解读来自 Gurobi 的 LP 优化结果
Interpret the LP optimization result from Gurobi
我想用 Gurobi 求解一个非常简单的 LP：
最小化 z
s.t。 x + y <= z
其中 x、y、z 是由 gp.Model().addVar() 生成的决策变量，应该是默认变量。模型的objective设置为m.setObjective(1.0*z, GRB.MINIMIZE).
然后我求解模型，程序returnsz的最优值为0.000。我不明白为什么这是最优值？ Gurobi 的默认决策变量是否有任何约束，比如它们是非正的。否则，当 x、y 和 z 无界时，为什么 0.0 是此 LP 的最佳值？
Gurobi 和其他 LP/MIP 求解器的约定是决策变量的下限为零。如果你想要另一个下界，那么要么设置 LB 属性，要么在调用 Model.addVar() 时定义它，例如：
m = Model()
x = m.addVar(lb=-20, name='x')
我想用 Gurobi 求解一个非常简单的 LP：
最小化 z
s.t。 x + y <= z
其中 x、y、z 是由 gp.Model().addVar() 生成的决策变量，应该是默认变量。模型的objective设置为m.setObjective(1.0*z, GRB.MINIMIZE).
然后我求解模型，程序returnsz的最优值为0.000。我不明白为什么这是最优值？ Gurobi 的默认决策变量是否有任何约束，比如它们是非正的。否则，当 x、y 和 z 无界时，为什么 0.0 是此 LP 的最佳值？
Gurobi 和其他 LP/MIP 求解器的约定是决策变量的下限为零。如果你想要另一个下界，那么要么设置 LB 属性，要么在调用 Model.addVar() 时定义它，例如：
m = Model()
x = m.addVar(lb=-20, name='x')