【CDN布局规划】背后的算法技术3—多求解器批量求解对比

导读：优化领域存在诸多开源或者商业的 MIP 求解器，作为解决优化问题的底层核心工具，各类求解器针对不同编程语言提供了对应的建模求解接口。然而，不同求解器的建模求解接口存在差异，如果要切换求解器，还需要从头学习另一套 API 设计和编写代码，本着 DRY（Don’t Repeat Yourself）原则，本文调研了各类求解器的命令行调用方式，并以CDN布局规划问题为例，实现了一键运行，完成多案例、多求解器的自动化求解。

---

作者 1：向杜兵，算法专家，某制造业龙头
作者 2：张哲铭，算法专家，某互联网大厂

---

• 明人不说暗话，【运筹匠心】想要大家的赞！赞！赞！。先赞后看，多多益善(*￣︶￣)~~~
• 本期推文代码获取方式，将推文转发朋友圈获20赞，添加管理员微信，管理员会定期回复数据代码链接哈~~~
• 各个系列的开源资料会定期整理发放，大家可以加粉丝群领取哦~~~

请加管理员微信：IndustryOR

---

大家好！我们是IndustryOR 团队，致力于分享业界落地的算法技术。欢迎关注微信公众号/知乎【运筹匠心】 。本期我们来谈一谈《CDN布局规划的算法技术》。本期案例共分 3 篇文章依次讲解：（1）业务问题拆解；（2）模型算法实现；（3）多求解器批量求解对比。

本篇文章讲解（3）多求解器批量求解对比。

目前，市面上有众多商业和开源的 MIP 求解器可供选择，大多都支持不同的编程语言，且提供了丰富的建模求解接口。然而，如果我们想要更换求解器，或者想对不同求解器进行对比验证，调用不同求解器的 API 从头编写代码的方式需要重新学习各类求解器的 API，时间成本相对较高。

值得庆幸的是，大多数求解器都支持通过读取模型文件的方式进行求解，这意味着我们可以将问题建模后的模型数据保存到文件中，然后通过求解器的命令行进行求解，无需从头开始学习每种求解器的诸多接口，大大减少重复工作。

然而，不同求解器的命令行调用命令也存在差异。因此，我们对各类求解器的命令行调用方式进行了调研，并以前几期的 CDN 布局规划问题为例，对目前常见的 4 个求解器（Gurobi、CPLEX、COPT、MindOpt）进行了对比测试。

本文主要结构如下：
1. 各求解器命令行调用模式
2. 批量求解 Python 代码设计
3. CDN 布局规划问题求解对比分析

1.各求解器命令行调用模式

Gurobi
方式1：单行命令执行

gurobi_cl model.mps

方式2：交互执行

m=read("model.mps")
m.optimize()

CPLEX
交互式执行

read model.mps
optimize

COPT
方式1：交互式执行

read model.mps
optimize

方式2：读取命令文件

copt_cmd -i config.in

MindOpt
单行命令执行

mindopt model.mps

最终，确定各个求解器的调用模式，如下表所示：

求解器	调用模式
Gurobi	‘gurobi_cl model.mps’
CPLEX	‘read model.mps’, ‘optimize’
COPT	‘copt_cmd -i config.in’
MindOpt	‘mindopt model.mps’

注：在后文所述的利用Python脚本对这些求解器进行命令行调用的过程中，部分求解器的某些方式调用失败，暂时没有解决，如果有读者有相关经验，我们可以互相交流

那么，了解了怎么通过这些求解器的命令行求解模型文件，就足够了吗？

命令行调用的方式多数是交互模式，即需要在命令行窗口交互式地输入命令才能向下执行，如果我们想要批量自动化求解多个模型，则可以通过编写自动化脚本的方式实现。

接下来将介绍如何编写 Python 脚本，实现对不同求解器的命令行调用，并自动化求解多个模型数据文件。该脚本通过读取模型文件、设置参数和调用相应的求解器命令，实现了自动化求解的过程。使用时只需准备好模型文件，然后一键运行，即可求解多个模型数据文件。

2.批量求解 Python 代码设计

由于不同求解器的调用方式存在差异，而对于自动化批量求解来说，我们不关心采用哪种求解器完成求解这个操作，我们又不想把各个求解器的调用逻辑混在一块，然后通过丑陋的if else判断，同时还得考虑后续可能需要扩展其他的求解器。因此，本着开闭原则，我们决定采用继承的方式来实现这个功能。这样，每个求解器的调用实现完全独立，扩展其他求解器也无需修改已有代码。

基类：SolverCaller

子类：GurobiCaller、CplexCaller、CoptCaller、MindOptCaller

3.CDN布局规划问题求解分析

借助该脚本，对 4 个商业求解器（经小案例测试，开源求解器 SCIP、OR-Tools 等在该问题上求解速度与商业求解器差距较大，不再对比）进行了对比，求解了 3*10 共30个案例（数据来源：某公开比赛数据集），以下为求解结果：
求解时间对比图

横轴：案例编号
纵轴：各求解器的求解时长（秒）
注：除了求解时长限制为 3600s 外，所有求解器均采用默认参数。
结论：
30 个案例中，solver_1、solver_2、solver_3、solver_4 在 1 小时内达到时长限制的案例数量分别为：3、4、15、12。

另外，对于 solver_3 和 solver_4 均达到时长限制（1小时）的案例，统计各自最终的 Gap，如下图所示：
求解 Gap对比图

横轴：案例的编号
纵轴：Gap（%）

结语

本篇：介绍了使用命令行调用求解器进行自动化批量求解的方法，并通过对CDN布局规划问题的多个实例进行比较分析，提供了对不同求解器求解性能的初步了解。需要强调的是，本文的对比结果只是针对这一特定问题的特定数据集，在其他数据，其他不同问题上，各个求解器的表现可能与本文中的存在差异。

本系列文章：在该系列中，我们一起从问题拆解、模型刻画、批量求解等方面研究了CDN布局规划问题，并沉淀了一套多求解器、批量求解、可扩展的自动化方案。完结撒花~~~

值得一提的是，如果我们不追求最优解，而是想要在更短的时间内得到一个不错的规划方案，那么可以设计启发式算法来对该问题求解，这也是在本次案例对应比赛中的主流技术方案。得益于灵活、高效等特点，启发式算法在工业界的应用更加广泛，且在更前沿的应用中，会与机器学习、深度学习、强化学习等 AI 技术相结合。后续我们也将分享在业界落地的诸多技术方案，期待我们下一次的相遇。

---

请大家多多点赞、评论、转发、关注！大家的支持是我们持续创作的动力。我们是【运筹匠心】 ，咱们下期见~~~

参考文献：
[1]Gurobi Optimizer Reference Manual
[2]启动 CPLEX
[2]COPT交互式命令行工具
[3]命令行调用 MindOpt