混合整数规划（Mixed Integer Programming，简称MIP）是一类特殊的整数规划问题，其自变量既包含整数也有连续变量 [^1]。整数规划中，若规划问题里一部分变量或者全部变量为整数变量，该数学规划问题就属于整数规划问题，而混合整数规划是部分决策变量限制为整数的情况 [^1]。整数规划的可行域是离散的，并且整数规划问题被看作数学规划里乃至世界上最难的问题之一，通常会退而求其次求解近似解或局部最优解 [^1]。常见的整数规划问题包括背包问题、广义指派问题、集合覆盖问题等 [^1]。 在Python中，有多种方式可以实现混合整数规划： ### 使用Gurobi 虽然没有给出完整Gurobi实现代码，但可参考混合整数规划(mixed integer programming,简称MIP）基础文档：https://www.gurobi.com/resource/mip-basics/ 进一步了解Gurobi实现混合整数规划的方法 [^1]。 ### 使用cvxopt 可以将原规划模型化为标准型，以下是一个示例代码： ```python import numpy as np from cvxopt import matrix, solvers n = 3 P = matrix(0., (n, n)) P[::n + 1] = [3, 2, 1.7] q = matrix([3, -8.2, -1.95]) A = matrix([[1., 0, 1], [-1, 2, 0], [0, 1, 2]]).T b = matrix([2., 2, 3]) Aeq = matrix(1., (1, n)) beq = matrix(3.) s = solvers.qp(P, q, A, b, Aeq, beq) print("最优解为：", s['x']) print("最优值为：", s['primal objective']) ``` 这个代码将原规划模型化为标准型后求解 [^2]。 ### 使用CPLEX Python API 要开始使用 CPLEX Python API，需将 Python 路径环境变量 PYTHONPATH 设置为值 yourCplexhome/python/VERSION/PLATFORM。通过设置此环境变量，该版本的 Python 可以找到其所需的 CPLEX 模块以运行使用 CPLEX Python API 的 Python 命令和脚本 [^3]。 ### 使用GLPK 以下是一个使用GLPK的示例代码片段，用于定义变量： ```python from pulp import LpVariable customerCount = 3 warehouseCount = 2 y = [[LpVariable("y"+str(c)+","+str(w), 0, 1, cat='Integer') for w in range(0, warehouseCount)] for c in range(0, customerCount)] ``` 该代码定义了一组整数变量 [^4]。 ### 使用ortool库 CBC (COIN - OR Branch and Cut) 是一个开源的混合整数规划求解器，它与 COIN - OR LP 求解器 CLP 和 COIN - OR Cut 生成器库 Cgl 一起工作，代码主要由 John J. Forrest 编写 [^5]。