如何在PySCIPOpt中热启动LP问题并利用前序解初始化

要实现迭代修改LP约束RHS并利用上一次的最优基快速求解，关键是让SCIP保留优化后的基信息，同时避免重置模型状态。以下是具体解决方案：

核心问题分析 #

• 直接调用model.optimize()后修改RHS再优化无反应：SCIP默认在优化完成后会清理LP基信息，导致无法复用前序解。
• 使用freeTransform()会完全重置模型的变换和基数据，导致新求解必须从头开始。

正确实现步骤 #

1. 设置参数保留基信息：在创建模型后，设置lp/keepbasis参数为True，让SCIP在优化完成后保留当前基。
2. 可选：指定对偶单纯形求解：由于已知上一次解在新LP中对偶可行，设置求解器优先使用对偶单纯形，进一步提升迭代效率。
3. 修改约束RHS后直接重新优化：无需调用freeTransform()，直接修改RHS后再次执行model.optimize()，SCIP会自动复用前序基启动求解。

示例代码 #

from pyscipopt import Model

# 初始化LP模型
model = Model("Iterative_LP")

# 关键参数：保留优化后的基信息
model.setParam("lp/keepbasis", True)
# 可选：指定使用对偶单纯形求解（适配对偶可行的前置解）
model.setParam("lp/solver", "dual")
# 可选：关闭预解（避免预解修改原始约束，确保chgRhs精准作用）
model.setParam("presolving/maxrounds", 0)

# 定义变量与约束（示例）
x = model.addVar("x", vtype="C")
y = model.addVar("y", vtype="C")
# 创建需要迭代修改RHS的约束
target_cons = model.addCons(x + 2*y <= 8, name="target_constraint")

# 第一次求解
model.optimize()
print(f"首次求解结果：x={model.getVal(x):.2f}, y={model.getVal(y):.2f}, 目标值={model.getObjVal():.2f}")

# 修改约束RHS
new_rhs = 15
model.chgRhs(target_cons, new_rhs)

# 第二次求解（复用前序基）
model.optimize()
print(f"修改RHS后求解结果：x={model.getVal(x):.2f}, y={model.getVal(y):.2f}, 目标值={model.getObjVal():.2f}")

注意事项 #

• 如果模型启用了预解（默认开启），可能会对原始约束进行合并、修改或删除，导致chgRhs无法定位目标约束。此时可以通过关闭预解（设置presolving/maxrounds=0）来避免该问题。
• 若迭代过程中仅修改约束RHS，且前置解满足对偶可行性，上述设置会让SCIP仅执行少量对偶单纯形迭代即可完成求解，大幅提升效率。

内容的提问来源于stack exchange，提问作者Quentin PLOUSSARD