循环求解JuMP(HiGHS)模型时的内存泄漏问题求助

针对你用JuMP（HiGHS求解器）批量处理时序数据时，循环调用empty!(Model)导致求解时间呈O(n²)增长的问题，以下是具体优化方案：

1. 放弃模型复用+empty!，改用每次创建新模型 #

empty!(mdl)无法完全清除JuMP模型内部的所有元数据和缓存，随着循环次数增加，这些残留会导致模型构建和求解的开销持续上升。直接在每次循环中创建新模型，能避免这类累积问题：

using JuMP, HiGHS, CSV, DataFrames

df = CSV.read("data.csv", DataFrame)
final_output = Vector{Matrix{Float64}}(undef, 10) # 预分配输出数组

for batch = 1:10
    batchIndex = # 你的批次索引逻辑
    # 每次循环创建全新模型
    mdl = Model(HiGHS.Optimizer)
    batch_output = optimizer_function(mdl, df[batchIndex])
    final_output[batch] = batch_output
end

function optimizer_function(mdl, input_data)
    T = 1:24
    @variable(mdl, 100 .>= x[T] .>= 0)
    @variable(mdl, 200 .>= y[T] .>= 0)
    # 定义约束、表达式、目标（保持原逻辑）
    @constraint(mdl, ...)
    exp1 = @expression(mdl, ...)
    @objective(mdl, Max, sum(exp1 + ...))
    optimize!(mdl)
    return hcat(value.(x), value.(y))
end

2. 采用参数化模型（最优方案） #

这是JuMP批量处理场景的核心优化手段：只一次性定义变量、约束和目标结构，用参数承载批次间变化的输入数据，循环中仅更新参数值，彻底避免重复解析JuMP宏的开销：

using JuMP, HiGHS, CSV, DataFrames

# 一次性构建参数化模型
function build_parametric_model()
    mdl = Model(HiGHS.Optimizer)
    T = 1:24
    # 定义固定结构的变量
    @variable(mdl, 100 >= x[T] >= 0)
    @variable(mdl, 200 >= y[T] >= 0)
    # 定义参数，用于存储批次输入数据
    @parameter(mdl, input_data[T])
    # 用参数定义约束和目标（保持原逻辑）
    @constraint(mdl, con1[t in T], x[t] + y[t] <= input_data[t])
    exp1 = @expression(mdl, sum(x[t] for t in T))
    exp2 = @expression(mdl, sum(y[t] * input_data[t] for t in T))
    @objective(mdl, Max, exp1 + exp2)
    return mdl, x, y, input_data
end

# 初始化模型和变量/参数
mdl, x, y, input_param = build_parametric_model()
# 开启warmstart，利用批次间解的连续性加速求解
set_optimizer_attribute(mdl, "warm_start", "yes")

df = CSV.read("data.csv", DataFrame)
final_output = Vector{Matrix{Float64}}(undef, 365) # 预分配365个批次的输出

for batch = 1:365
    batchIndex = # 你的批次索引逻辑
    # 更新参数值为当前批次数据
    batch_data = df[batchIndex, :your_input_column]
    set_value.(input_param, batch_data)
    # 求解
    optimize!(mdl)
    # 保存结果
    final_output[batch] = hcat(value.(x), value.(y))
end

3. 配置求解器选项加速 #

针对时序批次数据的连续性，开启HiGHS的warmstart功能，让求解器以上一次的解作为初始点，大幅减少迭代次数：

# 创建模型时直接设置
mdl = Model(() -> HiGHS.Optimizer(
    "warm_start" => "yes",
    "presolve" => "on", # 开启预求解简化模型
    "time_limit" => 30 # 可选，设置单批次求解超时
))

4. 避免全局变量，利用函数编译优化 #

Julia对全局变量的性能支持较差，将整个批量处理逻辑封装到函数中，触发Julia的函数级编译优化，进一步降低内存分配和运行开销：

function run_full_batch(df, num_batches::Int)
    mdl, x, y, input_param = build_parametric_model()
    set_optimizer_attribute(mdl, "warm_start", "yes")
    final_output = Vector{Matrix{Float64}}(undef, num_batches)
    for batch = 1:num_batches
        batchIndex = # 你的批次索引逻辑
        batch_data = df[batchIndex, :your_input_column]
        set_value.(input_param, batch_data)
        optimize!(mdl)
        final_output[batch] = hcat(value.(x), value.(y))
    end
    return final_output
end

# 调用函数
df = CSV.read("data.csv", DataFrame)
results = run_full_batch(df, 365)

内容的提问来源于stack exchange，提问作者Telemakos_1987BC