求用于测试并行单纯形算法的大型数据集及MPS解析器

嘿，我刚好在做线性规划并行算法的时候踩过类似的坑，给你分享几个实用的解决方案！

一、直接可用的A/b/c格式数据集 #

如果你不想折腾MPS文件，这些现成的结构化数据集可以直接拿来测试：

• NETLIB LP预处理数据集：很多开发者已经把NETLIB经典LP问题（比如afiro、adlittle这类小型问题，或是scagr7、scfxm1这类大型问题）转换成了NumPy数组或稀疏矩阵格式。你可以在GitHub上搜索「NETLIB LP matrices」找到不少公开仓库，里面的文件通常是.npy或.npz格式，直接用numpy.load()就能加载出A、b、c。
• 学术项目公开数据集：一些优化领域的学术项目会发布预处理好的LP数据集，以CSV、Parquet或二进制矩阵格式存储，适合快速导入到Python/C的程序中。
• lp_solve测试集：lp_solve的官方测试库中有部分问题已经导出为结构化文本格式，你可以直接读取其中的约束矩阵、右端项和目标系数。

二、各语言易用的MPS解析器推荐 #

如果还是需要处理MPS格式的文件，这些工具能帮你快速提取A、b、c：

Python #

• pymps：轻量级专门解析库，API极简，返回Scipy稀疏矩阵（刚好适配大型数据集的内存需求），安装和使用都很方便：

  from pymps import read_mps
  lp_problem = read_mps("your_lp_problem.mps")
  # 获取稀疏矩阵A，向量b、c
  A = lp_problem['A']
  b = lp_problem['b']
  c = lp_problem['c']
  

• scipy.optimize.read_mps：Scipy自带的工具，无需额外安装，适合已经在用Scipy生态的场景：

  from scipy.optimize import read_mps
  result = read_mps("your_file.mps")
  A = result['A']
  b = result['b']
  c = result['c']
  

• mpsreader：对复杂MPS变体支持更好，处理大文件效率较高，执行pip install mpsreader即可安装使用。

C语言 #

• MPSlib：轻量级独立库，代码简洁，容易集成到你的并行算法中，直接返回稀疏矩阵的行、列、值数组以及b、c向量，没有多余依赖。
• CLP（Coin-or Linear Programming）：虽然是完整的LP求解器，但它的MPS解析模块非常成熟，你可以单独提取解析部分，或者调用其API读取MPS文件并获取所需的矩阵和向量，兼容性拉满，适合工业级大型数据集。

Java #

• Apache Commons Math：官方提供的MpsParser类，稳定性高，文档齐全，能直接读取MPS文件并返回线性规划问题对象，轻松提取A、b、c。
• OsiJava（Coin-or Java绑定）：适合需要和求解器集成的场景，解析效率出色，支持各种MPS格式。

JavaScript #

• mps-parser：npm上的轻量级包，在Node.js或浏览器环境都能使用，解析后返回JSON格式的问题数据，包含A的稀疏表示和b、c向量，执行npm install mps-parser即可快速上手。

小提示 #

处理大型数据集时，优先选择返回稀疏矩阵的解析器，不仅能节省内存，还能更好地适配并行单纯形算法的稀疏运算逻辑。

内容的提问来源于stack exchange，提问作者Lou K.