如何序列化（保存）Google OR-Tools mathopt模型对象及替代方案

一、Pickle无法序列化MathOpt模型的原因 #

MathOpt的Model对象内部包含WeakSet等无法被Pickle序列化的本地对象，这是触发AttributeError的直接原因。而CP-SAT模型的底层实现结构不同，因此可以正常被Pickle序列化。

二、正确的Protobuf导出/导入方案 #

你之前的Protobuf导入失败，是因为错误地尝试将解析后的内容写入model.export_model()返回的临时对象，而非通过Model.from_proto()方法从Proto对象创建新模型。以下是修正后的完整实现：

导出模型 #

from google.protobuf import text_format
from ortools.math_opt.python import mathopt

def export_model(model, filename):
    model_proto = model.export_model()
    with open(filename, "w") as file:
        file.write(text_format.MessageToString(model_proto))

# 示例导出流程
model = mathopt.Model(name="getting_started_lp")
x = model.add_variable(lb=0.0, ub=1.5, name="x")
y = model.add_variable(lb=0.0, ub=1.0, name="y")
# 给约束命名，方便后续定位修改
model.add_linear_constraint(x + y <= 2, name="sum_upper_bound")
model.maximize(x + 2 * y)

export_model(model, "model.prototxt")

导入模型 #

from google.protobuf import text_format
from ortools.math_opt.python import mathopt
from ortools.math_opt import model_pb2

def import_model(filename):
    model_proto = model_pb2.ModelProto()
    with open(filename, "r") as file:
        text_format.Parse(file.read(), model_proto)
    return mathopt.Model.from_proto(model_proto)

# 示例导入流程
loaded_model = import_model("model.prototxt")

三、定位并修改目标约束 #

导入模型后，可通过约束名称快速定位并修改：

# 通过名称获取目标约束
target_constraint = loaded_model.linear_constraints["sum_upper_bound"]

# 修改约束上界
target_constraint.set_upper_bound(1.8)
# 若需要修改下界，执行以下代码
# target_constraint.set_lower_bound(0.5)

# 重新求解模型
solver = mathopt.Solver("glop")
result = solver.solve(loaded_model)
print(f"目标值: {result.objective_value}")
print(f"x取值: {result.variable_values[loaded_model.variables['x']]}")
print(f"y取值: {result.variable_values[loaded_model.variables['y']]}")

四、多轮用户调用的注意事项 #

• 每次修改后重新求解时，建议创建新的Solver实例，避免残留状态干扰结果。
• 若需频繁修改固定约束，导入模型后可提前缓存约束对象，减少重复查找的性能开销。

内容的提问来源于stack exchange，提问作者Bhartendu Awasthi