVariable(lb=10, ub=50, vtype=INTEGER, name="y")problem.addConstraint(2*x +4*y >=230)problem.addConstraint(3*x +2*y <=190)problem.setObjective(5*x +3*y, sense=MAXIMIZE)problem.solve()print(f"x = {x.getValue()}, y = {y.getValue()}, obj = {problem.ObjValue}")

输出：

x = 36.0, y = 41.0, obj = 303.0

第四部分：高级功能

4.1 MIP 回调：获取中间解

from cuopt.linear_programming.internals import GetSolutionCallbackclassMyCallback(GetSolutionCallback):defget_solution(self, solution, cost, bound, user_data):print(f"当前可行解目标值: {cost[0]:.2f}")settings.set_mip_callback(MyCallback(), user_data)

4.2 PDLP 热启动

适用于 LP，可加速相似问题的求解：

warm_data = problem.getWarmstartData()settings.set_pdlp_warm_start_data(warm_data)new_problem.solve(settings)

第五部分：VSCode 调试配置（Dev Containers 环境）

在容器内开发时，推荐使用 Dev Containers 扩展，并正确配置调试。

5.1 确认环境

已安装 Docker、Dev Containers、Python 扩展
已通过 Dev Containers 连接到 cuOpt 容器
在容器内打开项目文件夹（如 /workspace）

5.2 创建 `launch.json`

在项目根目录创建 .vscode/launch.json：

{"version":"0.2.0","configurations":[{"name":"Python: 当前文件","type":"debugpy","request":"launch","program":"${file}","console":"integratedTerminal","cwd":"${workspaceFolder}","env":{"PYTHONPATH":"${workspaceFolder}"}}]}

5.3 启动调试

设置断点
选择配置（如 “Python: 当前文件”）
按 F5 启动调试

5.4 常见问题

问题	解决方法
断点灰色	确认 Python 扩展安装在容器内，且文件路径正确
调试启动立即退出	检查 cuOpt 是否已安装（`pip list
无法导入 cuOpt	在 `devcontainer.json` 中通过 `postCreateCommand` 预装依赖

第六部分：求解日志详解

当您调用 problem.solve() 后，cuOpt 会在控制台输出详细的求解日志。以下基于一个实际 MILP 问题的日志进行逐段解析，说明每个部分的含义。

6.1 求解启动与环境信息

求解开始: 2026-03-25 06:01:14Setting parameter time_limit to 3.600000e+03Setting parameter mip_absolute_gap to 2.590000e+02cuOpt version: 26.2.0, git hash: f73da24d, host arch: x86_64, device archs: 70-real,75-real,80-real,86-real,90a-real,100f-real,120a-real,120CPU: Intel(R) Core(TM) i7-14650HX, threads (physical/logical): 12/24, RAM: 9.07 GiBCUDA 12.9, device: NVIDIA GeForce RTX 5090 Laptop GPU (ID 0), VRAM: 7.96 GiBCUDA device UUID: 65ffffffb0fffffff9fffffff7-ffffffa27

参数设置
：日志首先输出用户通过 SolverSettings 设定的参数，如 time_limit（秒）、mip_absolute_gap（绝对 MIP 间隙）。
cuOpt 版本
：显示版本号和 Git 哈希，有助于复现或报告问题。
硬件信息
：CPU 物理/逻辑核心数、内存大小；CUDA 版本、GPU 型号、显存容量、设备 UUID。

6.2 问题规模与数值特征

Solving a problem with 34023 constraints, 19013 variables (19013 integers), and 101064 nonzerosProblem scaling:Objective coefficents range:          [1e+00, 5e+00]Constraint matrix coefficients range: [1e+00, 1e+04]Constraint rhs / bounds range:        [0e+00, 1e+04]Variable bounds range:                [1e+00, 1e+04]

问题维度
：34023 个约束、19013 个变量（全部为整数）、101064 个非零元。
系数范围
：显示目标函数系数、约束矩阵系数、约束右端项、变量边界的数值范围。范围跨度大（如 1~1e4）可能影响数值稳定性，求解器会自动进行缩放处理。

6.3 预求解（Presolve）

Original problem: 34023 constraints, 19013 variables, 101064 nonzerosCalling Papilo presolver (git hash 741a2b9c)Presolve status: reduced the problemPresolve removed: 23239 constraints, 12163 variables, 66274 nonzerosPresolved problem: 10784 constraints, 6850 variables, 34790 nonzerosObjective function is integralPapilo presolve time: 0.39Objective offset 181699.000000 scaling_factor 1.000000Model fingerprint: 0x90ee62baRunning presolve!After cuOpt presolve: 10784 constraints, 6850 variables, objective offset 181699.000000.cuOpt presolve time: 19.43

Papilo 预求解器
：一种 MILP 预求解技术，可删除冗余约束、固定变量、合并系数等。此处移除了约 68% 的约束和 64% 的变量，显著减小问题规模。
预求解耗时
：Papilo presolve time: 0.39 秒，cuOpt presolve time: 19.43 秒（包含其他预处理步骤）。
目标偏移
：Objective offset 是常数项，求解器会在最终目标值中加上该偏移。
模型指纹
：用于标识问题实例，有助于调试和缓存。

6.4 求解 LP 根松弛（Root Relaxation）

Solving LP root relaxation in concurrent modeSkipping column scalingDual Simplex Phase 1Dual feasible solution found.Dual Simplex Phase 2 Iter     Objective           Num Inf.  Sum Inf.     Perturb  Time    0 -7.7228000000000000e+04      97 1.32680957e+08 0.00e+00 20.29    1 -7.7228000000000000e+04     100 1.27856386e+08 0.00e+00 20.29 1000 -2.7904000000000000e+04      95 9.33854416e+04 0.00e+00 20.31Removed perturbation of 2.59e-06.Root relaxation solution found in 1674 iterations and 0.08s by Dual SimplexRoot relaxation objective +1.76600000e+03

并发模式
：同时运行 PDLP、内点法、对偶单纯形，此处由 Dual Simplex 率先完成。
对偶单纯形迭代
：表格显示迭代次数、目标值、不可行数、总不可行量、扰动值、时间。最终在 1674 次迭代后得到根松弛目标值 1766。
根松弛目标
：这是 MILP 的下界（对于最小化问题），记为 Bound。

6.5 分支定界过程（Branch and Bound）

 | Explored | Unexplored |    Objective    |     Bound     | IntInf | Depth | Iter/Node |   Gap    |  Time  |H                            +1.051210e+05    +1.766000e+03                                98.4%     20.41...           0            0    +7.458000e+04    +1.766000e+03      224      0   2.4e+03      97.7%     20.68Gomory    cuts : 37MIR       cuts : 0Knapsack  cuts : 1Strong CG cuts : 6Cut pool size  : 182Size with cuts : 10814 constraints, 17664 variables, 1952214848 nonzerosStrong branching using 23 threads and 224 fractional variablesStrong branching completed in 0.47sExploring the B&B tree using 23 threads

表头解释：

Explored
：已处理（求解过 LP 松弛）的节点数。
Unexplored
：待处理的节点数（分支定界树中尚未探索的节点）。
Objective
：当前找到的最好可行解（上界，对于最小化问题）。
Bound
：当前全局下界（所有未处理节点的最低 LP 松弛值）。
IntInf
：当前节点中整数变量取非整数值的数量。
Depth
：当前节点在搜索树中的深度。
Iter/Node
：平均每个节点求解 LP 的单纯形迭代次数。
Gap
：当前 MIP 间隙 = (Objective - Bound) / max(1, |Objective|)。
Time
：累计求解时间（秒）。

行首字母含义：

H
：表示通过启发式找到了一个新的可行解（提升上界）。
普通数字行：表示一个节点（通常是根节点或某个子节点）的 LP 松弛求解结果。

割平面：在根节点处添加了 Gomory 割、Knapsack 割、Strong CG 割等，收紧松弛，提高下界。切割后约束数从 10784 增至 10814，变量数从 6850 增至 17664（因引入辅助变量）。
强分支：在根节点使用强分支策略，评估哪些变量分支后效果最好。使用 23 个线程在 0.47 秒内完成。

6.6 分支定界中期日志

 | Explored | Unexplored |    Objective    |     Bound     | IntInf | Depth | Iter/Node |   Gap    |  Time  |H                            +3.592100e+04    +1.766000e+03                                95.2%     21.97...        1001          735    +1.018700e+04    +1.766000e+03      204     11   5.6e+01      83.2%     27.40...       27442        17186    +2.207000e+03    +1.766000e+03      191     39   2.5e+01      22.3%    143.29H                            +1.972000e+03    +1.766000e+03                                13.1%    143.57Explored 27442 nodes in 147.38s.Absolute Gap 2.580000e+02 Objective 1.9720000000000000e+03 Lower Bound 1.7139999999999709e+03Optimal solution found within absolute MIP gap tolerance (2.6e+02)

节点处理
：随着搜索进行，Explored 递增，Gap 逐步下降（上界降低或下界提升）。最终探索了 27442 个节点，耗时 147.38 秒。
绝对间隙
：最终 Objective = 1972，Lower Bound = 1766，绝对差 = 258。由于设置的 mip_absolute_gap 为 259，满足停止条件，求解器终止并报告找到最优解（在容差范围内）。

6.7 求解总结

Solution objective: 1972.000000 , relative_mip_gap 0.130832 solution_bound 1766.000000 presolve_time 19.827045 total_solve_time 147.403601 max constraint violation 0.000000 max int violation 0.000000 max var bounds violation 0.000000 nodes 27442 simplex_iterations 692638求解结束: 2026-03-25 06:03:42, 耗时: 148.18秒✓ 找到可行解! 目标值: 1972.00

最终统计
：

objective
：最优解目标值。
relative_mip_gap
：相对间隙 = (1972 - 1766) / 1972 ≈ 13.1%。
solution_bound
：最终下界。
presolve_time
：预求解总时间（含 Papilo 和 cuOpt 预处理）。
total_solve_time
：求解总时间（包括预求解、根松弛、分支定界等）。
max constraint violation
：最大约束违反量，0 表示严格满足。
max int violation
：最大整数变量违反（因数值容差产生），0 表示所有整数变量取整。
nodes
：处理的总节点数。
simplex_iterations
：所有节点 LP 求解的单纯形迭代总数。

求解结束时间
：显示实际耗时，与 total_solve_time 略有差异（可能包含日志输出等开销）。

通过解读日志，您可以：

确认问题规模、数值特征，判断是否需要调整模型或参数。
观察预求解效果，判断是否有明显简化。
监控分支定界进度，了解收敛速度。
评估求解质量（间隙、可行解质量）。
排查性能瓶颈（如预求解耗时、节点过多、割平面效果不佳等）。

结合日志信息，您可以更有效地调整求解器参数（如时间限制、间隙容忍度、算法选择等），以平衡求解速度与精度。

第七部分：与其他优化求解器的对比

本节对比 COPT（杉数科技）、OR-Tools (CP-SAT)、Gurobi 以及 cuOpt 在 LP、QP、MILP、Routing、CP 五个方面的支持情况。

7.1 各问题类型支持详情

7.1.1 线性规划 (LP)

求解器	支持	算法	特点
COPT	✅ 原生支持	内点法、对偶单纯形、并发	性能接近 Gurobi，支持大规模 LP
OR-Tools	✅ 支持（通过 GLOP）	单纯形法	轻量级，适合小规模 LP，非主打
Gurobi	✅ 原生支持	内点法、单纯形、并发、交叉	行业标杆，稳定高效
cuOpt	✅ 原生支持	PDLP（GPU）、内点法（GPU 加速）、对偶单纯形（CPU）、并发	GPU 加速显著，适合大规模稀疏 LP

7.1.2 二次规划 (QP) / 凸二次规划

求解器	支持	算法	特点
COPT	✅ 支持凸 QP	内点法、积极集法	支持凸二次规划，非凸暂不支持
OR-Tools	❌ 无原生 QP 支持	—	仅支持线性目标
Gurobi	✅ 支持凸 QP 和 QCP	内点法、积极集法	支持二次约束 (QCP)、二次目标
cuOpt	✅ 支持凸 QP	通过 GPU 加速的求解器	支持二次表达式，但文档中未详述算法细节

7.1.3 混合整数线性规划 (MILP)

求解器	支持	核心算法	GPU 加速	特点
COPT	✅ 原生支持	分支切割、启发式、预处理	❌	国产标杆，支持大规模 MILP
OR-Tools	✅ 支持（通过 CP-SAT 或原 MILP 接口）	分支定界、CP 混合	❌	对整数问题友好，但性能不如商业求解器
Gurobi	✅ 原生支持	分支切割、启发式、并行	❌	行业最强 MILP 求解器
cuOpt	✅ 原生支持	GPU 启发式 + CPU 分支定界	✅（启发式阶段）	GPU 加速启发式找可行解，适合大规模 MILP

7.1.4 路径优化 (Routing)

求解器	支持	算法	GPU 加速	特点
COPT	❌ 无原生路由模块	—	❌	需用户自行建模为 MILP
OR-Tools	✅ 原生支持	LNS、启发式、CP 模型	❌	TSP、VRP、VRPTW、PDP 等，易用性好
Gurobi	❌ 无原生路由模块	—	❌	需用户建模为 MILP
cuOpt	✅ 原生支持	启发式、元启发式、GPU 并行	✅	专为大规模路由设计，支持 TSP、CVRP、VRPTW、PDP 等

7.1.5 约束规划 (CP)

求解器	支持	核心机制	特点
COPT	❌ 无 CP 支持	—	—
OR-Tools	✅ 原生支持（CP-SAT）	约束传播、区间传播、LNS	支持全局约束、调度、排班，易用性强
Gurobi	❌ 无 CP 支持	—	—
cuOpt	❌ 无 CP 支持	—	但路由模块含部分约束传播思想

7.2 综合对比表

功能 / 求解器	COPT	OR-Tools (CP-SAT)	Gurobi	cuOpt
LP	✅ 强	✅ 弱（GLOP）	✅ 强	✅ GPU 加速强
QP	✅ 凸 QP	❌	✅ 凸 QP	✅ 支持（细节少）
MILP	✅ 强	✅ 中	✅ 极强	✅ GPU 启发式加速
Routing	❌ 需建模	✅ 强（易用）	❌ 需建模	✅ GPU 加速强
CP	❌	✅ 极强	❌	❌
GPU 加速	❌	❌	❌	✅ 核心优势
易用性	中	高	高	中
开源/商业	商业	开源	商业	商业（NVAIE）
适用规模	大	中	大	超大（GPU 并行）
Python API	✅	✅	✅	✅

7.3 选型建议

传统 LP / MILP / QP 问题
：首选 Gurobi（性能最强），其次 COPT（国产替代，性价比高）。
大规模 LP / MILP（千万级变量）
：可尝试 cuOpt，利用 GPU 加速 PDLP 和启发式。
路径优化（VRP / TSP / PDP）
：

中小规模、快速原型：OR-Tools。
超大规模、生产环境：cuOpt（GPU 加速）。

排班、调度、组合约束问题
：唯一选择 OR-Tools (CP-SAT)。
需同时覆盖 LP/MILP 和路由
：可组合使用 Gurobi + OR-Tools 或 cuOpt（如果路由和 LP 都需 GPU）。

第八部分：更多资源

官方文档
：NVIDIA cuOpt User Guide
Python API 参考
：Routing API | LP/QP/MILP API
示例代码
：cuOpt Examples on GitHub
第三方建模语言支持
：AMPL, GAMS, PuLP, JuMP

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

第三篇:NVIDIA cuOpt Python API 详解:LP、QP、MILP 建模与求解,附核心术语名词解释

第一部分：cuOpt 概述与快速开始

1.1 什么是 NVIDIA cuOpt？

1.2 安装与验证

使用 pip 安装（推荐）

使用 Docker（Windows 仅支持此方式）

验证安装

第二部分：核心概念与 API 详解（含术语解释）

2.1 核心类：Problem

常用方法

求解状态 (Status)

2.2 变量：Variable

2.3 约束：Constraint

2.4 表达式

线性表达式

二次表达式

2.5 求解器设置：SolverSettings

可配置参数列表

通用参数（LP 与 MILP 均适用）

MILP 专用参数

LP 专用参数

精度容差参数

参数设置示例

2.6 优化领域核心术语详解

2.6.1 线性规划 (LP)

2.6.2 二次规划 (QP)

2.6.3 混合整数线性规划 (MILP)

2.6.4 cuOpt 特有术语

第三部分：示例详解

3.1 线性规划 (LP)

3.2 二次规划 (QP)

3.3 混合整数线性规划 (MILP)

第四部分：高级功能

4.1 MIP 回调：获取中间解

4.2 PDLP 热启动

第五部分：VSCode 调试配置（Dev Containers 环境）

5.1 确认环境

5.2 创建 launch.json

5.3 启动调试

5.4 常见问题

第六部分：求解日志详解

6.1 求解启动与环境信息

6.2 问题规模与数值特征

6.3 预求解（Presolve）

6.4 求解 LP 根松弛（Root Relaxation）

6.5 分支定界过程（Branch and Bound）

6.6 分支定界中期日志

6.7 求解总结

第七部分：与其他优化求解器的对比

7.1 各问题类型支持详情

7.1.1 线性规划 (LP)

7.1.2 二次规划 (QP) / 凸二次规划

7.1.3 混合整数线性规划 (MILP)

7.1.4 路径优化 (Routing)

7.1.5 约束规划 (CP)

7.2 综合对比表

7.3 选型建议

第八部分：更多资源

【Python钢琴节奏大师·第6讲】声音交互篇-Pygame音效播放与鼠标点击检测

热情追求python的两天

最新文章

热门文章

随机文章

2.1 核心类：`Problem`

求解状态 (`Status`)

2.2 变量：`Variable`

2.3 约束：`Constraint`

2.5 求解器设置：`SolverSettings`

5.2 创建 `launch.json`