Python中常用的优化库

1传统的运筹优化¶

CVXPY：使用Python进行凸优化，可用于线性和非线性规划，半正定规划、混合整数规划等问题。（类似于casadi，本身是一个框架，可以调用其他求解器）。CVXPY 是一个纯粹的 python 优化工具接口，它本身并没有实现任何求解器，都是根据问题类型调用相应的外部求解器 10，然后解析结果。对于线性规划问题，可以调用外部的 CBC, GLPK, CPLEX, GUROBI, MOSEK 等。需要注意的是，当需要调用 CBC 时，必须先安装其官方 python 接口 CyLP；当需要调用 CPLEX 时也需要先安装其官方 python 接口。甚至cvxpy可以嗲用cvxopt的求解器。
CVXOPT ：CVXOPT 实际上是一个凸优化工具包，并自带有线性规划求解器，但效率不是很高。但它可以调用外部求解器 8，包括 GLPK, MOSEK 和 DSDP。
Pyomo：Python建模语言，可用于线性规划，非线性规划，混合整数规划等问题。
casadi
PuLP：线性规划库，使用Python语言编写，简单易用。PulP 也可以调用 CBC, GLPK, CPLEX, GUROBI 等外部线性规划求解器。具体使用方法可以参考它的官方文档 12

GLPK 对于变量规模很大的线性规划问题求解速度非常慢。
CPLEX 求解大规模线性规划问题非常快，但是使用官方提供的方法建模时间非常长。实际测试，在变量规模为 65536 时，建模花费 20s 左右，求解花费不到 1s。当使用 CVXPY 调用 CPLEX 时，同样规模一共花费 5s 左右，推测主要时间也是花费在建模上面。
比较 CVXPY 调用默认求解器，CPLEX, GUROBI，发现速度差距不大，相对来说 GUROBI 可能会稍微好一点。