Mathematical optimization GLPK（纸浆包装机）中的约束冲突

我将纸浆与GLPK解算器一起使用，并具有以下约束：

-1000000*f1 + v1 + 1000000*f2 - v2 >= -10.999

解算器：

problem.solve(GLPK(options=['--mipgap', '0.000001', '--cuts']))

但结果我解决了约束冲突的问题（状态为“最优”）：

f1 = 0
v1 = 11
f2 = 1
v2 = 1000000

---

那么，在这种情况下我能做什么？我可以提高精度还是使用其他解决方案？

我想，你在数值精度方面遇到了问题。您的系数的顺序为1.e7（并且您需要1.e-6的解决方案）。解决方案必须至少在1.e11中正确，以保持约束，并且根据参数，您需要最大1.e-14相对误差

简单地说，这对于纯数值解算器来说太多了。（预计最大1.e-6到1.e-7对LP解算器运行可靠）有像QSopt这样的精确解算器，我也认为，soplex现在具备了这些功能

这是QSopt的链接

这是这个soplex的链接。

QSopt仅以二进制形式提供（我认为），SoPlex可以免费进行研究（据我所知）

此外，您还可以将SCIP与SoPLex一起使用。他们有或有一些确切的IP项目。所以，如果许可证对您合适，在这种情况下，我会选择SCIP

---

也许，您可以对您的应用程序进行更深入的了解，以便重新制定您的限制。

我现在看到了您的完整评论。请跟进我发给你的关于abs问题的答案。VUB通常不是模拟abs值的最佳方法。如果您需要abs功能，您可以使用SOS约束来协商这些数字危险。最好的解决方案（商业和免费）是COIN-CBC。（参见www.coin-or.org）。顺便说一句，你可以在内部使用cbc，但与+M方法相比，它的工作速度非常慢，是正确的还是我做错了什么？所以，我可以告诉你关于SCIP、CPLEX和Gurobi，它们通常也很好地跟踪数值稳定性。bigM的问题是，它破坏了问题的条件，导致单纯形法中LU分解的更多完整分解，而不是LU更新，这会减慢迭代。其次，SOS约束意味着几个可变的传播规则，因此它通常比有大量vub约束时性能更好。但我无法从自己的经验中告诉您。*在这里，您可以找到与SCIP/CPLEX/Cbc*商业用途的性能比较：GLPK是GPL而不是LGPL，因此在使用上也非常有限。您甚至不能将其与任何其他商业软件结合使用。COIN-CBC是CPL许可的，因此更适合商业用途。