我的模型有数字问题吗?

您可以按照以下步骤来帮助确定模型是否存在数值问题:

通过导出模型文件和参数文件来隔离模型以进行测试。最简单的方法是创建一个gurobi.env在您的工作目录中包含以下行:
```
记录1
```
一旦你这样做了，运行你的程序将产生一个recordingXYZ.grbr文件用于程序创建的每个Gurobi环境(XYZ是一个从000开始增加的三位数字，填充0)。您可以使用gurobi_cl(例如,gurobi_cl recording000.grbr)．咨询本节有关录音文件的更多信息。
使用Gurobi Interactive shell，运行一些简单的Python代码来读取重放生成的模型，并打印汇总统计信息:
```
m = read('gurobi.rew')。
```
输出如下所示:
```
统计模型(null):线性约束矩阵:25050若干,15820 var, 94874年通过变量类型:14836连续984整数矩阵系数范围:[0.00099,6 e + 06]目标系数范围:[0.2,65]变量绑定范围:[1,5 e + 07] RHS系数范围:(1、5 e + 7)
```
数值系数的范围是潜在数值问题的一个指示。作为一个非常粗略的准则，最大系数与最小系数的比值应该小于；较小的更好。
在这个例子中，矩阵的范围为

$ 6美元\ cdot10 ^ 6/0.00099 = 6.0606 \ cdot10 ^ 9。 美元$

如果可能的话，使用相同的参数重新解析模型并检查日志。在Python shell中，使用如下代码:

m.read (gurobi.prm) m.optimize ()

以下是一些提示数字问题的警告信息的例子:

警告:模型矩阵系数范围大考虑重新制定模型或设置NumericFocus参数，以避免数值问题。警告:马科维茨公差拧紧到0.5警告:切换到四精度数字误差数字问题遇到重启交叉…次最佳终止警告:…警告:未缩放的原始违反=…和残差=…警告:未缩放的双重违例=…和残差=…

当优化功能完成后，打印解决方案统计信息。在Python shell中，使用如下代码:
```
m.printQuality ()
```
提供解决方案质量的总结:
```
未命名:最大违规:界限:2.98023224e-08 (X234)约束:9.30786133e-04 (C5)完整性:0.00000000e+00
```
超过容忍值的违规行为是数字问题的另一个迹象。另外，对于纯LP(不含整型变量)，通过以下Python命令打印条件编号:
```
m.KappaExact
```
条件数度量线性计算中可能出现的误差;一个大的条件数，例如 $ 10美元^ {12} 美元$ ，是可能出现数字问题的另一个迹象这部分获取更多细节。
如果更改参数(例如，方法或种子)导致不同的优化状态(例如，不可行而不是最优)，或者如果最优目标值发生变化，这通常是数值问题的迹象。为了进一步评估这一点，您可以将公差(按…的顺序)收紧 $ 10美元^ {8} 美元$ 甚至 $ 10美元^ {9} 美元$ )，并查看求解器的行为是否再次变得一致。手机万博登录请注意，收紧公差通常是以增加计算时间为代价的，不应将其视为数值问题的解决方案。