C语言
    Mdo_setIntParam(model, "Method", -1)
C++
    model.setIntParam(model, "Method", -1)
python
    model.set_int_param("Method", -1)

try:
        # Step 2. 输入模型。
        #  改为最小化问题。
        #  通过 mindoptpy.MdoModel.set_int_attr() 将目标函数设置为 最小化 
        model.set_int_attr("MinSense", 1)
        #  优化方法修改为内点法
        model.set_int_param("Method", 2)

#默认参数
Optimizer summary.
 - Optimizer used     : Simplex method #单纯形法
 - Optimizer status   : OPTIMAL
 - Total time         : 0.002s
#修改后
Optimizer summary.
 - Optimizer used     : Interior point method #内点法
 - Optimizer status   : OPTIMAL
 - Total time         : 0.013s

C语言
Mdo_setIntParam(model, "IPM/MaxIterations", 400);
C++
model.setIntParam("IPM/MaxIterations", 400);
Python
model.set_int_param("IPM/MaxIterations", 400)

# 我们同样选择使用内点法，但限制它的最大迭代次数。
model.set_int_param("Method", 2)
#修改最大迭代次数为1
model.set_int_param("IPM/MaxIterations", 1)

#由于我们限制了迭代次数导致求解失败，我们可以看下它的报错
#状态码 -9000代表求解已达到最大迭代数，说明我们给的最大迭代次数不够
- Code          : -9000
#出错的原因这里也展示了：优化时达到迭代极限。
 - Reason        : Iteration limit was reached in optimization.

model.set_int_param("IPM/MaxIterations", 8) #把最大迭代次数修改到8
#运行结果：
Solution summary.       Primal solution
 - Objective          : 4.0000000000e-01

C语言
Mdo_setRealParam(model, "MaxTime", 7200.0);
C++
model.setRealParam("MaxTime", 7200.0);
Python
model.set_real_param("MaxTime", 7200.0)

try:
        model.set_int_attr(MDO_INT_ATTR.MIN_SENSE, 1)
        model.set_real_param("MaxTime", 0.00)
- Code          : -9001
- Reason        : Time limit was reached in optimization.
#优化达到了时间限制，所以程序终止

# 引入python包
from mindoptpy import *
if __name__ == "__main__":
    MDO_INFINITY = MdoModel.get_infinity()
    # Step 1.创建模型并更改参数。    
    model = MdoModel()
    try:
        # Step 2. 输入模型。 
        model.set_int_attr("MinSense", 1)# 改为最小化问题
        model.set_real_param("MaxTime", 1.0) #求解时间设置为1.00秒       
        model.set_int_param("Method", 2) # 设置为使用内点法       
        model.set_int_param("IPM/MaxIterations", 8) # 设置最大叠戴此时为8，上文为1是错误的示例
        
        #  添加变量。
        #  通过mindoptpy.MdoModel.add_var() 来添加四个优化变量，
        #  定义其下界、上界、名称和类型。
        x = []
        x.append(model.add_var(0.0,         10.0, 1.0, None, "x0", False))
        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x1", False))
        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x2", False))
        x.append(model.add_var(0.0, MDO_INFINITY, 1.0, None, "x3", False))
        #  添加约束。
        #  注意这里的非零元素是按行顺序输入的。
        model.add_cons(1.0, MDO_INFINITY, 1.0 * x[0] + 1.0 * x[1] + 2.0 * x[2] + 3.0 * x[3], "c0")
        model.add_cons(1.0,          1.0, 1.0 * x[0]              - 1.0 * x[2] + 6.0 * x[3], "c1")
        # Step 3. 解决问题并填充结果。
        # 调用 mindoptpy.MdoModel.solve_prob() 求解优化问题，
        # 并用 mindoptpy.MdoModel.display_results() 来查看优化结果
        model.solve_prob()
        model.display_results()
        # 调用 mindoptpy.MdoModel.get_status() 来检查求解器的优化状态，
        # 并通过 mindoptpy.MdoModel.get_real_attr() 和 
        # mindoptpy.MdoVar.get_real_attr() 来获取目标值和最优解。
        status_code, status_msg = model.get_status()
        if status_msg == "OPTIMAL":
            print("Optimizer terminated with an OPTIMAL status (code {0}).".format(status_code))
            print("Primal objective : {0}".format(round(model.get_real_attr(MDO_REAL_ATTR.PRIMAL_OBJ_VAL), 2)))
            for curr_x in x:
                print(" - x[{0}]          : {1}".format(curr_x.get_index(), round(curr_x.get_real_attr(MDO_REAL_ATTR.PRIMAL_SOLN), 2)))
        else:
            print("Optimizer terminated with a(n) {0} status (code {1}).".format(status_msg, status_code))
        # 如果求解异常，在这里将会看见它的状态码和错误原因
    except MdoError as e:
        print("Received Mindopt exception.")
        print(" - Code          : {}".format(e.code))
        print(" - Reason        : {}".format(e.message))
    except Exception as e:
        print("Received exception.")
        print(" - Reason        : {}".format(e))
    finally:
        # Step 4. 释放模型。
        # 调用 mindoptpy.MdoModel.free_mdl() 来释放内存
        # (多次运行部分脚本的时候有些变量已经被用，所以调用这个api进行清除)
        model.free_mdl()