JuMP中二进制变量返回非0/1值（如0.99995）的问题咨询

这是整数规划求解里非常常见的数值精度问题，完全不用慌，我给你唠唠背后的原因和解决办法：

核心原因 #

• 浮点数计算的固有误差：Cbc在求解过程中底层用的是浮点数运算，而浮点数本身就存在精度限制（比如双精度浮点数的精度大约是1e-16），迭代计算中积累的误差会让最终的变量值偏离严格的0或1，但偏差通常极小（比如你遇到的0.99995，和1的差只有5e-5）。
• 求解器的容忍度设置：为了提升求解效率，Cbc会默认设置一个「整数容忍度」（一般是1e-5左右），只要变量值落在[0 - tol, 0 + tol]或[1 - tol, 1 + tol]范围内，就会被判定为可行的二进制解，不会强行把数值掰成严格的0或1。
• 分支定界的松弛特性：整数规划的求解依赖分支定界法，过程中会先求解线性松弛问题（把二进制变量放松成0到1之间的连续变量），再逐步收紧边界。这个过程中的迭代误差也可能导致最终解出现微小的非整数偏差。

解决办法 #

1. 手动四舍五入（最直接） #

因为这些值已经非常接近0或1，直接用round()函数就能得到严格的整数解，而且这个解几乎100%是原问题的可行解（毕竟偏差在求解器的容忍范围内）：

xsol = JuMP.value.(x);
# 四舍五入得到严格的0/1数组
xsol_binary = round.(xsol)

2. 收紧求解器的整数容忍度 #

你可以在初始化Cbc求解器时，设置更小的integerTolerance参数，让求解器对整数解的判定更严格：

model = Model(with_optimizer(Cbc.Optimizer, seconds=120, integerTolerance=1e-8));

不过要注意：容忍度设置得越小，求解器可能需要更长的时间来收敛，要在精度和效率之间做权衡。

3. 验证解的可行性（可选） #

如果担心四舍五入后的解不符合约束，可以手动代入原约束验证，比如检查约束的计算值是否满足要求（同样要考虑合理的数值误差）：

# 假设你有一个约束 @constraint(model, sum(x[i] for i in V) <= 5)
sum_x = sum(xsol_binary)
# 允许微小误差的情况下检查是否满足约束
@assert sum_x <= 5 + 1e-6 "解不满足约束"

内容的提问来源于stack exchange，提问作者Timothée HENRY