簡介LINGO線性與非線性全局優(yōu)化器是一款功能強大的數(shù)學(xué)建模優(yōu)化軟件本資源提供其破解安裝版本面向工程、經(jīng)濟(jì)、金融、運籌學(xué)等領(lǐng)域的研究者、工程師及建模競賽參與者用于求解線性、非線性與整數(shù)規(guī)劃問題。軟件內(nèi)置專門的建模語言用戶可通過簡潔語句定義變量、目標(biāo)函數(shù)和約束快速搭建大規(guī)模優(yōu)化模型求解器性能強勁支持混合整數(shù)規(guī)劃和結(jié)果敏感性分析還提供數(shù)據(jù)接口與報告生成功能便于多場景建模與對比。壓縮包為rar格式大小約15.9MB輕量易獲取目前已有650人學(xué)習(xí)/下載適合從入門到進(jìn)階的不同層級用戶。借助此資源可直接體驗LINGO 11版本的增強求解能力與界面優(yōu)化結(jié)合官方文檔和實例在供應(yīng)鏈調(diào)度、投資組合優(yōu)化、能源系統(tǒng)設(shè)計等實際場景中快速構(gòu)建最優(yōu)解方案提升建模與決策效率。1. LINGO 不是計算器它到底在解什么LINGO 這個工具表面看是把數(shù)學(xué)公式敲進(jìn)去、點 Solve 就出結(jié)果的“計算器”但真正拉開建模差距的是它對集合、數(shù)據(jù)段和求解器分組這三個設(shè)計點的處理。同一道排產(chǎn)題有人用幾十行腳本勉強跑通有人用幾行集合寫法在秒級拿到最優(yōu)解差別不在數(shù)學(xué)功底而在建模方式。這篇文章不打算按教科書順序講語法而是從建模語法、求解器選型、報告解讀到批量聯(lián)調(diào)完整走一遍我在真實項目里驗證過的流程。適合手頭有優(yōu)化問題的從業(yè)者——供應(yīng)鏈調(diào)度、生產(chǎn)計劃、定價決策都算——也適合想快速驗證算法思路的同學(xué)。建議開著 LINGO 邊看邊跑大部分示例改兩行數(shù)據(jù)就能直接復(fù)現(xiàn)。2. 集合與數(shù)據(jù)段把模型從紙面搬進(jìn) LINGO 的兩種寫法2.1 原始集與派生集先把“對誰建模”寫清楚LINGO 和直接寫 LP/MPS 文件的習(xí)慣很不一樣。從紙面公式搬到 LINGO第一件事不是寫目標(biāo)函數(shù)而是定義集合。集合相當(dāng)于告訴求解器我要對哪些對象建模型每個對象帶哪些屬性。以最經(jīng)典的運輸問題為例需求端是 4 個客戶供給端是 3 個倉庫每個倉庫有供應(yīng)量每個客戶有需求量每條倉庫到客戶的路徑有單位運輸成本和運輸量。MODEL: SETS: WAREHOUSE /W1, W2, W3/: SUPPLY; CUSTOMER /C1, C2, C3, C4/: DEMAND; ROUTE(WAREHOUSE, CUSTOMER): COST, VOLUME; ENDSETS DATA: SUPPLY 30 40 50; DEMAND 20 25 30 45; COST 2 4 5 3 3 5 4 6 4 2 3 5; ENDDATA MIN SUM(ROUTE(I, J): COST(I, J) * VOLUME(I, J)); FOR(CUSTOMER(J): SUM(WAREHOUSE(I): VOLUME(I, J)) DEMAND(J)); FOR(WAREHOUSE(I): SUM(CUSTOMER(J): VOLUME(I, J)) SUPPLY(I)); FOR(ROUTE(I, J): VOLUME(I, J) 0); END這段代碼里的三類寫法建議記牢。第一原始集定義用名字 /成員/ : 屬性成員之間用逗號或空格隔開屬性跟在冒號后面一個屬性就是一個和集合同長度的參數(shù)或變量數(shù)組。第二派生集ROUTE(WAREHOUSE, CUSTOMER)表示兩個原始集的笛卡爾積展開后共 12 個成員COST和VOLUME都掛在這個派生集上分別讀入 12 個成本數(shù)據(jù)和生成 12 個決策變量。第三FOR和SUM是 LINGO 的循環(huán)與求和函數(shù)FOR(CUSTOMER(J): ...)表示對每個客戶單獨生成一條等式約束SUM(WAREHOUSE(I): ...)表示對倉庫下標(biāo)求和。我一般會先在草稿紙上畫一張“對象關(guān)系圖”把集合畫成方框、屬性畫成方框里的行、跨集合的連線就是派生集。這樣做直接的好處是寫FOR時不容易搞混下標(biāo)。比如上面第二個FOR里外層循環(huán)下標(biāo)是I倉庫內(nèi)部求和下標(biāo)是J客戶意思是每個倉庫發(fā)出去的總量等于它的供應(yīng)量如果把兩者位置對調(diào)模型含義就從“運出量守恒”變成“運入量等于別的東西”LINGO 不會報警告只有結(jié)果跟業(yè)務(wù)對不上時你才會發(fā)現(xiàn)。2.2 數(shù)據(jù)段與外部文件把參數(shù)和模型結(jié)構(gòu)分開上一節(jié)的運輸問題里數(shù)據(jù)全寫在DATA/ENDDATA段中這是我最推薦的起始方式模型結(jié)構(gòu)一眼能看完改數(shù)據(jù)也方便。但數(shù)據(jù)量超過幾十個、或者同一套模型要套用到多個區(qū)域時就應(yīng)該把參數(shù)挪到外部文件。LINGO 的FILE函數(shù)就是干這個的。DATA: SUPPLY FILE(sup_data.txt); DEMAND FILE(dem_data.txt); COST FILE(cost_data.txt); ENDDATAsup_data.txt里只需要按集合成員順序?qū)憯?shù)值例如30 40 50文件里可以有換行和空格數(shù)值之間不需要逗號。這樣模型文件里只剩集合和約束結(jié)構(gòu)數(shù)據(jù)歸數(shù)據(jù)。我做過的一次模擬項目 X就是同一套庫存補貨模型把華東、華南、華北三組數(shù)據(jù)分別存成三個文本跑三次模型一行沒改。把數(shù)據(jù)外置還有一個隱藏優(yōu)點做參數(shù)掃描時你只需要用腳本替換文本里的某個值然后重新求解。后面第 6 章我會給完整的批量做法。如果你想讓結(jié)果導(dǎo)出成可讀文件DATA段里也可以寫TEXT(result.txt)把某個集合屬性的值按成員順序?qū)懙轿谋疚募铩＿@個函數(shù)我在前面的選址問題里常用至少比從密密麻麻的 Solution Report 里手工復(fù)制要穩(wěn)。2.3 從紙面公式到 LINGO 表達(dá)的三個習(xí)慣最后補三個我踩過坑練出來的習(xí)慣。第一目標(biāo)函數(shù)寫在最前面MIN或MAX開頭接下來所有等號、不等式、BND都是約束。第二約束盡量加行標(biāo)簽比如FOR(CUSTOMER(J): [DEMAND_BALANCE] SUM(...) DEMAND(J));加標(biāo)簽之后報告里的 Row 編號就會帶著名字排查結(jié)果時能少一半時間去對行號。第三決策變量和參數(shù)不要混在一個集合屬性里參數(shù)在DATA段賦值變量只聲明不賦值如果非要給變量初值可以在DATA段賦但別把初值當(dāng)業(yè)務(wù)參數(shù)用否則下次換數(shù)據(jù)時容易漏改。3. 求解器選型LP、MIP、NLP 跑不對時先查這三處3.1 線性模型與整數(shù)模型變量類型聲明和 Gap 設(shè)置LINGO 會根據(jù)模型自動分派求解器純線性連續(xù)問題是 LP帶整數(shù)變量是 MIP目標(biāo)或約束里有非線性表達(dá)式就是 NLP。自動分派省事但很多“跑出來不對”的翻車現(xiàn)場恰恰是因為模型被自動分派到了錯誤的求解器。最典型的是整數(shù)變量沒聲明模型被當(dāng)成 LP 解得到小數(shù)方案。設(shè)施選址問題能同時展示 LP 到 MIP 的差別。MODEL: SETS: PLANT /P1, P2, P3/: FIXED, CAPACITY, OPEN; CUSTOMER /C1, C2, C3, C4/: DEMAND; ROUTE(PLANT, CUSTOMER): TRANSCOST, SHIP; ENDSETS DATA: FIXED 1000 800 1200; CAPACITY 500 400 600; DEMAND 150 180 120 200; TRANSCOST 5 4 6 3 7 3 5 6 4 5 4 7; ENDDATA MIN SUM(PLANT(I): FIXED(I) * OPEN(I)) SUM(ROUTE(I, J): TRANSCOST(I, J) * SHIP(I, J)); FOR(CUSTOMER(J): SUM(PLANT(I): SHIP(I, J)) DEMAND(J)); FOR(PLANT(I): SUM(CUSTOMER(J): SHIP(I, J)) CAPACITY(I) * OPEN(I)); FOR(ROUTE(I, J): SHIP(I, J) 0); FOR(PLANT(I): BIN(OPEN(I))); END關(guān)鍵在最后兩行。BIN(OPEN(I))把OPEN聲明成 0/1 變量模型才是 MIP倒數(shù)第二條容量約束 CAPACITY(I) * OPEN(I)的含義是OPEN為 1 時該廠產(chǎn)能正常生效為 0 時上限變成 0運輸量被迫為 0。這個“乘法開關(guān)”模式幾乎適用于所有帶固定成本的選擇問題。MIP 跑得慢或者太久不出最優(yōu)解時先別急著加機器去 Options 里的 MIP Solver 參數(shù)看 Dual Gap。Gap 表示當(dāng)前最好的整數(shù)可行解與松弛上界之間的相對差距設(shè)成 0 表示一定要證明最優(yōu)才停代價是分支定界可能跑幾個小時設(shè)成 1% 通常能在十幾分鐘內(nèi)給出工程上可接受的解。我在做某跨平臺系統(tǒng)的排產(chǎn)模塊時就把 Gap 設(shè)成 0.5%業(yè)務(wù)方完全接受求解時間從 40 分鐘壓到 3 分鐘。要注意如果模型本身只有幾千個變量Gap 設(shè)大點無所謂一旦變量上十萬Gap 開 1% 和開 5% 的耗時差能到 10 倍以上量力設(shè)。3.2 非線性模型與全局求解器默認(rèn)只是局部收斂非線性模型的默認(rèn)行為容易讓人誤判。LINGO 碰到非線性目標(biāo)或約束時默認(rèn)走 NLP 求解器本質(zhì)是局部搜索從一個初始點出發(fā)沿可行方向逐步改進(jìn)找到一個“站在附近看確實最優(yōu)”的解就停。如果模型是凸的局部即全局但現(xiàn)實中定價、選址、排程模型很少有凸的于是局部解就變成一個大坑。一個能快速復(fù)現(xiàn)的示例是圓柱儲罐用料最小化給定容積 100 立方米求半徑 R 和高度 H 使表面積最小。MODEL: ! 目標(biāo)最小化圓柱儲罐的用料表面積 V 100; ! 容量固定 100 立方米 MIN 2 * 3.14159 * R * R 2 * 3.14159 * R * H; BND(1, R, 10); BND(1, H, 50); 3.14159 * R * R * H V; END這個模型手算就能驗證把 H 換成 100 / (3.14159 * R^2)目標(biāo)函數(shù)變成一元函數(shù)最優(yōu)在 R 約 2.5、H 約 5.0材料面積大概 118 平方米。默認(rèn) NLP 從初值 R1、H20 也能找到這個點因為可行域曲面上這個點是唯一谷底。但如果把目標(biāo)函數(shù)換成帶SIN或EXP的生產(chǎn)計劃模型谷底可能就不止一個。這時候要在 LINGO 菜單里打開 Options→Global Solver勾選啟用全局求解器它會在后臺做類似分支定界的過程反復(fù)逼近并證明全局最優(yōu)。代價是時間變量一多、函數(shù)一復(fù)雜跑幾十分鐘甚至幾天都正常。我一般先把局部解跑出來看結(jié)果是否在業(yè)務(wù)合理區(qū)間再用全局求解器驗證一次而不是一開始就全局硬算。3.3 三個參數(shù)與數(shù)值尺度TIMLIM、Scale Model 和線性化選項求解器參數(shù)里我最常動的是三個。第一個是時間上限 TIMLIM單位秒設(shè)到 300 到 600 很常見它防止 MIP 或全局求解器無限跑下去。第二個是迭代上限 ITERLIM只對單純形法有意義內(nèi)點法和分支定界主要看時間。第三個是 Scale Model 選項遇到目標(biāo)上百萬、約束系數(shù)只有 0.001 這類數(shù)值尺度失衡時勾上它經(jīng)常會讓 Infeasibilities 從 0.01 突然變成 0.000000。原理很簡單矩陣?yán)锿瑫r存在 1e6 和 1e-4 級的數(shù)求解器的內(nèi)積、求逆精度會吃緊縮放后條件數(shù)改善結(jié)果立刻穩(wěn)。另外 LINGO 有自動線性化能力小規(guī)模非線性表達(dá)式會在預(yù)求解階段嘗試線性化但一旦變量超過幾百個就別指望它全自動人工引入輔助變量改寫反而更快這部分在第 5 章會給改寫例子。4. 報告與靈敏度分析從 Solution Report 里讀出真實邊界4.1 先看懂求解狀態(tài)和三個關(guān)鍵字段每次求解完彈出的 Solution Report大多數(shù)人只掃一眼目標(biāo)值就關(guān)掉。我建議至少看四個地方。首先是報告第一行Global optimal solution found說明已經(jīng)證明全局最優(yōu)Local optimum found說明只是局部解Feasible solution found更弱只保證找到可行解。這三者差一個級別業(yè)務(wù)決策的置信度就差一個檔次。其次看Infeasibilities它不為 0 說明模型找不到嚴(yán)格滿足所有約束的點這時目標(biāo)值再好看都不能用。下面是一個簡化后的 LP 小案例報告用來解釋字段含義不必對應(yīng)前面的某個具體模型。Global optimal solution found. Objective value: 870.0000 Objective bound: 870.0000 Infeasibilities: 0.000000 Total solver iterations: 5 Variable Value Reduced Cost X1 40.00000 0.000000 X2 20.00000 5.000000 Row Slack or Surplus Dual Price 1 870.0000 1.000000 2 0.000000 7.000000 3 10.00000 0.000000變量區(qū)里的Reduced Cost對基變量通常為 0對非基變量表示如果把這個變量強行加進(jìn)最優(yōu)解一個單位目標(biāo)值會惡化多少。Row 區(qū)里的Slack or Surplus是約束的剩余量等于 0 說明該約束緊貼邊界是真正的限制因素大于 0 說明約束還有余量暫時不影響目標(biāo)。Dual Price就是影子價格下面單獨說。Row 后面的編號對應(yīng)模型里的約束順序所以我在第 2.3 節(jié)強調(diào)要加行標(biāo)簽就是為了讓這里的編號能一眼對上約束名。我在實戰(zhàn)里的習(xí)慣是改動模型后先看求解狀態(tài)那行字再看 Infeasibilities最后才看目標(biāo)值。狀態(tài)不對時數(shù)值再漂亮也只是黑匣子輸出。4.2 靈敏度 Range 表影子價格能走多遠(yuǎn)默認(rèn)報告不會給完整的靈敏度 Range 表。要在求解前把 Options 里 General Solver 的 Dual Computations 設(shè)成 Prices Ranges重新求解后才會出現(xiàn)兩組區(qū)間目標(biāo)系數(shù)變化范圍和右側(cè) RHS 變化范圍。目標(biāo)系數(shù)范圍表長這樣。變量當(dāng)前系數(shù)允許增加允許減少X150.0010.0020.00X240.008.006.00RHS 范圍表單獨一張。約束當(dāng)前 RHS允許增加允許減少約束2100.005.008.00約束380.0012.0020.00這兩張表回答的問題是我不重新求解的情況下業(yè)務(wù)參數(shù)在多大范圍內(nèi)波動當(dāng)前這組最優(yōu)決策仍然是“結(jié)構(gòu)最優(yōu)”。注意“結(jié)構(gòu)最優(yōu)”不等于“變量值不變”它只表示最優(yōu)基的變量集合不變。一旦某個系數(shù)的實際增幅超出允許增加最優(yōu)基會變影子價格會跳到另一個值這時候再去引用原 Dual Price 就作廢了。影子價格業(yè)務(wù)化是最容易翻車的地方。某一次我給一個倉儲項目做資源評估報告里約束 2 的 Dual Price 是 7意思是該約束右側(cè)再給 1 個單位目標(biāo)值能改善 7。業(yè)務(wù)方很興奮說多放 10 個貨架就多賺 70 萬。我拿 Range 表一看這個約束的 RHS 允許增加只有 5第 6 個貨架開始 Shadow Price 已經(jīng)不是 7 了。所以我把影子價格當(dāng)“邊際價值信號”不當(dāng)“線性外推的乘法口訣表”并且只對它生效的范圍負(fù)責(zé)。4.3 用手工可解案例做回歸報告說最優(yōu)不等于邏輯對還有一層驗證是很多人跳過的報告說最優(yōu)不等于模型建得沒問題。我習(xí)慣在正式跑大規(guī)模數(shù)據(jù)前先構(gòu)造一個規(guī)模小到能手工算的案例塞進(jìn)同一套模型確認(rèn)結(jié)果和手算一致。比如運輸問題我做過 2 個倉庫送 2 個客戶的小案例手算最優(yōu)值再讓模型跑對上了才換真實數(shù)據(jù)。這件事花 10 分鐘能擋住一大半“集合寫錯但報告照出最優(yōu)解”的隱性 bug。5. 避坑實錄五個反復(fù)出現(xiàn)的建模翻車場景與處置5.1 整數(shù)聲明缺失解出 13.7 臺設(shè)備業(yè)務(wù)當(dāng)場不認(rèn)現(xiàn)象生產(chǎn)計劃模型跑完報告里生產(chǎn)量是 13.7 臺、開啟 0.4 條產(chǎn)線業(yè)務(wù)方直接拒收結(jié)果。原因LINGO 變量默認(rèn)是連續(xù)變量GIN、BIN沒寫模型被當(dāng)成 LP 解了。解決凡是決策量必須是整數(shù)的聲明時給集合屬性補一行GIN(PRODUCE(P))或BIN(OPEN(I))。跑完先看報告底部的 Model Statistics核對整數(shù)變量個數(shù)。我后來養(yǎng)成的習(xí)慣是需求評審階段就把“哪些量必須是整數(shù)”寫進(jìn)建模文檔避免寫代碼時漏掉。5.2 集合維度錯配Error 72 的鍋十有八九在這現(xiàn)象加載模型報 Runtime Error錯誤碼 72指向某一行FOR或SUM。原因下標(biāo)集合寫錯了維度。比如在FOR(CUSTOMER(J): ...)內(nèi)部卻用了SUM(WAREHOUSE(J): SHIP(I, J))把客戶集合的成員J當(dāng)成了倉庫集合的成員用。解決先定位報錯行檢查每個循環(huán)變量所屬的集合。FOR(A(I): ...)里可以安全使用的下標(biāo)只有I和它所在約束里通過SUM跨集合引用的其他集合下標(biāo)。一個笨但有效的辦法把模型里所有FOR和SUM的下標(biāo)變量名列出來逐個對照 SETS 定義。另外派生集下標(biāo)的順序要和定義時一致ROUTE(WAREHOUSE, CUSTOMER)里第一維是倉庫第二維是客戶寫ROUTE(J, I)卻把 I 當(dāng)倉庫、J 當(dāng)客戶就會維度錯配。5.3 IF 和 SMAX 把問題拆成非光滑懸崖現(xiàn)象模型能解但換一組合理初值結(jié)果跳到一個完全不同的解業(yè)務(wù)怎么調(diào)參數(shù)都達(dá)不到報告里的“最優(yōu)”。原因目標(biāo)或約束里用了IF、SMAX、ABS這類函數(shù)可行域被切成不連續(xù)的多塊非凸不可導(dǎo)默認(rèn) NLP 局部搜索只能爬到其中一個谷底。解決把非光滑項改寫成線性不等式。比如約束里出現(xiàn)SMAX(0, PRICE(I) - BID(I))可以引入輔助變量OVER(I)替換成下面兩條約束。OVER(I) PRICE(I) - BID(I); OVER(I) 0;原來用SMAX的地方直接換成OVER(I)。數(shù)學(xué)上等價數(shù)值上卻從“不可導(dǎo)懸崖”變成“兩條線性邊界”全局求解器才真正能用。類似地IF(COND, A, B)可以分解成一個 0/1 變量加兩個大 M 不等式。需要提醒的是大 M 不要拍腦袋給 1e6取“業(yè)務(wù)上該量級最大可能值的 3 倍”就夠太大反而把數(shù)值條件數(shù)拖壞。5.4 數(shù)值尺度懸殊手算滿足約束報告卻報 Infeasibilities現(xiàn)象目標(biāo)函數(shù)動輒上百萬約束系數(shù)小到 0.0001報告里 Infeasibilities 顯示 0.01可人工逐個約束驗算發(fā)現(xiàn)都滿足。原因模型矩陣的條件數(shù)太差求解器在數(shù)值容差內(nèi)判斷違反約束產(chǎn)生了“數(shù)值偽不可行”。這在小數(shù)單位和萬元單位混用的成本核算模型里很常見。解決先統(tǒng)一業(yè)務(wù)單位把元換成萬元或把千克換成噸讓目標(biāo)值和系數(shù)都落在 1e-2 到 1e4 之間再去 Options 里勾選 Scale Model。我在某物流成本模型里遇到過 Infeasibilities0.03把單箱成本從“元”改成“萬元”后直接歸零一秒沒多算。如果改完還不行重點查是否有同時除以兩個量級相差很大的分母的表達(dá)式。5.5 局部最優(yōu)當(dāng)全局最優(yōu)同一個模型換初值換結(jié)果現(xiàn)象同一個 NLP 模型同事用另一套求解器算出來的目標(biāo)值明顯比我的好換初始點再跑結(jié)果又變一個樣。原因默認(rèn) NLP 是局部搜索非凸問題從不同起點收斂到不同局部解根本沒有“唯一答案”。解決重要決策用全局求解器跑一遍同時設(shè)時間上限比如 600 秒看它找到的目標(biāo)值和默認(rèn) NLP 是否一致。如果全局求解時間完全不可接受退一步做多起點掃描人工挑 5 到 10 個有業(yè)務(wù)含義的初始點跑局部 NLP記錄每個起點對應(yīng)的目標(biāo)值和決策量取業(yè)務(wù)上最合理的那組并在文檔里注明這是“驗證過的局部解”不是全局最優(yōu)。從那以后我對“最優(yōu)”這個詞都加限定語是全局證明還是局部搜索加經(jīng)驗判斷。5.6 排查速查表癥狀最先查的語法/參數(shù)本章對應(yīng)場景解出小數(shù)GIN / BIN 聲明5.1Runtime Error 72FOR/SUM 的下標(biāo)集合匹配5.2換初值結(jié)果大變IF/SMAX/ABS 非線性改寫5.3Infeasibilities 不歸零Scale Model、單位歸一化5.4報告只有 Local optimum開 Global Solver5.56. 把 LINGO 嵌進(jìn)工作流Excel 聯(lián)調(diào)與批量參數(shù)掃描6.1 用 OLE 讓 Excel 當(dāng)數(shù)據(jù)界面Excel 里先給區(qū)域命名LINGO 的OLE就能按名字讀寫。數(shù)據(jù)段讀入?yún)?shù)CALC 段寫回結(jié)果業(yè)務(wù)方改 Excel 就行不碰模型文件。DATA: SUPPLY OLE(C:\supply_plan.xlsx, supply); DEMAND OLE(C:\supply_plan.xlsx, demand); COST OLE(C:\supply_plan.xlsx, cost); ENDDATA CALC: OLE(C:\supply_plan.xlsx, ship_out) SHIP; ENDCALC注意路徑里別用中文名Excel 文件要事先打開或在名稱管理器里確認(rèn)區(qū)域存在。第一次聯(lián)調(diào)失敗九成是 Excel 里的命名區(qū)域尺寸和集合成員數(shù)不一致。提示Excel 命名區(qū)域的尺寸必須和集合成員數(shù)一致否則 OLE 讀入會在運行時報告維度不匹配先把區(qū)域重新框選再命名一次。6.2 參數(shù)掃描改文件、跑求解、讀結(jié)果需要做敏感性掃描時我不喜歡手動改 LINGO 文件。用一個模板文件template.lng把要掃描的參數(shù)寫成占位值再用 Python 循環(huán)替換調(diào)lingo.exe一次跑一個版本。import subprocess import re rates [0.05, 0.10, 0.15] for i, rate in enumerate(rates): with open(template.lng, r, encodingutf-8) as f: text f.read() text text.replace(DISCOUNT 0;, fDISCOUNT {rate};) with open(frun_{i}.lng, w, encodingutf-8) as f: f.write(text) subprocess.run([lingo.exe, frun_{i}.lng], capture_outputTrue, textTrue, timeout300) with open(lingsol.txt, r, encodingutf-8) as f: out f.read() obj re.search(rObjective value:\s([\d.]), out).group(1) print(frate{rate}, objective{obj})這套流程我在某定價模型上跑過 20 組參數(shù)全部自動落盤不用守著求解器點按鈕。有一點要提醒不同 LINGO 版本命令行輸出的重定向行為不完全一樣如果lingsol.txt沒生成先在 Options 里把 Output Level 調(diào)到 Verbose再確認(rèn)當(dāng)前目錄權(quán)限。把這一套從集合建模、求解器選型、報告解讀到批量聯(lián)調(diào)走通之后你會發(fā)現(xiàn)大部分卡殼不是數(shù)學(xué)不會而是建模習(xí)慣沒改過來。那次我把 Gap 設(shè)成 0 硬跑十萬變量 MIP四個小時沒出結(jié)果從那以后我每建一個新模型都強制先過三件事變量整數(shù)聲明寫完沒、求解器狀態(tài)是 Global 還是 Local、Range 表里要用的影子價格在不在允許范圍內(nèi)。這幾個習(xí)慣救了我很多次希望也能幫到你。本文還有配套的精品資源點擊獲取