如何在 Python 中 5 分钟集成 HiGHS：highspy 求解 LP/MIP/QP 的完整指南

如何在 Python 中 5 分钟集成 HiGHS：highspy 求解 LP/MIP/QP 的完整指南

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

如果你在 Python 项目里需要解线性规划、混合整数规划或二次规划，highspy 值得认识一下——它就是 HiGHS 开源高性能求解器的官方 Python 接口，让你不碰 C++ 编译环境，直接在脚本里求解 LP/MIP/QP 三类问题。

它能替你解决什么问题

先看它承接的三类典型业务，再谈 API：

• 生产排产：输入产能、订单量与工时，输出成本最低的每日生产计划；
• 物流运输：输入供需点与线路成本，输出总运费最小的调运方案；
• 组合优化（背包型）：输入物品价值与重量，输出总价值最大的选取集合。

这三类问题分别对应数学规划中的 LP、MIP 与 QP，而 HiGHS 在这三条线上都有成熟实现，highspy 则把 C++ 核心的完整能力包装成了 Python 对象。

三步拿到第一个可行解

建模思路固定为「定义变量 → 写目标 → 写约束」，与三个 API 一一对应：

import highspy import numpy as np h = highspy.Highs() inf = highspy.kHighsInf h.addVars(2, np.array([-inf, 0]), np.array([inf, 10])) # 变量 x, y h.changeColsCost(2, [0, 1], np.array([0, 1])) # 目标 max y h.addRows(2, np.array([1, 2]), np.array([inf, inf]), 4, np.array([0, 2]), np.array([0, 1, 0, 1]), np.array([-1, 1, 1, 1])) # -x+y>=1, x+y>=2 h.run() print(h.modelStatusToString(h.getModelStatus())) print(h.getInfo().objective_function_value)

读懂求解状态：getModelStatus()返回枚举，用modelStatusToString(...)转成可读字符串，常见取值有kOptimal（最优）、kInfeasible（不可行）、kUnbounded（无界）；目标值、单纯形迭代次数等量化指标统一从getInfo()读取。上面这个示例的输出应为kOptimal与 10。

安装与验证只需一分钟

pip install highspy

一条命令完成 highspy 安装；缺 numpy 时会被自动带上，无需手工编译任何 C++ 库。🚀 装完用三行代码验证：

import highspy print(highspy.__version__) h = highspy.Highs(); h.addVars(1, [0], [1]); h.run() print(h.modelStatusToString(h.getModelStatus()))

从示例走向生产

一行读取 MPS 模型文件并求解

模型若已在文件里，直接readModel。仓库自带样例数据check/instances/avgas.mps可供练习：

h = highspy.Highs() h.readModel("check/instances/avgas.mps") h.run() lp = h.getLp() print(lp.num_col_, lp.num_row_, h.getNumNz())

打印出的变量数、约束数、矩阵非零元个数，能帮你快速核对读入的模型规模。LP 与 MPS 两种主流文件格式均支持。

用回调钩子写入自定义逻辑

求解器支持"途中停下来问你要决策"：setCallback注册函数后，由startCallback指定触发时机。最常用的是日志回调，可实时跟踪 MIP 求解进度；节点级回调则能在搜索过程中注入新约束或收紧变量界，是分支定价等定制算法的入口：

def on_cb(callback_type, message, data_out, data_in, user_data): if callback_type == highspy.cb.HighsCallbackType.kCallbackLogging: print(message) h.setCallback(on_cb, None) h.startCallback(highspy.cb.HighsCallbackType.kCallbackLogging) h.run()

选内点法还是单纯形：切换算法选项

用 Python 解线性规划时，HiGHS 默认走单纯形法并叠加 presolve 预处理；部分大规模 LP 上内点法更快，通过 options 切换：

options = h.getOptions() options.presolve = "off" # 关闭 presolve options.solver = "ipm" # 切换到内点法 h.passOptions(options) h.run()

⚡ 建议先看日志再调参：默认配置跑通之后，确认瓶颈在哪一项，再决定开关 presolve 或换算法；MIP 求解时 presolve 通常有益，不建议随手关闭。

调参与排坑清单

新手最易踩的两个坑：

1. 列主序约定：HiGHS 按列主序组织约束矩阵，addRows的starts/indices都是"按列"书写，行列写反是约束错位的第一大原因；
2. options 时机：passOptions只影响下一次run()，求解中途改动后必须重新运行才生效。

整数变量如何标记、更完整的用法，见 背包示例 与 示例目录；API 细节可查 官方文档。

highspy 把 C++ 级别的高性能 LP/MIP/QP 求解栈压缩成了一个pip可装的 Python 依赖：建模三步、换算法一组 options、控流程一组回调。下一步就去跑一个真实模型——clone 仓库后执行examples/minimal.py，跑通它，调参的事才算真正开始。

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