Presolve

Presolve

Gurobi预解算法的设计是为了使模型更小，更容易求解。然而，在某些情况下，presolve可能会导致数字问题。下面的Python代码可以帮助您确定是否发生了这种情况。首先，读取模型文件并打印预解模型的汇总统计信息:

m = read('gurobi.rew') p = m.p olve() p.p printstats ()

如果数值范围看起来比原始模型差得多，则尝试参数总= 0：

m.reset() m.Params.Aggregate = 0 p = m.p olve() p. printstats ()

如果得到的模型在数值上仍然有问题，您可能需要使用该参数完全禁用presolvePresolve = 0；尝试以上步骤使用

m.reset() m.Params.Presolve = 0 p = m.presolve() p. printstats ()

如果统计数据看起来更好总= 0或Presolve = 0，您应该进一步测试这些参数。对于连续(LP)模型，您可以直接测试它们。对于MIP，您应该比较有和没有这些参数的LP松弛。下面的Python命令创建三种LP松弛:没有presolve的模型、有presolve的模型和有presolve的模型总= 0：

m = read('gurobi.rew') r = m.r orelax () r.s write('gurobi.relax-nopre.rew') p = m.r ost ('gurobi.relax-pre.rew') r = m.r ost () m.r params . aggregate = 0 p = m.r oplve () r.s ost ('gurobi.relax-agg0.rew') r = r.s ost ('gurobi.relax-agg0.rew')

对于这三个文件，使用前面提到的技术来确定是否Presolve = 0或总= 0改进LP松弛的数值。

最后,如果总= 0帮助数字但使模型太慢，尝试AggFill = 0代替。