HiGHS 线性优化求解器：从建模到出解的 5 分钟上手指南-开发者社区

HiGHS 线性优化求解器：从建模到出解的 5 分钟上手指南

【免费下载链接】HiGHSLinear optimization software项目地址: https://gitcode.com/GitHub_Trending/hi/HiGHS

HiGHS 是一款用 C++ 实现的开源线性优化求解器，线性规划、混合整数规划、凸二次规划都能处理，核心代码零第三方依赖，MIT 协议可商用。本文带你 5 分钟内装好 highspy、跑通第一个问题，并说明它的能力边界和常用调优参数。

一、它解决什么问题

先看三个高频场景里你通常卡在哪里。

排班与排产：车间要决定每类产品做多少张，受机器产能、人工工时、订单下限约束，目标是最小化成本或最大化利润。这类问题写成线性规划很直接，但变量一多，手工试算和电子表格已经无能为力，需要求解器给出最优解和对偶价格。

配送与资源分配：车辆路径、机组分配、设备选型，决策天然是"选不选、放哪里"。一旦引入整数约束，问题规模稍大就呈指数增长，单纯解一个 LP 松弛不够用，必须靠真正的混合整数规划求解器做分支定界。

资产配置：最小化组合方差、约束期望收益，本质是一个带二次目标的凸 QP。很多团队的卡点不在建模，而在求解器：商业求解器按核收费，部分开源工具依赖链重、升级麻烦。

HiGHS 的位置一句话：一个 MIT 协议、零第三方依赖的 C++ 开源优化求解器，同一套接口覆盖 LP、MIP 和凸 QP。

二、5 分钟跑通最小路径

最短路径只有一条：装 Python 包，直接建模求解。

pip install highspy

import highspy h = highspy.Highs() h.silent() # 例：桌子和椅子，受装配与打磨工时约束，利润最大 x = h.addVariables(['Tables', 'SetsOfChairs'], obj=[10, 25]) h.addConstrs(x['Tables'] + 2*x['SetsOfChairs'] <= 80, x['Tables'] + 4*x['SetsOfChairs'] <= 120) h.setMaximize() h.solve() print('Make', h.vals(x)) print('Optimal profit', h.getObjectiveValue())

运行后你会看到Make [40. 20.]和Optimal profit 900.0：制椅 20 套、制桌 40 张时利润最大。highspy 的简化接口可以直接用比较运算符写约束，这是它比底层矩阵接口快得多的地方。

如果你要源码构建，cmake -S . -B build配置后cmake --build build编译，细节见 cmake/README.md；命令行方式则直接用highs可执行文件求解 MPS 或 LP 文件，无需先建模。

三、能力与边界：一张表看清支持什么

问题类型	对应算法	适用规模 / 前提条件	注意限制
线性规划 LP	修正单纯形法、HiPO / IPX 内点法	大规模稀疏问题，百万级变量	内点法求解器依赖 BLAS，默认编译为可选组件；单纯形稳定性最好
混合整数规划 MIP	分支定界 + 割平面 + 启发式	整数变量规模是关键，预处理和并行影响明显	弱松弛、无界分支空间的问题会慢，注意整数变量取值范围
凸二次规划 QP	主动集法	目标函数 Hessian 半正定	仅支持凸 QP，非凸问题不在能力圈

几个"有但需要主动开启"的特性：并行求解（parallel选项，对 MIP 分支节点生效）、自动预处理（默认开启，见下一章）、不可行性诊断（IIS，可定位冲突约束子集）、敏感性分析（ranging，给出目标系数和右端项的变化范围）、多目标支持。这些不是默认全开的，文档里有说明。

四、建模思路：两个典型场景

场景一：车间排产 LP。每个产品做多少台，受机器产能和人工工时约束，求利润最大。建模要点：决策变量是各产品产量（连续，非负）；约束是资源上限（每个资源一行）和订单下限；目标函数是利润线性组合。变量和约束的规模通常是"几十到几千"，单纯形秒解。仓库里的 chip.py（桌子和椅子）和 distillation.py（原油调配）就是这个形态，读完这两个文件你基本掌握了 LP 建模的全部套路。

场景二：带时间窗的配送 MIP。决定哪些订单由哪辆车服务、按什么顺序。建模要点：决策变量是"订单-车辆"分配（0/1 整数）和访问顺序；关键约束是车辆容量、每个站点的时间窗、车辆路径的连续性。这类问题的难点不在建模而在规模——整数变量一多，分支定界的时间就上不封顶。可以先用 knapsack.py 熟悉整数变量怎么加，更贴近实际的列生成写法见 branch-and-price.py。

读完这两个场景你应该能判断：如果你的问题能写成"线性目标 + 线性约束 + 部分整数变量"，HiGHS 就建得出来。

五、影响求解速度的关键选项

presolve— 预处理，默认on。遇到奇怪的数值行为或想对照原始问题排查时，先关掉再看一遍。
time_limit— 求解时间上限，单位秒。设上限后，超时会返回当前最优解（MIP）或最佳可行解，便于你判断"再等 10 分钟值不值"。
parallel/threads— 并行线程数。MIP 分支阶段加速明显；单纯形基本用不上。
output_flag— 控制台日志开关。调试建模时建议保留，批量跑任务时关掉。
random_seed— 固定随机种子，保证同样输入下 MIP 的分支顺序可复现。

用options_file可以一次固化一组参数：

highs --options_file my_options.txt model.mps

其中my_options.txt每行一个参数名 = 取值，如presolve = on、time_limit = 600。命令行参数会覆盖文件中的值，方便临时改。

六、跑不通时先查这三处

源码构建失败：多半是 CMake 版本不足 3.15 或编译器太旧。看 configure 阶段第一段报错，cmake/README.md 列了平台要求和可选开关；如果只是想先跑起来，pip install highspy是最快路径。
求解返回 infeasible：先确认约束方向和上下界单位一致（"吨"写成"公斤"是最常见的建模事故），再用 HiGHS 的 IIS 功能拿到一组冲突约束子集，对着数据修，文档入口在 docs/src/interfaces/python/index.md。
大规模问题超时：先关掉presolve再开一次，对比预处理前后的规模，判断是模型本身大还是被预处理放大/缩小有异常；MIP 则设time_limit先拿到次优解，再迭代收紧界。求解器行为细节参考 docs/src/solvers.md。