企業每天都會做出成千上萬的決策，包括生產什么、在哪里發貨、如何分配資源。大規模優化這些決策成為一項計算挑戰。線性規劃 (LP) 、混合整數規劃 (MIP) 和車輛路線規劃問題 (VRP) 提供了結構，但快速解決這些問題是瓶頸開始的地方。
NVIDIA cuOpt 為決策優化帶來 GPU 加速，可大幅加速現實世界中的 LP、MIP 和 VRP 工作負載。cuOpt 現已在 Apache 2.0 許可下以開源形式提供，使您能夠比以往更輕松地在本地或云端工作流中采用、調整和擴展優化。
對于開發者來說，最棒的部分是幾乎為零的建模語言更改。您可以將 cuOpt 應用到使用 PuLP 和 AMPL 構建的現有模型中，并且只需進行最少的重構。它快速、靈活，可隨時用于實驗或生產。
想要大規模查看 cuOpt 的實際應用情況？查看“強效助力優化：Artelys 如何由 FICO 和 NVIDIA 提供支持，展示了 cuOpt 在大規模單元占用問題上實現高達 20x 速度提升的作用。”
本文將介紹 cuOpt 如何在 PuLP 和 AMPL 等建模語言中，以幾乎為零的變化求解 LP 和 MIP。您將學習如何：
- 只需幾分鐘即可在本地或云端通過 Python、REST API 或 CLI 開始使用開源 cuOpt 優化
- 使用 cuOpt GPU 加速解決 VRP 問題
真實用例：大規模咖啡物流
想象一下全球咖啡連鎖店。每家商店每年需要數千包豆子。豆類經過采購、烘焙、包裝和運輸，每個階段都受到設施容量和動態需求的限制。如果烘焙工廠突然離線，供應鏈必須立即重新調配訂單并重新分配供應商。
添加交付？現在，您可以跨變更訂單和時間窗口引導駕駛員，同時遵守勞動規則和shift limits
這些是現實世界中的 LP、MIP 和 VRP 問題，而且它們在計算上難以快速解決。cuOpt 專為應對這種復雜性而構建。
快速開始：在幾分鐘內解決您的第一個問題
無論您是要優化供應鏈、安排生產還是規劃交付路線，cuOpt 都能提供多種快速入門方法。
cuOpt 服務器
此選項最適合 LP、MIP 和通過 REST 的 VRP。啟動支持所有問題類型的 REST API 服務器。
通過 pip 安裝：
pip install --extra-index-url=https://pypi.nvidia.com cuopt-server-cu12==25.5.* cuopt-sh==25.5.* |
使用 Docker 運行 (包括 REST 和 client)：
docker run --gpus all -it --rm -p 8000:8000 -e CUOPT_SERVER_PORT=8000 nvidia/cuopt:latest-cuda12.8-py312 python3 -m cuopt_server.cuopt_service |
Python API
此選項最適合 VRP。使用 cuOpt 原生 Python API 進行編程控制和集成：
pip install --extra-index-url=https://pypi.nvidia.com cuopt-cu12==25.5.* |
命令行界面
此選項最適合對 LP 和 MIP 進行基準測試。如果您有 MPS 格式的模型，請使用命令行界面 (CLI) 進行基準測試和自動化。
運行基準模型：
wget https://plato.asu.edu/ftp/lptestset/ex10.mps.bz2bunzip2 ex10.mps.bz2./cuopt_cli ex10.mps |
此示例在 0.3 秒內解決了 NVIDIA H100 Tensor Core GPU 上具有超過 69 K 約束和 17 K 變量的 LP。
在云端試用 cuOpt
沒有本地 GPU？您可以從瀏覽器或在持久云環境中運行 cuOpt。
| 特征 | Google Colab | ? |
| 設置 | 無 | 一鍵啟動 |
| GPU 訪問 | 是 (有限，免費) | 是 (完整的 GPU 實例) |
| 持久性環境 | 否 | 是 |
| 預加載配置 | 手動 | 自動 |
| 優化使用 | 演示和快速測試 | 完整的開發工作流程 |
模型更改最少：AMPL 和 PuLP 中的 LP 和 MIP
cuOpt 與 AMPL 和 PuLP 等建模語言集成。只需切換 solver，無需重寫。
示例 1：AMPL 和 cuOpt
./amplvar x >= 0; var y >= 0; maximize objective: 5*x + 3*y;subject to c1: 2*x + 4*y >= 230;subject to c2: 3*x + 2*y <= 190;option solver cuoptmp;solve;display x, y; |
要切換到 MIP，請將變量聲明為 integer。
示例 2：PuLP 和 cuOpt
import pulpmodel = pulp.LpProblem("Maximize", pulp.LpMaximize)x = pulp.LpVariable('x', lowBound=0)y = pulp.LpVariable('y', lowBound=0)model += 5*x + 3*y, "obj"model += 2*x + 4*y >= 230model += 3*x + 2*y <= 190model.solve(pulp.CUOPT()) |
切換到 MIP：
x = pulp.LpVariable('x', lowBound=0, cat="Integer")y = pulp.LpVariable('y', lowBound=0, cat="Integer") |
使用 cuOpt 客戶端解決 VRP 問題
cuOpt 通過 Python 或 REST 使用結構化 JSON 輸入求解 VRPs：
工作流程示例：
from cuopt_sh_client import CuOptServiceSelfHostClientimport jsoncuopt_service_client = CuOptServiceSelfHostClient(ip="localhost", port=5000)optimized_routes = cuopt_service_client.get_optimized_routes(json_data)print(json.dumps(optimized_routes, indent=4)) |
如需了解更多信息，請訪問 GitHub 上的 NVIDIA/cuopt-examples。
輸出示例：
"num_vehicles": 2,"solution_cost": -435.0,"vehicle_data": { "Car-A": {"task_id": [...],"arrival_stamp": [...]}, "Bike-B": {"task_id": [...],"arrival_stamp": [...]}},"total_solve_time": 10.7 |
cuOpt 是物流或調度系統的理想選擇，可返回經過優化的路線、成本和任務級別的任務。
開始使用開源優化
了解如何開始使用 NVIDIA cuOpt，將 GPU 加速引入現有的優化堆棧 – 無需供應商鎖定，無需重寫，只需更快地解決即可。此優化采用 GPU 原生、開發者優先且專為擴展而構建。主要優勢包括：
- 速度：借助 GPU 加速，將解決 LP/MIP/VRP 問題的速度提高 10 倍到 5,000 倍
- 簡便性：插入到 PuLP 和 AMPL 等建模語言中，且更改最少
- 靈活性：選擇適合的接口 – REST、Python 或 CLI
- 模塊化：適用于您的堆棧，可根據您的需求進行擴展
- 開放：Apache 2.0 許可，包含 GitHub 資源庫、示例和文檔 – 開箱即用或 fork，可針對您的域進行自定義
- 隨時可用：立即在 Google Colab 或 NVIDIA Launchable 中啟動
- 支持：借助 NVIDIA AI Enterprise 在生產環境中運行 – 包括安裝協助、升級和專家支持
NVIDIA cuOpt 現在也可在開源運營研究工具中心的 coin-or/cuopt GitHub 庫中使用。在此之前，COIN-OR 和 NVIDIA 最近宣布了合作，進一步增強了優化開發者的生態系統。作為 COIN-OR 的一部分，cuOpt 可以更輕松地發現、擴展，并與其他開源求解器一起使用。
加入開源社區，借助完全可控性和靈活性，幫助塑造實時、智能決策優化的未來。
?
