Optimeringspakker

Optimeringspakker er softwarebiblioteker og værktøjsæt, der gør det muligt at formulere og løse optimeringsproblemer. De støtter typisk forskellige typer problemer, herunder lineær programmering (LP), blandet heltals- og lineær programmering (MILP), ikke-lineær programmering (NLP), kvadratisk programmering (QP) og semidefinite programmering (SDP). Mange pakker fungerer som wrappers omkring eksterne solvers som GLPK, CBC, CPLEX, Gurobi, Ipopt eller MOSEK, og giver samtidig en mere brugervenlig API og modelbaserede metoder.

Et typisk workflow består i at definere beslutningsvariabler, formulere en eller flere mål funktioner, tilføje begrænsninger og eventuelle integralitetsbetingelser, vælge en eller flere løsnere og afvikle beregningen. Resultatet består af en løsning, løsningens status og ofte yderligere oplysninger som duale værdier og fejllogs. Mange optimeringspakker tilbyder højniveau modellerprog eller model-skabeloner, eksempelvis JuMP i Julia, Pyomo og PuLP i Python, eller ROI og nloptr i R. Andre giver lav-niveau API’er til direkte kommunikation med valgte solvers.

Anvendelser spænder bredt fra logistik og ressourcestyring til maskinlæring, finansiel optimering og design af komplekse systemer. Udfordringer kan være konvergens til globale versus lokale optima i NLP-problemer, krav til præcision og numerisk stabilitet samt afhængighed af tilgængelige licenser og platformsupport.

Kendte eksempler på optimeringspakker inkluderer SciPy’s scipy.optimize i Python, cvxpy og Pyomo; JuMP i Julia; Optim og NLopt i flere sprog; og MATLABs Optimization Toolbox.