Pyomo搭配GLPK求解线性规划的硬件配置及提速方法咨询

• CPU：GLPK原生不支持多线程并行求解，核心数不是核心参数，优先选择高单核主频的CPU，4核及以上即可覆盖调度、IO等附加开销，多余核心无法被求解过程利用
• 内存：需匹配问题规模，普通中小规模网络优化场景（节点<500、流<2000）8G内存足够，大规模场景建议16G起步，超大规模整数规划场景可上32G；只要内存足够避免系统触发swap交换，额外扩容内存不会带来明显提速
• 缓存清理：仅进程级的资源释放有效，每次求解完成后主动销毁Pyomo模型实例、GLPK求解器对象，避免内存碎片影响后续请求；系统级的缓存清理无明显收益，操作系统的文件缓存反而会加速求解过程中的临时数据读写

Pyomo建模&调用优化 #

• 建模时明确指定变量域，比如二进制变量直接设置domain=Binary、整数变量设置domain=Integers，不要通过额外约束限定变量范围，降低模型转换的额外开销
• 部署服务时优先使用AbstractModel预定义问题结构，每次接收请求时仅更新参数生成实例即可，不需要每次重新构建ConcreteModel，可减少70%以上的模型构建耗时
• 调用求解器时关闭不必要的IO开销：设置keepfiles=False不保留中间临时文件，设置tee=False关闭控制台日志输出（调试阶段可按需开启）
• 引入预处理器减少问题规模：使用pyomo.contrib.preprocessing工具包消除冗余约束、聚合可合并的变量、固定可提前确定取值的变量，降低传给GLPK的问题规模

GLPK求解器参数优化 #

• 合理设置最优间隙：如果业务场景允许一定的误差，可设置mipgap参数，比如options={'mipgap': 0.01}表示接受和最优解差1%以内的可行解，可大幅减少分支定界的迭代次数
• 调整分支策略适配网络优化场景：设置options={'branch': 'pseudocost'}使用伪费用分支策略，比默认分支策略更适配网络流类的整数规划问题，平均提速30%以上
• 开启适配的割平面生成：设置options={'gomory': 'on', 'mircut': 'on'}开启Gomory割、混合整数舍入割生成，可快速缩小可行域，减少分支节点数量
• 开启热启动：如果接收的是同类型的连续请求，可设置warmstart=True把上一次求解的结果作为初始可行解传入，可减少30%~50%的求解时间
• 纯线性规划场景可切换求解算法：如果你的问题没有整数变量，设置options={'lp_method': 'interior'}使用内点法求解，比默认的单纯形法更适配大规模网络流问题

内容的提问来源于stack exchange，提问作者Gabriel Urrutia