跳转至
1.2.1
导出 MD

第一个模型

用两个整数变量表示产量，在满足需求的前提下最小化成本。运行前先完成安装与许可证配置。

建模、求解与读值

from optagent import OptModel

model = OptModel()
x = model.int(0, 10)
y = model.int(0, 10)
cost = 2 * x + y

model.constraint(x + y >= 7)
model.minimize(cost)

solution = model.solve(time_limit_s=1.0, log_level="off")
print(solution.status, solution.objectives)
if solution.feasible:
    print("x =", x.value, "y =", y.value, "cost =", cost.value)

示例不需要模型或变量名称：x、y、cost 是 Python 表达式引用，求解后通过 .value 读值。

这里的整数上下界都包含端点。constraint() 与 add_constraint() 等价；minimize() 声明最小化目标。这个小模型的数学最优解是 x=0, y=7，成本为 7；限时搜索的返回结果应以实际可行性与目标值为准。

换用线性求解入口

该模型满足严格线性要求，可以复用模型并显式调用 OptX：

from optagent import OptxConfig

solution = model.solve_optx(config=OptxConfig(time_limit=5.0))
if solution.feasible:
    print(x.value, y.value)

其他入口是 solve_cpsat() 和 solve_mathopt()，需要 OR-Tools extra。各入口不自动互相回退，参数对象也不能混用。

接下来