如何用HiGHS开源线性优化求解器10分钟从零跑通第一个求解：完整实战指南

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

Meta Description：HiGHS 是一款免费开源的线性优化求解器，支持线性规划（LP）、混合整数规划（MIP）与凸二次规划（QP），本文带你从安装、跑通第一个求解到结果读取与调优，10 分钟即可上手。

HiGHS 是一款免费开源的线性优化求解器，用 C++ 编写、无第三方依赖，能解线性规划（LP）、混合整数（MIP）和凸二次（QP）三类问题，适合要把大规模稀疏优化问题落地的工程师。

先判断适不适合：HiGHS能解什么、不能解什么

它能接手的三类优化问题

HiGHS 的通用模型形式是min 1/2 x^T Q x + c^T x，约束为L ≤ Ax ≤ U和l ≤ x ≤ u。把不同的部分设为空，就得到三类问题：Q为零矩阵时是线性规划；部分变量取整数值时是混合整数规划；Q半正定且非零时是凸二次规划。可以把它理解成一个"通用后厨"：菜谱就这三种，但每种都能做到位——LP 和 MIP 是日常主力，QP 走主动集法。

容易踩的两条边界

两条边界要提前说清，免得白折腾：第一，Q不定（非凸）的二次问题不保证能解，求解前只做对角元检查；第二，"二次目标 + 整数变量"（混合整数二次规划）目前不支持。如果你的问题长这样，先考虑线性化或凸化改写。

什么情况下选它最划算

三个信号：问题规模大且稀疏（变量、约束上千到百万级）；需要嵌进自己的系统而非手动跑命令（它有 Python、C、C#、Fortran 等接口）；希望 MIT 许可、商用无限制。三条占两条，就值得花十分钟走一遍下面的流程。

确认问题对得上号之后，下一步是把 HiGHS 装到你的机器上。

安装HiGHS：两条路线，Python用户先走pip

一行命令装好 highspy

大多数读者的入口是 Python 包 highspy：

pip install highspy

这条命令同时会装好它依赖的 numpy。如果你需要 HiPO 内点求解器，另装pip install highspy[extras]（因为它带 Metis 等依赖，该扩展包是 Apache-2.0 许可）。装完后跑一下 examples/call_highs_from_python_highspy.py 即可验证。

从源码编译出 highs 可执行文件

想直接命令行解文件、或用 C/C++ 接口时，需要从源码编译，要求 CMake 3.15 以上：

git clone https://gitcode.com/GitHub_Trending/hi/HiGHS cd HiGHS cmake -S . -B build && cmake --build build

产物是可执行文件bin/highs和库libhighs；进 build 目录跑ctest可验证编译结果。HiPO 等开关的完整编译参数在 cmake/README.md 和安装文档里有详细说明。

预编译二进制与其他语言渠道

不想编译的话，项目 release 页提供各平台的预编译静态二进制（分*-mit和*-apache两种许可版本）；Julia、C#（nuget 包 Highs.Native）、Rust 也有各自的包管理器渠道，适合直接按语言取用。

安装到位后，别急着看文档，先花一分钟把第一个求解跑出来，建立手感。

1分钟跑通第一个线性规划求解

用5行Python解一个小型LP

examples/minimal.py 是仓库里最小的完整例子，两个变量、两条约束、最小化x2：

import highspy h = highspy.Highs() x1 = h.addVariable(lb = -h.inf) x2 = h.addVariable(lb = -h.inf) h.addConstrs(x2 - x1 >= 2, x1 + x2 >= 0) h.minimize(x2) h.run()

整个建模流程固定为三步：定义变量与约束 → 设定目标 →run()。后面不管问题多复杂，骨架都是这三个动作。

或者直接用命令行解一个现成文件

如果你的模型已经是文件，一条命令就够。仓库测试目录里自带一批标准实例，比如 avgas：

highs check/instances/avgas.mps

运行完会打印迭代日志和最优目标值，这是最快速的"求解器活没活"体检。

读结果的固定三步

跑完之后，按固定顺序取结果：h.getModelStatus()看求解状态，确认是 Optimal（最优）再往下走，Infeasible 说明没有可行解，Unbounded 说明目标还能一直降；h.getInfo()拿目标值、迭代次数这类标量信息；h.getSolution()拿变量和约束的取值。这套"定义—求解—提取"的三段式是 HiGHS 的核心交互模式，基础功能文档按同样的结构展开。

会跑之后，下一个问题自然是：run()按下之后，HiGHS 在后台到底做了什么。

理解底层流程：预处理、三套算法与热启动

先瘦身再求解：默认开启的presolve

默认情况下 presolve 是开着的。求解器真正开工前，它先对模型做一轮简化：消掉冗余约束、把被边界夹死的变量固定下来、收紧取值范围。对结构松散的大模型，这一步往往比换算法带来的提速更明显。

三套LP算法，默认自动选

HiGHS 内置三类 LP 技术：单纯形法（默认用对偶修正单纯形，稳定、产出基解、支持热启动）；内点法有两套，IPX 是串行的、HiPO 是并行的——小问题上 IPX 常常更快，但问题越大 HiPO 的优势越明显，官方文档提到差距可以超过一个数量级；PDLP 是一阶方法，主打 NVIDIA GPU，纯 CPU 上一般不如前两者划算。实际使用不用手动挑，solver选项默认 "choose" 会按问题类型自动决定，细节见求解器文档。

热启动：改过模型不用从头来

模型只改了一点点（比如调了某个右端项）时，单纯形法可以复用上一次的最优基接着解，这个过程叫 hot start，通常比冷启动快很多个量级。做参数扫描、滚动计划这类"同一个模型反复小改"的场景时，这条特性最值钱。

看懂了后台流程，就可以接一个更"真实"的任务：解一个模型文件，把结果落成可交付的产物。

处理真实任务：从MPS文件到结果导出

两种标准模型文件格式

命令行和readModel都认两种格式：.mps（MPS 格式）和.lp（CPLEX LP 格式），按扩展名自动识别，还支持.gz压缩文件。用建模语言生成的模型，导出成其中任意一种就能进 HiGHS。

把解和基写到文件里

命令行用--solution_file写解、--write_basis_file写最终基；Python 里对应writeSolution方法。把结果写成文件的好处是可以交给下游流程分析，也可以留作复现凭证；如果只是想快速看一眼，直接从getSolution取值更快。

状态不是Optimal时的常见排查

碰到 Infeasible，大概率是约束互相打架，可以启用 IIS 功能找出一组最小不可行约束，定位到具体哪几条在冲突；碰到 Unbounded，检查目标方向和某个缺失的边界。另外数据里量级差太大（比如 1e-8 和 1e8 并存）时容易出现数值问题，先做 scaling 再求解通常更稳。

任务跑通后，第一个问题往往是"能不能再快点、稳点"——下面是回报最高的三个调优方向。

求解慢时的3个调优方向 ⚡

最影响结果的三个选项

• presolve：取值 on/off/choose，预处理总开关，慢就先查它
• solver：choose/simplex/ipm/ipx/hipo 等，手动指定算法
• parallel加threads：开并行、控线程数

命令行里直接拼在末尾即可，例如highs model.mps --presolve=off --time_limit=60，前者关掉预处理、后者限制 60 秒。

用选项文件管理参数

参数一多就别在命令行里堆了，写进选项文件再用--options_file加载；Python 里更灵活，h.setOptionValue("time_limit", 60)一行搞定。仓库里 check/sample_options_file 是一份现成样例，全部选项及其含义见选项定义文档。

大规模问题：时间限制、内存与可复现

三条实用建议：给time_limit设个上限（单位秒），到点提前终止并汇报当前状态，避免无限等待；MIP 的random_seed固定后结果可复现，调参对比时务必先锁住它；模型本身保持稀疏存储，HiGHS 内部按稀疏结构处理，密度太高的系数矩阵会拖慢预处理和分解。

调优属于"用顺手之后的事"。等你准备深入，真正需要的是文档、示例和测试这三类"地图"。

深入下去：文档、示例与测试用例指路

官方文档三个入口

• docs/src/guide/：basic 讲基础流程，advanced 讲进阶用法，numerics 讲数值细节
• docs/src/solvers.md：每个求解器的原理、适用场景和关键选项
• docs/src/interfaces/：Python、C++、C、C#、Fortran 各语言的分篇教程

examples/ 是可以直接跑的教科书

几个值得按顺序读的文件：examples/minimal.py 最小建模；examples/call_highs_from_python_highspy.py 完整"建模—求解—读结果"流程；examples/knapsack.py 二值变量加热启动；examples/network_flow.py 与 examples/multi_objective.py 则示范网络流和多目标。代码比文档短，改一改就能跑，是最快的学习方式。

用 check/ 的测试用例验证行为

check/ 目录是完整的测试套件，check/instances/里还有一批标准小模型（avgas.mps、smalllp.mps 等）。不确定某个行为时，先搜对应的测试（比如 TestPresolve.cpp）看官方是怎么断言的，比自己试错快得多。

HiGHS 的设计思路其实很克制：接口少、三段式流程清晰、其余全部交给选项。走到这里，安装、求解、调优、深入的路径已经完整走了一遍。

下一步：打开 examples/minimal.py，把目标和约束换成你手头正在处理的那个问题，跑一次h.run()——这就是你和 HiGHS 的第一次真正合作。

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