MOSEK Fusion Python API：获取优化过程中找到的可行解数量

针对混合整数规划（MIP）问题 #

MOSEK求解MIP时会跟踪找到的可行解，你可以通过两种方式获取计数：

1. 解析优化日志统计

MOSEK的日志会记录每次找到可行整数解的事件，你可以捕获日志后统计对应条目数量：

import mosek.fusion as mf
import io

with mf.Model("mip-example") as model:
    # 此处添加你的模型构建代码...

    # 将日志捕获到内存流
    log_buffer = io.StringIO()
    model.setLogHandler(log_buffer)

    # 执行求解
    model.solve()

    # 统计可行解数量
    log_content = log_buffer.getvalue()
    feasible_count = log_content.count("Int feasible solution found")
    print(f"累计找到可行解数量: {feasible_count}")

2. 通过回调函数实时计数

注册MIP回调函数，在每次发现新可行解时递增计数器：

import mosek.fusion as mf

feasible_count = 0

def mip_callback(phase, callback_info):
    global feasible_count
    # 触发条件：找到新的整数可行解
    if phase == mf.CallbackPhase.MIP_NEW_INT_POINT:
        feasible_count += 1

with mf.Model("mip-example") as model:
    # 此处添加你的模型构建代码...

    # 注册回调函数
    model.setCallback(mip_callback)

    # 执行求解
    model.solve()

    print(f"累计找到可行解数量: {feasible_count}")

针对连续优化问题（LP/QP等） #

连续问题的可行域是连续空间，存在无穷多可行解，MOSEK不会统计可行解数量。这类场景下，你需要通过调整求解停止准则（如时间限制、最优间隙阈值）来平衡求解时间与解的质量。

平衡时间与解质量的参数设置 #

结合可行解计数需求，你可以通过以下参数控制MIP求解过程：

• mipMaxSolutions：设定MOSEK最多寻找的可行解数量，达到后停止求解
• optimizerMaxTime：设定求解的最长时间限制（单位：秒）
• mipRelativeGap：设定最优间隙阈值，当间隙小于该值时停止求解

示例参数设置：

# 最多寻找50个可行解
model.setSolverParam("mipMaxSolutions", 50)
# 求解最长不超过30秒
model.setSolverParam("optimizerMaxTime", 30.0)
# 最优间隙小于1%时停止
model.setSolverParam("mipRelativeGap", 1e-2)

内容的提问来源于stack exchange，提问作者iLoveMosek