跳转至
1.3.0
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。

选择精确求解后端

该模型是混合整数线性模型，可以复用模型并通过 OptX 选择 HiGHS：

from optagent import HighsConfig

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

这个整数模型也可以通过同一个入口选择内置 CP-SAT：

from optagent import CpSatConfig

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

HighsConfig 和 CpSatConfig 分别选择对应后端；省略 config 时默认使用 HiGHS。所选后端不支持模型时会报告原因，不会自动更换后端。更多选择见求解指南。

接下来