如何在SCIP/PySCIPOpt中指定问题求解类型？

1. 如何强制指定问题类型为NLP #

SCIP没有直接指定问题类型的参数，但可以通过禁用所有整数相关的求解组件来强制按NLP逻辑求解，确保不会触发MINLP的分支、启发式等流程。示例代码：

# 禁用所有整数分支规则
model.setIntParam("branching/all/priority", -1)
# 禁用所有整数启发式
model.setIntParam("heuristics/all/priority", -1)
# 关闭分支定界节点选择逻辑
model.setIntParam("nodeselection/standard/priority", -1)

上述设置会让SCIP完全跳过MINLP相关的求解模块，仅运行连续优化的组件。

2. 除.fixVar()外确保按NLP求解的更佳方式 #

最直接的方式是将原模型中的整数变量直接转为连续变量，从根源上把MINLP转为NLP，无需依赖预求解的自动转换。示例代码：

# 遍历所有变量，修改整数/二进制变量为连续类型
for var in model.getVars():
    var_type = var.getType()
    if var_type in ("INTEGER", "BINARY"):
        var.setType("CONTINUOUS")

这种方式无需固定变量值，保留了模型的连续优化特性，同时编码逻辑更清晰，避免了固定变量带来的潜在约束冗余。

3. 预求解后判断SCIP当前处理问题类型的方法 #

可以通过以下两种方式确认：

• 查询变量统计：获取预求解后的整数变量数量，若为0则当前问题是NLP：

  # 获取当前模型的整数变量总数
  int_var_count = model.getNIntVars()
  if int_var_count == 0:
      print("当前问题已转为NLP")
  

• 查看求解日志：SCIP在预求解后会输出类似Presolved problem has 0 integer variables, switching to NLP solver的日志信息，直接从日志中确认问题类型。

4. SCIP对MINLP和NLP是否采用相同启发式 #

不相同。MINLP会启用针对整数变量的启发式（如可行性泵、局部整数搜索等），而NLP仅使用连续优化的启发式（如线搜索、信赖域方法等）。当问题被识别为NLP时，SCIP会自动禁用所有整数相关的启发式组件。

5. 固定整数变量后MINLP求解算法是否等价于NLP算法 #

等价。当所有整数变量被固定后，SCIP的预求解会将问题转化为纯NLP，此时MINLP的分支定界框架会被跳过，直接调用内部的连续优化求解器（如IPOPT），求解流程和原生NLP完全一致。

6. SCIP是否会在检测到无整数变量时自动切换为NLP算法 #

是的。SCIP的预求解阶段会自动检测问题中的整数变量数量，若检测到无整数变量，会自动切换到NLP求解模式：禁用分支定界、整数启发式等MINLP组件，调用连续优化的求解逻辑。这一过程会在求解日志中明确提示。

内容的提问来源于stack exchange，提问作者Tony Mathew