Gurobi/Drake中MIP优化续跑及最优解质量监控方法问询

一、Gurobi中实现会话续跑（保存/加载分支定界树） #

Gurobi支持保存包含完整分支定界树、已找到解、剪枝信息的状态文件，以此实现续跑，步骤如下：

第一次运行与状态保存 #

import gurobipy as gp
from gurobipy import GRB

# 创建或加载MIP模型
model = gp.Model("long_run_mip")
# ... 完成变量、约束、目标函数定义 ...

# 设置15分钟时间限制（单位：秒）
model.setParam(GRB.Param.TimeLimit, 900)
model.optimize()

# 保存完整会话状态到.mst文件（包含分支定界树）
model.write("mip_session_state.mst")

续跑加载与再优化 #

# 加载保存的会话状态
model = gp.read("mip_session_state.mst")

# 再次设置15分钟时间限制
model.setParam(GRB.Param.TimeLimit, 900)
model.optimize()

# 优化完成后可覆盖保存状态，用于下一轮续跑
model.write("mip_session_state.mst")

.mst是Gurobi的状态文件，包含所有续跑所需的上下文信息，并非仅二进制黑盒。

二、Drake中实现MIP续跑 #

Drake底层默认调用Gurobi作为MIP求解器，可通过访问底层Gurobi模型实现续跑：

第一次运行与状态保存 #

from pydrake.solvers.mathematicalprogram import MathematicalProgram
from pydrake.solvers.gurobi import GurobiSolver

# 创建Drake规划问题
prog = MathematicalProgram()
# ... 添加变量、约束、目标函数 ...

# 初始化Gurobi求解器与上下文
solver = GurobiSolver()
context = solver.MakeDefaultContext(prog)

# 设置15分钟时间限制
solver.SetSolverOption(context, "TimeLimit", 900)
solver.Solve(context)

# 获取底层Gurobi模型并保存状态
gurobi_model = solver.access_grb_model(context)
gurobi_model.write("drake_mip_session.mst")

续跑加载与再优化 #

# 创建与原问题结构完全一致的新规划实例
new_prog = MathematicalProgram()
# ... 复制原问题的变量、约束、目标定义 ...

new_context = solver.MakeDefaultContext(new_prog)
new_gurobi_model = solver.access_grb_model(new_context)
# 加载之前保存的状态文件
new_gurobi_model.read("drake_mip_session.mst")

# 设置新的时间限制并续跑
solver.SetSolverOption(new_context, "TimeLimit", 900)
updated_result = solver.Solve(new_context)

注意：续跑时的MathematicalProgram结构必须与原问题完全一致，否则加载状态会出错。

三、其他增量检查解质量的方法 #

1. 实时监控优化进度 #

无需中断优化，通过回调或日志实时获取解质量：

• Gurobi：启用回调函数，定时输出当前最优值、下界、gap：

  def progress_callback(model, where):
      if where == GRB.Callback.MIP:
          current_gap = model.cbGet(GRB.Callback.MIP_GAP)
          current_obj = model.cbGet(GRB.Callback.MIP_OBJVAL)
          current_bound = model.cbGet(GRB.Callback.MIP_OBJBND)
          print(f"当前Gap: {current_gap*100:.2f}% | 目标值: {current_obj:.2f} | 下界: {current_bound:.2f}")
  
  model.setParam(GRB.Param.Callback, progress_callback)
  model.optimize()
  

• Drake：开启求解器日志输出，会转发Gurobi的实时进度信息，或通过上述Gurobi回调方法实现。

2. 定期保存中间可行解 #

在优化过程中，每当找到更优可行解时自动保存：

• Gurobi：在回调中捕获新可行解事件并保存：

  def save_solution_callback(model, where):
      if where == GRB.Callback.MIPSOL:
          # 获取当前可行解
          solution = model.cbGetSolution(model.getVars())
          # 保存解到文本文件
          with open("current_best_sol.txt", "w") as f:
              for var, val in zip(model.getVars(), solution):
                  f.write(f"{var.VarName}: {val:.4f}\n")
          # 同步保存会话状态
          model.write("latest_session.mst")
  
  model.setParam(GRB.Param.Callback, save_solution_callback)
  

3. 动态调整优化时长 #

无需固定15分钟循环，根据当前gap动态调整：比如当gap小于预设阈值（如3%）时提前终止，否则延长优化时间；或根据剩余计算资源灵活设置时间限制。

内容的提问来源于stack exchange，提问作者HoliInn