HiGHS 线性优化求解器实战指南：从建模、求解到读懂 MIP 结果

【免费下载链接】HiGHSLinear optimization software项目地址: https://gitcode.com/GitHub_Trending/hi/HiGHS

凌晨两点，你盯着那张排了三天产线的调度表：变量上万、约束十几万，之前用的工具跑到一半内存爆掉，或者干脆给了个"时间超限"。如果你正被这类"模型太大算不动"的卡点缠住，HiGHS 值得你花十分钟认识一下——它是一款开源的线性优化求解器，核心用 C++ 编写，同一套内核同时覆盖线性规划（LP）、二次规划（QP）和混合整数规划（MIP），并提供 Python、C、Fortran、C# 等多语言接口。这篇文章不讲概念堆砌，按你实际动手的顺序来：先装上，再用一道生产计划题完整走一遍，回头才去理解它内部到底用了哪些算法，最后给你一套让它更快更稳的调法。

HiGHS 是什么，以及它适不适合你的题

一句话定位：HiGHS 是一个"什么规模的规划题都能接"的开源优化求解器。

它适合的场景：

• 纯连续变量的 LP（产能分配、配比、网络流）；
• 带整数/0-1 变量的 MIP（排班、选址、投诚-下不为例的投资组合离散化）；
• 目标函数里出现变量乘积的凸 QP（组合优化、最二次调节）；
• 你已有.mps或.lp格式模型文件，想换个更快的引擎重算。

也要说清楚它的边界：HiGHS 不处理非凸 QP（Hessian 必须半正定），也不是通用的非线性规划（NLP）求解器——如果约束里有三角函数、指数这类一般非线性，得另找工具。另外它不内置建模语言生态（像 PuLP、Pyomo 那种高层建模），模型本身还是要你自己用数组或变量表达式搭起来，但它对稀疏矩阵的处理效率正是为此优化的。

先让它跑起来：pip 一条命令 vs 源码编译

快速安装 highspy

大多数读者的正确入口是 Python 包highspy，一条命令搞定，不用碰编译器：

pip install highspy

装完别急着写模型，先做版本自检（这也是后续排查"版本不对"的基线）：

import highspy print(highspy.HIGHS_VERSION_MAJOR, highspy.HIGHS_VERSION_MINOR, highspy.HIGHS_VERSION_PATCH)

能打印出三个整数（例如 1 15 1，对应仓库里的 Version.txt）就说明内核加载正常。

源码编译：什么时候才需要

只有两种情况值得走这条路：你要把 HiGHS 链进自己的 C++/C 工程，或者需要启用 HiPO 内点法这类可选项。HiGHS 用 CMake 构建，要求CMake 3.15+、编译器支持C++11（见 CMakeLists.txt）：

git clone https://gitcode.com/GitHub_Trending/hi/HiGHS cd HiGHS cmake -S . -B build -DCMAKE_BUILD_TYPE=Release cmake --build build --parallel 4

注意这里：CMake 配置阶段拒绝在源码目录内构建（in-source build 会直接报错），必须像上面这样指定独立的build目录，第一次跑就报这个错的人不在少数。更多平台细节可翻 安装文档。

拿一道题完整走一遍：生产计划建模

光装不算会用。用两小时把下面这道题敲完，你对 highspy 的手感就有了。

题面：工厂生产 A、B 两种产品。A 单件利润 30 元，B 单件 25 元；每件 A 占 1 个工时、B 占 2 个工时，日工时上限 180；两种产品共用一条原材料线，合计日产量不超过 120 件；A 日产能上限 100 件、B 上限 150 件。求利润最大的产量组合。

建模到出结果，整个流程就是"建变量 → 加约束 → 定目标 → 求解 → 取数"五步：

import highspy h = highspy.Highs() # 1. 决策变量（含上下界） x_a = h.addVariable(lb=0, ub=100) # 产品 A 产量 x_b = h.addVariable(lb=0, ub=150) # 产品 B 产量 # 2. 资源约束：工时 + 原材料 h.addConstrs(x_a + 2 * x_b <= 180, x_a + x_b <= 120) # 3. 目标函数：最大化利润 h.maximize(30 * x_a + 25 * x_b) # 4. 求解 h.run() # 5. 读取结果 print(h.modelStatusToString(h.getModelStatus())) # 应输出 optimal print("最优利润:", h.getInfo().objective_function_value) print("A 产量:", h.variableValue(x_a)) print("B 产量:", h.variableValue(x_b))

跑完你会发现：getModelStatus()告诉你"最优/不可行/无界"三态之一，getInfo()里能拿到目标值、迭代次数、求解时间这些运行信息，单个变量的取值用variableValue()直接读。最偷懒的路径其实是readModel()——如果模型已经是文件，一行h.readModel("check/instances/avgas.mps")就能读入仓库自带的那道经典汽油调配题（avgas.mps），然后照样run()。

想上 MIP 也几乎不用换姿势，建变量时多一个参数把类型改成整数即可：

x = h.addVariable(lb=0, ub=10, type=highspy.HighsVarType.kInteger)

更多官方写法可以对着 examples/ 里的minimal.py、call_highs_from_python.py逐行看，那几段就是本小节代码的直接出处。

它内部到底怎么算：四把刀，各管一段

看完上面的用法再回头看内核，理解会顺很多。HiGHS 默认策略是solver = choose，它会按题型自动选算法，但你知道"刀"在哪，才能在自己慢的场景下手干预。

• 单纯形法（highs/simplex/）：HiGHS 的原生主力，默认跑对偶单纯形，因为它比原始单纯形更快也更稳。中小规模、结构一般的 LP，它就是答案；需要整数解时，MIP 的每个节点上解的松弛也是它。
• 内点法（highs/ipm/）：仓库里带了两套——IPX（预条件共轭梯度类，串行）和 HiPO（并行内点，需要 BLAS 支持）。大规模、超稀疏的问题上内点法常常几十次迭代就收敛，是"题大但连续"时的选择。
• 分支定界 MIP（highs/mip/）：整数问题没有捷径，HiGHS 靠预处理收缩问题 + 分支定界 + 割平面（冲突池、割池、Modk 割等一整套分离器）推进。你看到的 MIP 耗时，99% 花在这里。
• 预处理 presolve（highs/presolve/）：所有算法跑之前先过一遍——固定松弛变量、删冗余约束、收紧界。这是默认开启的"免费加速"，别手动关它，除非你在做数值实验。

对照着 求解器文档看更细的分法：QP 走主动集法（highs/qpsolver/），MIP 用分支定界，LP 按规模在单纯形与内点之间切换。经验法则一句话：千级变量以下随便用默认；几万变量以上的稀疏连续题，把内点法放进候选。

让它更快更稳：三个旋钮和两个高阶开关

参数文件与关键选项

调优的入口是选项（完整清单在 options 定义文档，格式示例见 sample_options_file）。Python 里逐项设：

h.setOptionValue("presolve", "choose") # 预处理 h.setOptionValue("parallel", "choose") # 并行 h.setOptionValue("threads", 0) # 0 = 自动定线程数 h.setOptionValue("time_limit", 3600.0) # 限时 1 小时

写成文件的话就是每行一个选项 = 值，C++ 侧可以整体传入。三个真正影响速度的旋钮：

1. presolve：确认它是on或choose，别图省事关成off；
2. parallel/threads：MIP 是多线程受益最大的场景，先放开让它跑，再按机器核数收敛threads；
3. time_limit：生产调度类任务给求解器设时限，超时后 HiGHS 会返回当前最优整数解，比干等强。

两个容易漏掉的高阶开关

多目标：当"利润最大"和"工时最省"互相打架时，HiGHS 支持加权多目标，用法可参考仓库里的 multi_objective.py 和 multiple_objective.py，思路都是给每个目标定权重再合成求解。

敏感性分析（ranging）：想知道"利润 30 元降到多少才会换生产方案"，打开这个开关：

h.setOptionValue("ranging", "on") h.run() status, ranging = h.getRanging()

ranging会给出目标系数、变量界、约束右端项各自的变化区间，以及最优基保持不变的范围——做方案稳健性判断时直接省掉反复重算。

卡住了？这样排查

cmake一跑就报 in-source build 或版本错误？两件事挨个查：CMake 是否 ≥ 3.15；-B build这个输出目录参数是不是漏了。HiGHS 明确禁止在源码目录里直接编译，报错信息本身就是提示。

编译到一半报一堆语法错误？十有八九是编译器没吃到 C++11。确认编译选项里有-std=c++11以上（项目默认就是 C++11，见 CMakeLists.txt 的CMAKE_CXX_STANDARD）。

LP 秒回，MIP 半小时没影？这是正常现象，不是坏了——整数问题本质上就是这么贵。能做的：确认 presolve 没被关；把parallel放开；把"明显是整数"的变量都标成整数而不是只标一部分，让 presolve 有更多压缩空间。实在不行就time_limit兜底拿次优解。

求解报 infeasible（不可行）？先用最小变量集复现，再逐条注释约束定位是哪几条互相打架；仓库的check/instances/里就备了infeasible-mip0.mps这类专门用于调试不可行的样例。HiGHS 也内置 IIS（不可行不可约子集）能力，见 HighsIis.h，能帮你从上万条约束里揪出真正冲突的那几行。

想用 HiPO 但链接报错？HiPO 依赖 BLAS，这是 HiGHS 少有的外部要求：Linux 上apt install libopenblas-dev后加-DHIPO=ON重新配置，细节见 安装文档。

下一步往哪走

• 想啃内核：入口就一个头文件，highs/Highs.h，API 注释相当完整；
• 想看真实模型：check/instances/ 里从 8 变量的avgas.mps到几千变量的网络流都有，拿来就能readModel()练手；
• 要读设计文档：docs/src/ 下的 solvers、parallel、installation 三篇优先，再按兴趣进 guide；
• 学习路线建议：先用minimal.py建立手感 → 挑一道check/instances/的 MPS 题跑通读取流程 → 再给自己的题加整数变量，体会 MIP 的耗时从哪来 → 最后才去碰 presolve 和选项细节。

跑通第一个 MIP 那天你会发现，所谓"求解器选型"其实没那么玄：模型写对、presolve 开着、时限设好，HiGHS 的默认策略已经替你做了大部分决策。剩下的，就是把它嵌进你的排产或调度系统里，让它替你把凌晨两点的活干了。

【免费下载链接】HiGHSLinear optimization software项目地址: https://gitcode.com/GitHub_Trending/hi/HiGHS