能否为MPModelProto设置初始值提示？GLOP相关Java实现性能疑问

我正在用MPModelProto + GLOP做开发，实现了一种启发式算法，会在修改部分约束的前提下持续运行线性模型。理论上，每次运行时用上一次的实际解作为线性优化器的初始提示，应该能提升性能。但下面这段代码能正常运行，却没观测到明显的性能提升，想确认实现是否合理：

PartialVariableAssignment partialVariableAssignment = PartialVariableAssignment.newBuilder()
        .addAllVarIndex(IntStream
                .range(0, mpSolutionResponse.getVariableValueCount() - 1)
                .boxed()
                .collect(Collectors.toList()))
        .addAllVarValue(mpSolutionResponse.getVariableValueList())
        .build();       

model.setSolutionHint(partialVariableAssignment);

代码里的明显问题 #

这段代码存在索引与值数量不匹配的错误：

• IntStream.range(0, mpSolutionResponse.getVariableValueCount() - 1)生成的索引范围是0到变量数-2（因为range是左闭右开），但mpSolutionResponse.getVariableValueList()包含了所有变量的值（共变量数个）。这会导致最后一个变量的值没有对应的索引，相当于丢失了一个变量的初始提示信息。

修正后的代码 #

把索引生成部分的-1去掉，保证索引和值的数量完全对应：

PartialVariableAssignment partialVariableAssignment = PartialVariableAssignment.newBuilder()
        .addAllVarIndex(IntStream
                .range(0, mpSolutionResponse.getVariableValueCount())
                .boxed()
                .collect(Collectors.toList()))
        .addAllVarValue(mpSolutionResponse.getVariableValueList())
        .build();       

model.setSolutionHint(partialVariableAssignment);

性能无提升的其他可能原因 #

即使修复了代码，还是可能因为以下原因看不到性能变化：

• 约束修改幅度小：如果每次修改的约束对最优解影响极小，GLOP本身的求解速度已经很快，初始提示的优化效果不明显。
• GLOP自身策略覆盖：GLOP的预解器或内置初始化策略可能已经自动采用了高效的起始点，外部传入的解提示被弱化了作用。
• 变量索引对应关系变化：如果每次修改约束时，模型的变量顺序或索引发生了变化，旧解的索引和新模型的变量不匹配，初始提示就完全无效。

内容的提问来源于stack exchange，提问作者epol