Python MIP（混合整数线性编程）工具 套件网站： : Python MIP是用于混合整数线性程序（MIP）建模和解决方案的Python工具集合。 MIP语法受启发。 就像一样，它也提供对高级求解器功能的访问，例如切割生成，惰性约束，MIPstart和解决方案池。 移植Pulp和Gurobi模型应该很容易。 MIP的一些主要功能包括： 高级建模：就像使用这样的高级语言一样，用Python轻松编写MIP模型：运算符重载使使用Python编写线性表达式变得容易。 全功能： 剪切生成器和惰性约束：通过在分支和剪切搜索过程中仅生成所需的不等式来处理具有大量约束的强公式； 解决方案池：查询在搜索过程中找到的精英解决方案集； MIPStart：使用问题相关的启发式方法为MIP搜索生成初始可行的解决方案。 快速：Python MIP软件包使用现代的python 模块直接调用已安

支持的超平面优化工具包 SHOT是用于解决混合整数非线性规划（MINLP）类的数学优化问题的软件。 除了MINLP问题外，SHOT还可以用于子类，例如NLP和MI（QC）QP。 SHOT最初仅用于凸MINLP问题，但从1.0版开始，它还具​​有解决非凸MINLP问题的功能，作为一种启发式方法，而无需提供任何全局最优性的保证。 SHOT还可以将某些非凸问题类型求解为全局最优值，并且对于非凸问题也保证目标函数值的边界。 可以使用SHOT 作为控制台应用程序， 来自 ， 在， 来自任何可以使用ASL的建模系统，例如 ， ）和 ， 使用以C ++实现的API。 SHOT需要使用解算器： ， 或 。 此外，还需要一个NLP求解器。 目前仅支持 。 如果SHOT与GAMS连接，则可以使用任何许可的NLP求解器。 该文档在项目网站。 SHOT是一个COIN-OR项目，并赢

matlab开发-混合整数线性程序设计。来自网络研讨会的matlab文件

ompr, 用于混合整数线性规划的R 包 基于的混合整数整数线性规划 OMPR ( 优化建模包) 是一个用于模型和求解混合整数线性程序的DSL 。 它是由Julia的优秀跳跃项目启发的。以下是你可以使用这个软件包解决的一些问题：访问一组客户的成本最低的方

输电网结构优化是控制输电阻塞的手段之一。且当负荷处于较低水平、系统裕度较高时，也可以通过结构优化提高设备的利用率。为了在开断部分线路的同时保证系统安全性，建立考虑N-1安全网络约束的输电网结构优化模型。通过对可开断线路潮流方程进行线性化，将原有模型转化成混合整数线性规划形式。为了应对负荷的短期波动及风电出力不确定性对电网结构优化结果的影响，采用吸引子传播(AP)聚类算法构建不同的运行场景。以修改的IEEE-RTS 24节点系统为例对所提模型进行验证和分析，结果表明，在满足一定的安全约束条件下，断开某些输电网线路可以减轻输电阻塞、降低系统的运行成本、提高线路的负载率水平。

该代码是免费提供的 Tamilselvi Selvaraj NSGA II Matlab 代码的修改版本，能够解决带约束的混合整数非线性规划。 使用上述算法解决了几个基准问题，包括整数变量的问题。 指导方针： 打开“NSGA_II_Abril_Test.m”。 选择您想要的“p”基准问题（p=2 ---> ZDT1 问题）。 运行“NSGA_II_Abril_Test.m”

BNB20 解决混合整数非线性优化问题。 它是一种分支定界算法。

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。

bnb20_for_Matlab7.X，荷兰Groningen大学Koert Kuipers编写的解决一般非线性整数规划问题的工具包，非常好的工具，但是从MathWorks网站下载的bnb20不兼容matlab7.x版本，我花了很长时间才找到这个工具包，里边有bnb20工具和matlab配置工具包的txt说明。 经过测试，可用。

飞机维修计划与优化 使用CPLEX的混合整数线性编程（MILP）优化飞机维护计划