GLPK_MI切换为长步对偶单纯形法的时机、原因及相关设置问题

问题1：GLPK_MI切换长步对偶单纯形法的场景与原因 #

你日志里的切换节点刚好对应根节点LP松弛求解完成、MIP分支定界阶段启动的节点，触发逻辑是GLPK默认的MIP求解策略：

• 初始阶段GLPK会优先用原单纯形法求解MIP根节点的LP松弛问题，目的是快速找到初始可行解、完成根节点最优基的计算，你日志中* 4138: obj = -2.197596897e+07 inf = 1.422e-13 (0) 3这行就代表根节点LP松弛已经求得最优解，不可行度降为0。
• 进入分支定界阶段后，每个子节点的LP松弛问题都是在父节点最优基的基础上新增分支约束得到的，天然具备对偶可行性、但大概率失去原可行性，这种场景下对偶单纯形法不需要重新构造初始可行基，求解效率远高于原单纯形法；而长步对偶单纯形法相比标准对偶单纯形法每次迭代能调整更多变量，收敛速度更快、数值稳定性更好，因此GLPK会自动切换该算法处理所有子节点的LP松弛。

问题2：调整切换逻辑的参数 #

GLPK提供了明确的参数可以修改该切换逻辑，你可以在CVXPY调用solve()时通过glpk_options参数传入自定义配置：

• 核心控制参数是lp_method，可选值包括：
  • GLP_PRIMAL（值1）：全程使用原单纯形法，不会自动切换到对偶单纯形
  • GLP_DUAL（值2）：全程使用对偶单纯形
  • GLP_DUALP（值3，默认值）：优先用对偶单纯形，数值不稳定时自动切原单纯形，根节点阶段自动适配原单纯形求初始解
• 额外可以通过dual_long参数（布尔值，默认开启）控制是否启用长步对偶，设为0则会使用标准对偶单纯形而不是长步版本。
  示例调用代码：

prob.solve(solver=cvxpy.GLPK_MI, glpk_options={'lp_method': 1, 'dual_long': 0})

问题3：在切换节点终止求解的实现方法 #

有两种成熟的实现方案，覆盖不同使用场景：

1. 简单参数配置方案：你可以直接设置MIP最大节点数参数mip_max_nodes为1，GLPK处理完1个根节点后就会自动终止，刚好卡在分支定界阶段启动（也就是长步对偶单纯形启用）之前，不需要修改代码逻辑。示例调用：

prob.solve(solver=cvxpy.GLPK_MI, glpk_options={'mip_max_nodes': 1})

2. 自定义回调方案：如果你需要更灵活的终止判断逻辑，可以不用CVXPY的封装，直接通过swiglpk（GLPK的Python绑定）构建模型，注册GLP_IROOT事件的回调函数，在根节点处理完成的回调中返回终止指令即可实现精准终止。

内容的提问来源于stack exchange，提问作者Sad Vaseb