R语言线性优化：斯蒂格勒饮食问题复现与Glop优化器使用咨询

R生态中Glop求解器的可用性 #

• R目前没有Google官方原生维护的Glop独立安装包，但存在可桥接调用OR-Tools核心组件的第三方R接口，这类接口本质是在本地部署OR-Tools运行环境，直接调用其内置的Glop线性规划求解核心，和Python端OR-Tools使用的Glop内核完全一致，不存在求解逻辑的差异。
• 只要建模时的目标函数、约束条件、边界限制和Python参考实现完全对齐，通过这类接口求解斯蒂格勒饮食问题，得到的结果可以和Python端结果完全匹配。

现有lpSolve求解结果存在偏差的核心原因 #

• 目前你基于lpSolve得到的0.716的结果，和斯蒂格勒饮食问题的经典理论最优值（年成本约39.93美分）存在显著差距，这类偏差基本不是求解器差异导致的，而是建模输入和Google参考实现未对齐引发的，常见的错配点包括：
  • 数据列顺序错配：构造约束矩阵时，营养指标的列顺序和右端值的顺序没有一一对应，导致约束逻辑偏移
  • 单位不统一：数据集中的营养含量单位、价格单位、约束右端的需求单位没有做统一转换
  • 数据集不匹配：使用的营养数据和Google文档公开的斯蒂格勒问题数据集存在数值差异
  • 样本覆盖不全：如果使用的数据集没有包含全部77种可选食物，仅截取部分食物做优化，可行域范围会被压缩，得到的最优成本自然会高于全量数据集的结果
• 实际上针对这类小规模线性规划问题，lpSolve、Glop这类基于单纯形法的求解器在模型完全一致的前提下，得到的最优值不会存在可感知的数值差异，不存在换个求解器就能把0.716的结果降到参考值的情况。

复现对齐参考结果的实操建议 #

• 先将现有模型导出为标准MPS格式的线性规划文件，分别用lpSolve、Glop对同一文件求解，验证求解器层面的输出是否一致，排查求解器本身的影响
• 逐列、逐行核对输入的营养数据、价格数据、约束右端值，确保和Google文档中的参考数据集完全匹配
• 确认模型中所有变量默认满足非负约束，和Glop的默认变量边界保持一致，避免出现负购买量这类不符合现实逻辑的解
• 安装R端的OR-Tools绑定前，预先匹配和Python参考实现一致版本的OR-Tools核心组件，避免版本差异带来的微小数值偏差

内容的提问来源于stack exchange，提问作者Antarqui