HiGHS Python 快速教程：1 条命令、3 步写出线性与整数规划求解代码

【免费下载链接】HiGHSLinear optimization software项目地址: https://gitcode.com/GitHub_Trending/hi/HiGHS

想在 Python 里解线性规划（LP）、整数规划（MIP）或二次规划，highspy 就能直接起步。它是 HiGHS 的 Python 接口，几行代码建好模型，一次调用拿到最优解，不用碰底层 C++ 构建环境。

一行装好

pip install highspy

安装时会自动带上 numpy 依赖，PyPI 上提供 Python 3.9 到 3.14 的预编译 wheel，装完即可使用；用 conda-forge 的用户也能找到同名包。

跑起来的第一眼

先建一个两变量的线性规划，用 highspy 提供的数学表达式写法：

import highspy h = highspy.Highs() # 创建 HiGHS 实例 x1 = h.addVariable() # 决策变量 x1（连续、下界为 0） x2 = h.addVariable() # 决策变量 x2 h.addConstr(x1 + 2*x2 <= 80) # 第一条约束 h.addConstr(x1 + 4*x2 <= 120) # 第二条约束 h.maximize(10*x1 + 25*x2) # 声明目标函数并开始求解 print("x1 =", h.val(x1), "x2 =", h.val(x2))

运行后终端会打印两个变量在最优解处的取值（x1 = 40，x2 = 20），对应的最大目标值为 900。更完整的调用流程可以看仓库里的 examples/call_highs_from_python.py 🐍

特性深挖

三种建模方式

除了上面的数学表达式，highspy 还支持把模型写成HighsLp结构体一次性传入，或用矩阵式的addVars/addRows（约束矩阵按压缩列格式填写）。三种写法分别对应快速建模、批量导入数据和性能敏感的场景，按手头数据的形态挑一种即可。

直接从文件读入求解

模型如果已是 MPS 或 LP 文件，readModel()可以直接加载，不必把系数抄进代码。求解后用getSolution()取变量值，getInfo()取目标值、迭代次数等统计量。仓库自带的check/instances/avgas.mps是一个经典的汽油调和模型，拿来做文件读入验证正合适。

回调：在求解过程中插手

求解大型 MIP 时，可以用setCallback()注册回调函数，在目标值达到预设目标、或迭代次数超过阈值时中断搜索。做限时批量计算、或想自定义记录求解过程时，这个机制很实用。

用在哪些场景

• 生产排产与配料：排产计划、原料配比，仓库里的 avgas 就是这类问题
• 物流调度：运输成本最小化、仓库选址、车辆路径安排
• 投资组合：在收益与风险约束下做资产配置
• 电力调度：机组开停与能量分配，通常搭配整数变量

highspy 把 HiGHS 的单纯形、内点与 MIP 求解器收进一组好调用的方法里，真实业务里可以直接拿去用。参数细节、返回值状态码的完整说明，见 Python 接口文档。

【免费下载链接】HiGHSLinear optimization software项目地址: https://gitcode.com/GitHub_Trending/hi/HiGHS