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
1. 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。
2. 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
V0.x API Python |
V1.x API Python |
MdoModel.add_vars(indices,lb,ub,obj,name,is_integer) MdoModel.add_cons(lhs,rhs,expr,name)
|
Model.addMVar(shape, lb=0.0, ub=float('inf'), obj=0.0, vtype='C', name='') Model.addMConstr(A, x, sense, b, name='')
|
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
V0.x API Python |
V1.x API Python |
MdoModel.add_vars(indices,lb,ub,obj,name,is_integer)
|
Model.setObjective(expr, MDO.MINIMIZE)
|
3. 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。
4. 一个完整的示例：
代码如下：
from mindoptpy import * import time import numpy as np if __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_ub constrs1.lhs = 0 constrs2 = model.addConstr( vars @ alt_field <= 0) constrs2.rhs = plant_ub constrs2.lhs = 0 # Step 3. Solve the problem and populate the result. model.optimize() time.sleep(1) #for print model.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.X print(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.errno)) 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。
