简介IBM ILOG CPLEX是业界领先的优化求解器这套包含10个编程案例的资源围绕其线性规划、整数规划、二次规划、混合整数线性规划及约束编程等核心功能展开适合运筹优化初学者、算法工程师以及需要将CPLEX用于生产调度、物流运输、资源分配等场景的开发者。压缩包内共361个文件以.mod模型文件、.dat数据文件、.oplproject项目文件、xml配置文件等为主总体积约760KB轻量且结构清晰。目前已有456人学习。十个案例由浅入深从简单线性规划、运输问题到多阶段决策、灵敏度分析每个案例均提供详细的建模步骤、求解代码与结果分析部分案例还演示了CPLEX Python API的建模方式和参数调整策略。通过动手实践这些案例读者能够深入理解优化模型的构建过程与求解技巧并将相关思路直接迁移到实际业务问题中。1. Cplex 编程案例解决什么从开源求解器换到 Cplex 的真实差距很多工程师第一次接触 IBM Cplex并不是因为想学线性规划而是因为手里的问题从几百个约束涨到了几十万行开源求解器要么跑半小时出不了可行解要么内存先爆掉。Cplex 作为商业级数学规划求解器强在两点一是单纯形法和内点法的工程实现极其成熟数值稳定性远超同类开源项目二是对混合整数规划MIP、二次约束规划QCP甚至约束规划CP的统一建模支持让同一份模型能在不同算法之间切换。标题里的“10 个编程案例”本质上是把常见的排产、路径、分配、投资组合问题抽象成数学规划模型再用 Cplex 的 API 求解。适合的人群很明确已经会写 Python 或 Java、手头有真实业务数据需要做决策优化、但还没系统接触过求解器编程的开发者。读完能获得的是选型判据、建模套路和可复现的代码骨架。2. Cplex 编程环境的搭建与第一个最小模型2.1 从下载到绑定 Python API版本和路径的取舍开始写代码之前先解决环境问题。Cplex 的安装包在 IBM 官网提供社区版免费但模型规模有限制和完整版。社区版对学习足够但如果你要跑 10 个案例里的大规模 MIP建议直接申请试用版或使用学校/公司的授权。下载时注意版本号当前主流是 20.1.0安装后需要把cplex的 Python 包绑定到你的解释器。常见做法是把安装目录下的python子目录加入PYTHONPATH或者直接用 pip 安装pip install cplex但这个命令安装的是 PyPI 上的社区版功能受限。要绑定完整版找到安装目录下的setup.pycd /opt/ibm/ILOG/CPLEX_Studio201/cplex/python python setup.py install逻辑说明这里执行的是 Cplex 自带 Python API 的安装脚本它会把cplex模块注册到当前 Python 环境。参数上CPLEX_Studio201是默认安装根目录如果你的安装路径不同需要替换。装完后立即验证import cplex print(cplex.__version__)能输出版本号就说明绑定成功。这一步的常见坑是安装了多个 Python 环境导致 API 装到了别的解释器里建议在虚拟环境中操作。2.2 最小线性规划模型用 Cplex 的 Python API 跑通求解链路理解了环境之后用最经典的资源分配问题走一遍完整链路建模、求解、读取结果。假设有两种产品 A 和 B每种产品消耗两种资源目标是利润最大化。用 Cplex Python API 的写法如下import cplex def solve_product_mix(): model cplex.Cplex() # 变量A产量B产量下界0上界无穷 model.variables.add( names[A, B], lb[0.0, 0.0], ub[cplex.infinity, cplex.infinity], types[C] * 2 ) # 目标max 40*A 30*B model.objective.set_sense(model.objective.sense.maximize) model.objective.set_linear([(A, 40.0), (B, 30.0)]) # 约束资源1 2A 1B 60资源2 1A 2B 50 model.linear_constraints.add( lin_expr[ cplex.SparsePair(ind[A, B], val[2.0, 1.0]), cplex.SparsePair(ind[A, B], val[1.0, 2.0]) ], senses[L, L], rhs[60.0, 50.0] ) model.solve() print(状态:, model.solution.get_status_string()) print(最优值:, model.solution.get_objective_value()) for name in [A, B]: print(name, model.solution.get_values(name)) solve_product_mix()这段代码的逻辑是先建空模型再依次添加变量、目标、约束。变量的types[C]表示连续变量如果改成I就是整数变量后面案例会用到。SparsePair是 Cplex 用来表示稀疏表达式的方式ind是变量名列表val是对应的系数。senses里的L表示小于等于less其他取值G表示大于等于E表示等于。求解完成后用get_values拉取结果。如果模型无界或不可行get_status_string()会给出诊断信息这是排查问题时的第一入口。跑通这个最小模型后你就有了所有案例的骨架改变量、改约束、改目标。3. 十个 Cplex 编程案例的典型场景与模型构建3.1 排产与调度用时间索引变量把工序约束写进模型前面最小模型只涉及连续变量生产排产案例的核心难点在于时间维度的处理。常见做法是用“时间索引”变量即每个工序在每个时间点是否开工用二进制变量表示。比如有 n 个工序每个工序需要一台机器处理处理时间固定目标是最短完工时间makespan。核心约束是每个工序必须被安排一次对每个工序 i所有时间点 t 的 x[i][t] 之和等于 1资源冲突同一台机器在同一时间只能处理一个工序用 Cplex Python API 实现时变量就是二维的稀疏列表循环添加约束。关键参数是时间点的粒度粒度太粗会丢失可行解太细则变量爆炸。这里的实用技巧是先用小粒度跑一次看求解时间再逐步细化。Cplex 求解 MIP 本身就是分支定界过程时间索引模型的松驰界质量直接影响分支数量所以把约束写成“大 M”形式时要尽量收紧边界。3.2 运输与路径优化弧变量和流量守恒约束的建模范式运输问题和车辆路径问题共享同一套核心结构网络上的流量守恒。假设有多个仓库和多个门店每个仓库有供应量每个门店有需求量弧上有运输成本目标是最小化总运费。变量定义在每条弧上取值为运输量。约束分三类仓库流出量等于供应量门店流入量等于需求量分公司流入量等于流出量中转节点守恒。代码骨架# 假设 arc_cost 是字典 {(i,j): cost} dvars [(i, j) for (i, j) in arc_cost] model.variables.add( names[fx_{i}_{j} for (i, j) in dvars], lb[0.0] * len(dvars), ub[cplex.infinity] * len(dvars), types[C] * len(dvars) ) # 流出仓库 for w in warehouses: inds [fx_{w}_{j} for (i, j) in dvars if i w] coeffs [1.0] * len(inds) model.linear_constraints.add( lin_expr[cplex.SparsePair(indinds, valcoeffs)], senses[E], rhs[supply[w]] )这里的流量守恒约束天然是稀疏的Cplex 对稀疏约束的预处理非常高效不需要手工压缩。路径优化里如果加入车辆容量和行驶时间窗问题就升级为 VRPTW变量还要增加车辆维度模型规模成倍增长通常在分支定界前用 Cplex 的预处理检查冗余约束。model.linear_constraints.add支持一次传入多条约束批量添加比循环调用快一个数量级这是案例从玩具模型走向工业规模的必经之路。3.3 投资组合优化二次规划在 Cplex 中的表达方式金融领域的投资组合优化本质上是一个带线性约束的二次规划QP问题最大化预期收益减去风险厌恶系数乘以方差。Cplex 对这类型问题的支持非常好既可以用连续变量的二次目标也可以用风险度量如 CVaR转成线性目标。先用最简单的方法——直接表达协方差矩阵model.objective.set_quadratic_coefficients(qmat)这里的qmat是一个字典或矩阵对角线是方差非对角线是协方差的一半。Cplex 要求 QP 的目标函数是凸的如果协方差矩阵是半正定就能保证全局最优。如果实际数据里有轻微的非正定情况常见于用历史收益率估算求解器会报警告解决办法是对协方差矩阵做特征值修正加一个小的正则项到对角线上。set_quadratic_coefficients传参时注意只传上三角或下三角不要重复传否则目标值翻倍。3.4 员工排班覆盖约束与软约束的权衡逻辑排班问题如果只做硬约束每天的最低人手、法定休息日模型通常很小难点在于软约束公平性、偏好工休比。通常的做法是把软约束变成惩罚项加入目标函数惩罚系数的大小直接决定求解器在硬约束和软约束之间的优先级。实现时可以用带权重的偏差变量model.variables.add( names[over_{}.format(day) for day in days], lb[0.0] * len(days), types[C] * len(days) )然后约束写成sum(x) requirement - under over。这里的under和over分别表示人数不足和超额的量在目标函数里给两者不同权重。权重的调参方法是先固定硬约束只优化软约束观察最优目标值再逐步调整权重对比解的分布是否合理。这类模型往往不需要求解到最优找到一个间隙在 5% 以内的可行解就够了所以 Cplex 的set_parameter可以设置 mip 间隙容忍度。3.5 供应链网络设计混合整数规划中的选址变量与固定成本供应链设计案例中典型的决策有两层仓库开不开0-1 变量以及从哪个仓库向哪个客户供货连续变量。固定成本与仓库是否开放直接相关这就需要将固定成本线性化在目标函数里加上fixed_cost * open_warehouse并保证只有开放的仓库才能产生流量。后者的约束写法是for w in warehouse: inds [fx_{w}_{c} for c in customers] coeffs [1.0] * len(inds) model.linear_constraints.add( lin_expr[cplex.SparsePair(indinds [fopen_{w}], valcoeffs [-big_m])], senses[L], rhs[0.0] )这里引入了一个大 M 常数big_m它的选取要大于任何可能的流量上限。大 M 太大虽然逻辑上不会错但会让线性松动解很弱分支定界树膨胀。经验法则是用预先算出的需求量总和作为大 M 值不要随便写个1e9。这也是所有包含“或”逻辑的整数规划共通的建模技巧把离散选择转成线性不等式。3.6 切割下料一维下料问题的列生成思想与 Cplex 的结合下料问题的经典解法是列生成但列生成主问题本身就是线性规划子问题通常是一个背包问题KP。用 Cplex 求解时最直接的做法是预先生成所有可能的切割模式再把模式作为列加入模型。当原卷长度固定、需求长度种类多时模式数量可能指数级上涨这时 Cplex 的求解性能会急剧下降。替代方案是用 Cplex 的惰性约束回调Lazy Constraint Callback动态添加切割模式分支定界过程中遇到违背的约束再补上。在 Python API 中注册回调的写法model.register_callback(MyLazyCallback)回调函数内部判断当前松弛解是否满足所有隐含约束不满足就add()一条新约束。惰性回调的好处是避免了预生成所有模式内存占用大幅下降。对于案例演示来说先用预生成模式写一遍跑通后改成惰性回调对比求解时间是一个很好的学习路径。3.7 组合拍卖集合包装问题的 Cplex 建模与对称性消除组合拍卖的胜者决定问题对应集合包装模型每个物品只能分配给一个投标人每个投标人的投标要么全中要么全不中。建模上投标用 0-1 变量表示约束是每个物品被选中的投标最多一次。这里的坑在于对称性两个相同的投标会导致分支定界反复探索等价节点。打破对称性的常用方法是在模型中加一条排序约束比如对同类投标按索引顺序施加字典序限制model.linear_constraints.add( lin_expr[cplex.SparsePair(ind[bid_1, bid_2], val[1.0, -1.0])], senses[G], rhs[0.0] )这条约束限制 bid_1 若为 1则 bid_2 必须为 1迫使求解器只搜索一种顺序。Cplex 的对称性探测工具也能自动处理部分问题但对指数级对称的情况手动施加顺序约束仍然是最可靠的方法。3.8 项目组合选择背包与逻辑约束的混合使用项目选择问题是从候选项目里挑出一组在预算、资源、依赖关系的限制下最大化收益。模型里有三类约束预算约束是典型的背包约束依赖约束是“选了项目 A 就必须选项目 B”互斥约束是“A 和 B 不能同时选”。依赖约束用x_A x_B表达互斥约束用x_A x_B 1表达。这些逻辑约束可以用 Cplex 的重约束indicator constraint写成更紧凑的形式model.indicator_constraints.add( indvarx_A, complemented0, lin_exprcplex.SparsePair(ind[y], val[1.0]), senseE, rhs[0.0] )指示约束的含义是当indvar为 1 时内层约束必须成立。逻辑上与线性化等价但求解器可以更高效地利用这个结构做节点推断。Cplex 会将指示约束自动转换但转换方式对性能影响很大工业案例中建议对比普通线性约束和指示约束的求解效果再决定。3.9 动态规划问题重写把最优控制表述为线性规划一些带阶段状态的问题可以用线性规划近似典型例子是库存控制每个时期的库存量、生产量、缺货量形成一个平衡方程目标是最小化总成本。在 Cplex 中这类问题不需要专门的动态规划库直接建时间序列约束即可。比如第 t 期库存 上期库存 本期生产 - 本期需求 - 本期报废。模型逻辑简单但对数值精度有要求需要设置 Cplex 的数值容差参数model.parameters.simplex.tolerances.feasibility.set(1e-7)默认的可行性容差是1e-6当约束系数之间差距很大时算法算出的解可能违反平衡方程。调低容差能提高解的精度但也会增加迭代次数调高容差则相反。这个参数在连续模型和 MIP 中的影响不同MIP 中还要同时关注整数容差。3.10 多商品流问题耦合约束的分解思路在大模型中的应用最后一个案例是电信网络或物流网络中常见的多商品流不同种类商品共享链路容量。直接建模会导致变量数量庞大求解慢标准的工程做法是先不用分解直接给 Cplex 求解看内存和求解时间是否可接受。如果不可接受再用 Benders 分解——把问题拆成主问题容量分配和子问题单商品路由。在 Cplex 中可以用 Python API 手动实现 Benders 循环也可以开启model.parameters.benders.strategy让求解器自动生成 Benders 分解。自动 Benders 需要用户指定哪些变量属于主问题否则求解器会试图自动识别效果不稳定。手动实现时核心代码是循环添加割平面while True: model.solve() # 检查对偶值 duals model.solution.get_dual_values() # 生成割平面并添加 model.linear_constraints.add(...)这里的循环终止条件是主问题最优解在子问题中可行也就是无需再增加割。这个案例最适合用来理解 Cplex 求解器的极限边界也是从“会用 API”到“理解算法”之间的一座桥。4. Cplex 求解参数调优与常见运行错误排查4.1 必调的五个参数及其适用场景10 个案例跑下来性能瓶颈往往不在模型规模而在参数配置不当。下面是实际工作中最常调的五组参数按优先级排序参数名默认值推荐调整适用场景mip.tolerances.mipgap1e-45e-3~1e-2大规模整数规划短时间拿近似解timelimit1e308600~3600所有模型避免无限分支threads0自动4~8多核机器上加快 MIP 分支定界emphasis.mipbalancing optimality and feasibilityfeasibility排产案例里限定时间内找可行解simplex.tolerances.feasibility1e-61e-7~1e-5数值问题导致无解或不可行时参数设置的方式是model.parameters.mip.limits.timelimit.set(300)按点号逐级访问。MIP 案例中mipgap是性价比最高的参数默认求解到 0.01% 间隙对多数业务场景来说太严格改成 1% 能显著缩短求解时间。threads不是越大越好超过 8 线程时并行加速收益递减还要考虑内存带宽瓶颈。4.2 不可行与无界解的诊断路径模型不可行是 Cplex 编程里最频繁的问题处理思路分三步。第一步看model.solution.get_status_string()确认返回的不是optimal。第二步用冲突集conflict refinement找出导致不可行的最小约束集合model.conflict.refine() model.conflict.get()refine()会运行冲突检测算法返回一个约束索引列表。逐一检查这些约束你会发现通常是某个约束的右侧常数写错或者两个约束的系数符号相反。第三步如果冲突集太大说明模型本身结构有问题比如循环内重复添加了同一约束导致相互矛盾。无界解unbounded通常说明目标函数方向与约束方向不一致比如最大化利润却忘了加产量上限或者变量的负系数没有下界约束。get_quality_metrics()可以查看解的偏差和距离帮助判断数值稳定性。4.3 内存不足与分支定界树爆炸的应对案例做到供应链设计或多商品流规模时Cplex 可能报出内存不足。此时第一反应不是加内存而是检查节点日志中的间隙变化率。如果间隙下降很慢说明树的节点太多优先调整 MIP 强调参数到可行解方向并调大mipgap。如果间隙下降快但节点数多说明节点的处理时间短主要是分支策略的问题可以尝试model.parameters.mip.strategy.branch.set(...)branch参数的可选值包括 -1自动、0最大最小伪成本、1最大推断工程上最常用的是让求解器自动选择。另一个有效手段是开启节点文件存储model.parameters.mip.limits.nodfileind.set(2) model.parameters.mip.limits.workdir.set(/tmp)如果参数设为 2则把节点存储到磁盘而不是内存速度慢但内存可控。工作目录建议设在 SSD 上否则频繁读写会严重拖慢求解。4.4 求解进度监控与日志解读Cplex 的日志输出信息量很大但新手容易忽略关键列。MIP 日志中的nodes列是已处理节点数left是剩余节点数Obj Integer是当前最好整数解Obj Bound是松弛解的上界最大化问题时。间隙的实时计算方法(Obj Bound - Obj Integer) / Obj Bound * 100%。如果日志显示left一直在增加说明分支定界树在膨胀应该考虑停止并输出当前最好解。开启日志的方法model.parameters.mip.display.set(2)数值越高输出越详细。生产环境中建议设置 1 或 2避免日志过大掩盖关键信息。除了看日志还可以用model.solution.progress.get()在求解过程中轮询间隙、节点数和当前解值做自动化监控。5. 用 Cplex 表达式 API 减少建模代码量的实用技巧5.1 用矩阵算子替代循环约束前面所有案例都在用SparsePair逐条添加约束代码冗长且容易出错。Cplex 的 Python API 提供了线性表达式cplex.SparsePair与cplex.LinearConstraint的重载运算符可以像写数学公式一样构造约束。例如把运输问题的所有仓库约束批量构造为from cplex import SparsePair from cplex.exceptions import CplexError xp cplex.Cplex() xp.linear_constraints.add( lin_expr[SparsePair(ind[fx_{i}_{j} for j in cols[i]], val[1.0]*len(cols[i])) for i in rows], senses[E]*len(rows), rhs[supply[i] for i in rows] )这个写法省去了手写双层循环的烦恼而且让约束的稀疏结构更直观。SparsePair支持ind和val长度不一致时自动填充但不要依赖这个特性显式对齐是防止 bug 的最佳方式。表达式 API 也更方便写目标函数中带绝对值或分段线性的情况把非线性目标转换成多个线性约束。5.2 利用种群populationAPI 快速生成变体模型10 个案例中经常要做参数扫描比如改变需求、容量、权重逐个修改并重新求解的效率太低。Cplex 提供种群相关 API在 20.1 版本中引入用于从求解过程中的解池中提取多条不同的解model.populate_solution_pool() count model.solution.pool.get_num()如果案例是一个交互式决策系统这个功能比反复求解更实用一次性生成多个近优解供决策者挑选。配合model.parameters.mip.limits.populate参数可以控制解池大小。注意populate只对 MIP 有效连续模型没有解池概念。5.3 验证模型正确性的三件套松弛解、对偶值、敏感性分析模型写完跑出结果后先别急着部署。用三个工具验证第一检查松弛解model.solution.get_linear_slacks()看看哪些约束是紧的紧约束说明该资源是瓶颈与业务直觉对照第二查看对偶值model.solution.get_dual_values()对偶值的绝对值代表该约束放宽一个单位能多获取的收益可用于定价和谈判第三做敏感性分析RHS 和系数范围用model.linear_constraints.rhs配合循环测试不同参数下的目标值变化。这些结果比单纯的最优值更有价值因为它们指向模型的下一个优化方向。敏感性分析通常不需要额外代码直接在求解后改参数重新求解记录结果对比即可。5.4 把 Cplex 嵌入服务的工程化建议最后一个实战技巧是模型分层把数据读取、模型构建、求解、结果解析拆成四个独立函数导入导出统一用 DataFrame 或 JSON。因为在 10 个案例从单机脚本变成生产服务时边界清晰的分层能让你只重写数据层而保留建模层。结果解析时不要直接读原始变量值而是生成一个可读的方案字典比如看到x_仓库1_门店3120而不是变量名列表。Cplex 的solution.get_values(prefix)支持按前缀过滤变量用这个方式可以批量获取某一类变量的取值values model.solution.get_values([x, y]) filtered {k: v for k, v in zip(names, values) if v 1e-6}这个技巧在处理 3.5 案例里的大规模网络时特别有用能省去手工剔除零值变量的步骤。生产环境里建议把模型文件写成 LP 格式存档Cplex 自动输出 LP 文件的参数是model.write(model.lp)这在复现问题时是珍贵的排错资料。本文还有配套的精品资源点击获取