最好的开源混合整数优化求解器

我正在使用CPLEX来解决巨大的优化模型（超过10万个variables），现在我想看看是否可以find一个开源替代scheme，我解决混合整数问题（MILP）和CPLEX的工作很好，但是如果我们想要扩展，所以我真的需要find一个替代或开始写我们自己的特设优化库（这将是痛苦的）

任何build议/见解将不胜感激

我个人发现GLPK比LP_SOLVE更好（即更快）。它支持各种文件格式，另一个优势是它的库接口，允许与你的应用程序顺利集成。

对COIN-OR的另一个认可。我们发现线性优化器组件（Clp）非常强大，混合整数分量（Cbc）可以通过一些分析很好的调整。我们比较了LP-Solve和GLPK。

对于非常棘手的问题，商业解决scheme是要走的路。

尝试SCIP求解器。我已经用它来处理超过300Kvariables的MILP问题，并且性能很好。它的MILP性能比GLPK好得多。 Gurobi在MILP问题方面也performance出色（通常比SCIP（2011年5月）要好），但如果你不是一个学术用户，这可能是高成本的。 Gurobi将使用multicores来加速解算器。

你尝试过lp_solve吗？对于Java，在下列问题中还有一些其他build议：

针对Java的math优化库 – 免费还是开源的build议？
用于Java的线性编程工具/库

我build议查看COIN项目。硬币或

这里有很多很好的解决scheme，包括用于非线性问题的ipOPT和一对混合整数求解器。

Scip不错！

如果我是你，我会尝试使用一个多解算器接口，如Osi（C ++）或PuLP（python），这样你就可以编写一次代码，并用很多求解器进行testing。

如果你要解决的整数程序是巨大的，我会推荐python over C ++，因为你的代码看起来更干净，99％的时间将花在解算器上。

相反，如果问题很小，那么把问题从python的内存复制到求解器（来回）的时间不能再被忽略了：在这种情况下，你可以用一种编译语言来试验一些明显的性能改进。

但是，如果问题非常严重，那么编译语言将会再次获胜，因为内存占用大致将被除以2（python中没有问题的副本）。

虽然这可能不是你想听到的，但是商业解决者CPLEX和Gurobi与开源求解器之间还有一段光年。

尽pipe如此，你可能是幸运的，你的模型可以在GLPK，Coin或类似的环境下正常工作，但是总的来说，开源解决scheme是商业解决scheme的后盾。如果情况不同，那么没有人会为Gurobi许可证支付12.000美元，而对于CPLEX许可证，则不会支付更多费用。

在过去的几年中，我看到许多模型对于开源求解者来说都是困难的。相信我…

这不是一个大小的问题，而是数值难度的问题。

100kvariables是一个大问题。许多开放源代码库不能很好地运行那么多的variables。从我读过的lp_solve只能testing大约30k的variables。使用商业系统可能是您唯一的select。

我已经使用DICOPT使用NEOS服务器（ http://www.neos-server.org/neos/solvers/minco:DICOPT/GAMS.html ）来解决大的（约1kvariables和1k约束）混合整数非线性程序并发现它很好。

对于我的问题，DICOPT比neo服务器BARON / KNITRO / LINDO / SBB上列出的其他MINLP求解器要好得多。

向NEOS提交工作有一定的限制，这样做有点麻烦，但是免费获得强有力的商业解决scheme并不足以弥补这一点。

不是开源的，但是如果您拥有Microsoft学院联盟许可证，则包含Microsoft Solver Foundation （MSF）企业版。古罗比也是免费的学术目的，我用它在我的论文研究。

我会添加以下的已经很好的答案。

正如其他人所指出的那样，商业求解者比自由select更快，更有能力，所以考虑你能接受多less最优的缺口是很重要的。对于许多整数variables的大问题，如果你能接受1％甚至更大的最优性缺口（默认值约为0.01％或更小），你可能会得到更快的求解时间。

当然，如果你正在解决一个问题，那就是1％转化为数百万美元，这是不可接受的，因此也是一stream解算器的市场。（在这里比较古罗比和免费求解者的比较）

我同意其他人的看法，使用一个能生成与求解器无关的问题文件（如* .mps，* .lp文件）的平台是值得的，因为你可以尝试其他求解器。我正在使用PuLP并find它，而免费的COIN_CBC求解器非常出色。虽然限于许多整数variables的问题。

我很惊讶没有人提到MIPCL（ http://www.mipcl-cpp.appspot.com/index.html ）。它是LGPL许可下的开放源代码（来源： http : //www.mipcl-cpp.appspot.com/licence.html ），因此也适用于非开源应用程序。

Hans Mittelmann最近（2017年9月10日）做了混合整数线性编程基准testing： http：//plato.asu.edu/ftp/milpc.html （您可能也有兴趣查看概述页面http：//plato.asu .edu / bench.html或他的演讲幻灯片： http : //plato.asu.edu/talks/informs2017.pdf ）。

在具有12个线程的混合整数线性编程基准中，2个小时的时间限制，MIPCL设法解决了79个实例。只有商业解决schemeCPLEX，Gurobi和XPRESS才能在给定的约束下（分别为86或87个实例）解决更多问题。

另外就所选性能指标而言（再次使用12个线程），MIPCL比基准SCIP派生（FSCIPC，FSCIPS）更快 – 回想一下，SCIP不是一个开源求解器 – 而且是开源求解器CBC。再次，只有商业解决schemeCPLEX，Gurobi和XPRESS在性能方面明显超越MIPCL。