CPLEX求解MILP时节点不可行、内存耗尽问题求助

一、先验证模型核心可行性 #

• 先关闭所有整数约束（将整数变量转为连续变量），求解线性松弛问题：
  • 如果松弛问题也不可行，说明模型的核心约束存在矛盾，需逐一排查约束逻辑，比如是否有冲突的上下限、互斥的约束条件。可使用model.feasibility_report()工具定位冲突约束。
  • 如果松弛问题可行，说明整数约束或半连续约束导致了可行性瓶颈，此时可：
    • 检查半连续变量的设置是否符合业务逻辑（半连续变量要求值要么为0，要么大于等于某个下限），是否存在下限设置过高导致无整数解的情况。
    • 尝试固定部分整数变量为松弛解的取整值，逐步缩小范围，定位哪些整数变量的取值是可行性关键。

二、精简模型规模 #

• 减少整数变量数量：评估45万+整数变量是否真的必要，比如是否存在可合并的变量、部分变量能否用连续变量近似（若业务允许），或引入聚合变量替代一组相关整数变量。
• 移除冗余约束：运行model.remove_redundant_constraints()自动清理冗余约束，也可手动检查重复约束、被其他约束覆盖的弱约束。
• 拆分模型求解：若模型可按业务模块拆分，先求解子模块验证可行性，再逐步整合，避免一次性处理超大规模模型。

三、调整求解器参数，优先聚焦可行解 #

• 调整参数优先寻找可行解：
  • 设置parameters.mip.strategy.search=1（可行解优先模式），让求解器先尝试生成可行解，而非一开始就聚焦最优性。
  • 启用parameters.mip.heuristics.frequency=10（提高启发式算法频率），增加找到可行解的概率。
• 限制内存占用：
  • 设置parameters.mip.limits.tree_memory=60（单位GB，可按需调整），当树内存达到阈值时，求解器会自动清理非关键节点，避免内存耗尽。
  • 启用parameters.mip.strategy.branch=1（优先分支最可能找到可行解的变量），减少无效分支节点的生成。
• 关闭部分耗时切割：若模型切割生成过多导致内存暴涨，可设置parameters.mip.cuts.all=0，先关闭所有切割，看能否快速找到可行解，再逐步开启必要的切割类型。

四、深入分析运行日志 #

• 重点关注日志中松弛解的目标值变化：如果松弛解目标值持续恶化，说明分支方向可能存在问题，调整parameters.mip.strategy.nodeselect为不同取值（比如2=最佳边界优先，3=深度优先）尝试。
• 查看不可行节点的来源：如果某类约束反复导致节点不可行，单独提取这类约束，结合变量取值分析是否存在逻辑错误，比如约束系数是否写错、变量索引是否对应错误。

五、半连续变量的特殊处理 #

• 半连续变量在分支时会增加复杂度，尝试将半连续变量转换为整数变量+连续变量的组合（比如用0-1变量控制是否激活，再搭配连续变量的下限约束），降低求解器的分支负担。

内容的提问来源于stack exchange，提问作者Ramakant Shakya