关于Gurobi ILP新增约束后求解起点的技术问询

Great question! Let me break down exactly how Gurobi behaves when you add a new constraint to an already solved ILP model:

• 默认是热启动，不会从头求解
  When you call m.optimize() after adding a new constraint, Gurobi doesn't start from scratch. It leverages all the useful information it gathered during the first solve—things like the LP basis from the relaxation, generated cutting planes, partial search tree nodes for the MIP, and even the original solution S if it's still feasible under the new constraint.

  If S satisfies the new constraint, it'll use that as an initial feasible solution to kick off the optimization. If S violates the new constraint, Gurobi will adjust the existing basis or pick up from relevant nodes in the saved search tree to continue working towards the optimal solution, rather than rebuilding everything from zero.

• 为什么这能行得通
  Gurobi在第一次求解过程中会保留大量中间状态数据，这些数据在添加单条新约束后大部分仍然有效（或部分有效）。它会智能评估哪些状态可以复用，相比完全从头求解修改后的问题，这能大幅减少冗余计算。

• 少数近似从头求解的特殊情况
  有几种罕见场景下，Gurobi可能会接近完全重启求解：

  • 如果新约束彻底颠覆了问题结构（比如固定数十个变量，或添加数百条让原基解完全失效的约束），Gurobi可能会丢弃大部分旧状态，但仍会保留所有可复用的信息来加速求解。
  • 如果你手动调用m.reset()重置模型，或是修改核心求解器参数（比如切换求解器类型、禁用关键启发式算法），可能会强制完全重启，但这是用户主动操作的结果，并非默认行为。

• 如何验证这个机制
  对比两次求解的日志即可。第二次求解会出现类似Reusing basis from previous solve或Using MIP start from previous solve的日志行，而且总求解时间会明显短于第一次（除非问题变化过大导致旧状态完全无用）。

内容的提问来源于stack exchange，提问作者Poker ManeAC