Excel Solver多循环耗时过长，求年度收益优化提速方案

我明白你现在的痛点——用VBA循环调用Solver处理365天的小时数据，结果要跑4-5小时，确实太影响效率了。结合你的业务场景和现有代码，我整理了几个针对性的提速方案，你可以逐一尝试：

一、先优化VBA代码与Excel运行环境 #

这些都是立竿见影的小改动，不用调整核心逻辑：

• 删除冗余的Solver设置：你的代码里连续调用了两次SolverOk，这完全是重复操作，直接删掉第二次调用，一次就足够初始化求解器设置了。每次SolverReset和SolverOk都有额外开销，能省则省。
• 关闭屏幕刷新与事件触发：在循环开始前加上这两行代码，循环结束后再恢复：

  Application.ScreenUpdating = False
  Application.EnableEvents = False
  ' 循环代码...
  Application.ScreenUpdating = True
  Application.EnableEvents = True
  

  这能大幅减少Excel界面渲染的耗时，尤其是循环次数多的时候。
• 禁用自动计算：如果你的工作表有大量联动公式，每次Solver求解后自动计算会拖慢速度。循环前设置：

  Application.Calculation = xlCalculationManual
  

  循环结束后改回xlCalculationAutomatic，甚至可以在每次SolverSolve后只手动计算必要的区域（比如Range("V13").Calculate），而不是全表计算。

二、优化Solver引擎与参数 #

这是影响求解速度的核心因素：

• 检查是否可以切换到线性求解器：如果你的收益-成本约束和目标函数都是线性的（没有平方、指数、对数这类非线性运算），直接把Engine:=1改成Engine:=2（单纯形LP引擎）。线性求解器的速度比GRG非线性快得多，单次求解时间可能直接砍到原来的1/5甚至更少，这是最值得优先验证的点！
• 调整GRG非线性引擎的参数：如果必须用非线性引擎，调用SolverOptions来优化迭代效率，比如：

  SolverOptions Convergence:=0.001, Iterations:=1000, AutoScale:=False
  

  适当提高收敛阈值（比如从默认的0.0001调到0.001）可以减少不必要的迭代次数；如果你的数据量级稳定，关闭自动缩放也能节省时间。

三、优化数据结构与求解逻辑 #

• 用固定小工作表承载单日模型：每次在大表中动态定位行号，Solver需要额外解析引用地址。你可以新建一个名为DailyModel的小工作表，把单日的输入数据（G、D列等）复制到这个表的固定区域，约束和变量都用这个表的固定单元格引用。循环时只需要更新DailyModel的数据，调用Solver求解后再把结果复制回原表对应行。这样能减少Solver解析动态引用的开销。
• 尝试批量处理多天数据（业务允许的话）：如果相邻几天的决策没有跨天约束（比如没有库存结转、产能累积这类关联），可以尝试合并几天（比如7天）作为一个求解单元，减少循环次数。不过这得看你的业务逻辑是否允许，要是每天决策完全独立，这步收益不大，但如果有部分共享约束，能有效减少总求解时间。

四、切换到Python方案（长期最优解） #

你之前说没找到有效的Python实现，其实用scipy.optimize就能完美替代Excel Solver，而且速度快很多，还能并行处理。给你一个简化的框架：

线性场景示例代码（如果你的模型是线性的） #

import pandas as pd
from scipy.optimize import linprog
from joblib import Parallel, delayed  # 用来并行处理，提速更明显

# 读取年度数据
df = pd.read_excel('你的数据文件.xlsx')

# 定义单日求解函数
def solve_single_day(day_data, f3_val, f6_val, f12_val):
    # 目标函数：最大化收益，转成最小化负收益（linprog默认求最小）
    # 这里需要替换成你V13单元格对应的收益计算公式，把它拆解成变量H、I、J的线性组合
    c = -day_data['收益计算系数'].values  # 示例，实际要根据你的公式推导
    
    # 整理约束条件：A_ub @ x <= b_ub，A_eq @ x = b_eq
    A_ub = []
    b_ub = []
    
    # H <= G 的约束：x0 <= G值
    for g in day_data['G']:
        A_ub.append([1, 0, 0])
        b_ub.append(g)
    
    # I <= D 且 I >=0 的约束
    for d in day_data['D']:
        A_ub.append([0, 1, 0])
        b_ub.append(d)
    A_ub.append([0, -1, 0])
    b_ub.append(0)
    
    # J <= F3、J <= M、J >=0 的约束
    for m in day_data['M']:
        A_ub.append([0, 0, 1])
        b_ub.append(min(f3_val, m))
    A_ub.append([0, 0, -1])
    b_ub.append(0)
    
    # 其他约束（比如N列、O列的约束）按同样逻辑整理
    
    # 变量边界
    bounds = [(0, None), (0, None), (0, None)]  # H、I、J的上下限，根据实际调整
    
    # 求解
    res = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method='highs')
    return res.x

# 读取全局参数（F3、F6、F12这些固定值）
f3 = df.loc[2, 'F']  # 假设F3在第3行F列，实际根据你的表调整
f6 = df.loc[5, 'F']
f12 = df.loc[11, 'F']

# 按天拆分数据（每24行一天）
daily_blocks = [df.iloc[i:i+24] for i in range(0, len(df), 24)]

# 并行求解（用所有CPU核心，速度翻倍）
results = Parallel(n_jobs=-1)(delayed(solve_single_day)(block, f3, f6, f12) for block in daily_blocks)

# 把结果写回原表
for idx, block in enumerate(daily_blocks):
    df.loc[block.index, ['H', 'I', 'J']] = results[idx]

# 保存结果
df.to_excel('求解结果.xlsx', index=False)

如果是非线性模型，就用scipy.optimize.minimize，定义好目标函数和约束条件即可。Python的优势在于，求解器效率更高，还能并行处理365天的数据，把总耗时压缩到几十分钟甚至更短。

优先建议你先尝试前两步（VBA优化+切换线性引擎），这两步不需要改太多代码，就能快速看到效果；如果还是达不到预期，再考虑数据结构优化或者切换到Python方案。

内容的提问来源于stack exchange，提问作者Omur