在pyscipopt实现Benders分解时连续求解LP的数值问题问询

一、提升LP连续求解的稳健性 #

1. 调整SCIP数值参数 #

针对数值不稳定问题，优先调整核心数值容忍度与缩放参数：

• 放宽可行性容忍度：

  model.setRealParam("numerics/feastol", 1e-6)
  model.setRealParam("numerics/dualfeastol", 1e-6)
  

• 强制开启矩阵缩放（默认可能关闭）：

  model.setIntParam("numerics/scaling", 1)
  model.setIntParam("numerics/scaling/max", 10)  # 最大缩放次数
  

• 禁用可能加剧数值问题的启发式：

  model.setIntParam("heuristics/randround/freq", -1)
  

2. 避免滥用freeTransform() #

freeTransform()会完全释放当前LP变换结构，频繁调用易引发数值断层。替代方案：

• 添加割约束后直接调用model.optimize()，SCIP会自动重新构建LP松弛并求解，无需手动释放变换；
• 若必须重置LP状态，改用底层APImodel.scip.SCIPfreeTransform(model.scip)，但仅在必要时调用，而非每次添加约束后都执行。

3. 切换LP求解器 #

SCIP自带LP求解器在极端数值场景下稳定性不足，可切换至外部商用求解器（需提前安装对应接口）：

• 切换至CPLEX：

  model.setIntParam("lp/solver", 1)  # 需确保SCIP编译时启用CPLEX接口
  

• 切换至Gurobi：

  model.setIntParam("lp/solver", 2)  # 需确保SCIP编译时启用Gurobi接口
  

4. 隔离主/子问题模型 #

避免在同一模型中反复修改约束，改为：

• 每次主问题求解后，导出变量解；
• 基于原始主问题模板创建新模型，添加割约束后重新求解；
• 此方法虽牺牲部分效率，但能彻底避免累积数值误差。

二、无需前置信息的求解重启方法 #

1. 轻量重启：清除解状态并重求解 #

无需重建模型，仅清除现有解与求解状态后重启：

# 清除所有解
model.clearSolutions()
# 重置求解状态
model.scip.SCIPsetSolvingStatus(model.scip, 0)
# 重新优化
model.optimize()

2. 完全重启：重建模型核心结构 #

若轻量重启无效，可重置模型的LP松弛结构（无需重新定义变量/约束）：

# 释放当前变换与求解器状态
model.scip.SCIPfreeTransform(model.scip)
model.scip.SCIPfreeSolver(model.scip)
# 重新初始化求解器
model.scip.SCIPinitSolver(model.scip)
# 重新优化
model.optimize()

3. 模板化模型重建 #

将主问题的变量、基础约束定义为函数，每次迭代时调用函数重建模型并添加割约束：

def build_master_problem():
    model = Model("master")
    # 定义主问题变量与基础约束
    x = model.addVar(vtype="C", name="x")
    # ... 其他变量与约束
    return model, x

# 每次迭代时重建
master, x = build_master_problem()
# 添加割约束
master.addCons(...)
master.optimize()

三、额外数值稳定性建议 #

• 缩放割约束：确保割约束的系数绝对值在1e-3至1e3之间，避免极端数值；
• 检查主问题解：每次求解后验证变量值是否合理（如无无穷大、NaN），若存在异常则添加变量上下界约束；
• 开启详细日志：通过model.setIntParam("display/verblevel", 3)查看LP求解过程中的退化、奇异矩阵等具体问题，针对性调整参数。

内容的提问来源于stack exchange，提问作者optimal-br