LINDO API 除了支持传统的线性、非线性、整数等等优化计算方法以外，还支持以下国际公认最先进的智能优化算法，包含有：
弗洛伊德算法 Floyd-Warshall Algorithm
分治算法 Divide-and-conquer Algorithm
动态算法 Dynamic Programming Algorithm
搜索算法 Search Algorithm
贪婪算法 Greedy Algorithm
组合算法 Combinatorial Algorithm
原始单纯算法 Primal Simplex Algorithm
对偶单纯形算法 Dual simplex Algorithm
障碍算法 Barrier Algorithm
启发式算法 Heuristic Algorithm |
被淘汰的网络算法：
“网络算法”通常指解决网络线性程序的专门算法。
LINDO在几年前有一个专门的网络算法，但是，普通的LP解决方案(Simplex和Barrier)几乎和专业的网络求解器一样快，所以我们取代了纯网络解决方案算法。 |
功能简介 |
线性规划
Linear |
solver Decides: LINDO API自动选择最优算法，筛选最优算法 |
| Primal Simplex:原始单纯形法 |
| Dual Simplex: 对偶单纯形法 |
| Barrier: 障碍法（即内点法） |
| 大体上，求解行数少于列数的稀疏模型时用原始单纯形算法较好，求解列数少于行数的稀疏模型时用对偶单纯形算法较好，而求解密集形和大规模规划时用障碍法较好。 |
连续性线性规划
Sequential LP |
又称逐次线性规划，选择该模块，LINDO API会在每次迭代时用SLP方法寻找搜索方向，运用线性逼近的方法加快迭代时间（默认值） |
连续二次方程规划 |
连续二次方程规划 Sequential Programing Quadratic |
连续分解
Martix Decomposition
|
连续非线性规划 continuous Nonlinear programing |
| 连续圆锥规划 continuous Cone Programing |
| 连续随机规划 continuous Stochastic Programing |
矩阵规划
Martix Programing
|
正定矩阵 positive definite matrix |
| 半正定矩阵 positive semi-definite matrix |
检查模型的数据平衡性
Scale Model |
选择该选项，LINDO API会检查模型中的数据是否平衡，并尝试改变尺度使模型平衡；否则不尝试 |
障碍解算规划
Barrier |
内生法优化的选项，主要用于线性优化中，解决大规模运算的问题。比常用的单纯形算法的运算速度要快得多。同时也可用于求解二次规划约束的优化。 |
分支定界
Branch-and-Bound |
分支定界是分治算法的另一种表现形式，分支定界功能绑定了LINDO API 产品中所有基本算法。 |
非线性
Nonlinear
|
将非线性模型解到局部最优解，比常用的顺序逼近线性规划算法的速度要快得多。 |
| 包含支持：非线性 Nonlinear Programing |
| 包含支持：凸面求解 Convex design Programing |
| 包含支持：凹面求解 Non-convex design Programing |
| 包含支持: 凸非线性规划Convex Nonlinear Programing |
| 包含支持: 非凸（凹）非线性规划Non-convex Nonlinear Programing |
广义简化梯度规划
Generalized Reduced-type Gradient |
广义简化梯度在稳定性和效能方面得到广大使用者的认可，推广于求解带非线性等式约束的情形， 数值实例表明，GRG法是目前求解约束非线性最优化问题的最有效的方法之一。 |
生成初始解
Crash Intial Solution |
选择该选项，LINDO API将用启发式方法生成一个“好”的出发点（初始解），否则不生成（默认值）。 |
二次规划模型
Quadratic Programming
|
LINDO API的二次规划是非线性规划中的一类特殊数学规划问题，在很多方面都有应用，如投资组合、约束最小二乘问题的求解、序列二次规划在非线性优化问题中应用等。在过去的几十年里，二次规划已经成为运筹学、经济数学、管理科学、系统分析和组合优化科学的基本方法。 |
| 包含支持：二次规划模型 Quadratic Programming |
| 包含支持：凸二次规划 Quadratic Convex design Programing |
| 包含支持：非凸（凹面）二次规划(QNCDP) Quadratic non-convex design Programing |
识别二次规划
Quadratic Recognition |
选择该选项，LINDO API将判别模型是否为二次规划，若是则采用二次规划法；否则不判别（默认值） |
有选择的检查约束规划
Selective Constraint Eval |
选择该选项，LINDO API在每次迭代时只检查必须检查的约束（如有有些约束函数在某些栏目没有定义，这样做会出现错误）；否则，检查所有约束（默认值） |
最陡边策略
Steepest Edge |
选择该选项，LINDO API在每次迭代时将所有可能的变量进行尝试、找到使目标值下降最多的变量进行迭代，此时选择变量所花费的时间较多，但每次迭代时目标函数值得改变量较大；否则不尝试，默认值为不使用最陡边策略。 |
整数预处理求解规划
Integer Pre-Solver |
该选项对整数线性规划模型（ILP）有效，对其他模型无效。整数预处理程序用于完成模型的再生成工作（重新生成的模型与原始模型等阶但结构发生了变化，这种方法最适合用分支定界整数规划算法求解），使得传送到分支定界算法的最终表达式能够以最快的速度求解。 |
整数规划
Integer Solver
|
整数规划问题非常复杂，求解大型整数规划时，What’s Best! 通常会选择运行几分钟得到近似于得到最优解的可行解；What’s Best! 的整数优化速度远超过其他同类产品。 |
| 整数规划模型 (IP) Integer Programing |
| 整数线性规划模型 (ILP) Integer Linear Programing |
| 整数非线性规划模型 (INLP) Integer Nonlinear Programing |
单纯整数规划
Pure Integer Programing
|
单纯整数规划Pure Integer Programing |
| 单纯整数线性规划Pure Integer Linear Programing |
| 单纯整数非线性规划 Pure Integer NLP |
| 单纯整数二次方程规划Pure Integer Quadratic Programing |
| 单纯整数圆锥规划Pure Integer Programing Conic |
| 单纯整数随机规划 Pure Integer Programing Stochastic |
混合整数规划
Mix Integer Programing
|
混合整数规划Mix Integer Programing |
| 混合整数线性规划Mix Integer Linear Programing |
| 混合整数非线性规划Mix Integer Nonlinear Linear Programing |
| 混合整数二次方程规划 Mix Integer Quadratic Programing |
| 混合整数圆锥规划Mix Integer Programing Conic |
| 混合整数随机规划(MISP) Mix Integer Programing Stochastic |
全局最优解规划
Global
|
提供全局最优解的选项，同时也主要作用于非线性优化的求解。如不选择此项，一般的算法只能获得局部最优解。这个选项可以通过多起始点的方式，通过划分凸规划，调用分支定界管理程序，从多个局部最优解中确定全局最优解，保证全局最优化解算器。 |
多初始点求解规划
Multistart Solver |
这个选项，LINDO API会自动尝试多个初始点求解最优解，和 Global Solver 相比，Local Solver 可以一定程度减少模型的求解时间。而 Local Solver 中的 Multistart 特性，可以让 LINDO API 搜索更多的局部解；当然，它会增加一些求解时间。 |
随机规划求解
Stochastic Programming |
LINDO API的随机规划选项，通过多级随机线性、非线性和整数随机规划，解决了不确定元素的优化模型。 |
圆锥规划
Conic Programing
|
包含支持：Conic programming |
| 包含支持：(SOC)二阶锥（二次锥）Solves Second Order Cone programming |
| 解决二阶锥(SOC)编程模型问题 |
| 包含支持：半定锥 Semidefinite Cone programing |
半定规划
Semi-definite Programming
|
包含支持：半定规划 Semi-definite Programming |
| 包含支持：半定松弛 Semi-Definite Relaxation |
不确定型优化规划
Uncertain design optimization programing
|
不确定型二次优化规划Uncertain design optimization Quadratic programing |
| 不确定型线性规划 Uncertain design optimization LP |
| 不确定型非线性规划 Uncertain design optimization NLP |
| 不确定型圆锥优化规划Uncertain design optimization Conic |
| 不确定型随机优化规划Uncertain design optimization Stochastic |
双层规划
Bilevel Programming |
LINDO API的双层规划功能是一种具有二层递阶结构的系统优化问题，上层问题和下层问题都有各自的决策变量、约束条件和目标函数。 上层决策者只是通过自己的决策去指导下层决策者，并不直接干涉下层的决策；而下层决策者只需要把上层的决策作为参数，他可以在自己的可能范围内自由决策。这种决策机制使得上层决策者在选择策略以优化自己的目标达成时，必须考虑到下层决策者可能采取的策略对自己的不利影响。 |
动态规划
Dynamic Programming |
LINDO API的动态规划一般可分为线性动规，区域动规，树形动规，背包动规四类。在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。
虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划(如线性规划、非线性规划)，只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。 |
多层递阶规划
Multilevel Hierarchical programming |
So-called Pre-emptive priority programs are acceptable.又称为多层择优程序 |
多目标规划
multi-objective programming |
在经济、管理、军事、科学和工程设计等领域，衡量一个方案的好坏往往难以用一个指标来判断，而需要用多个目标来比较，而这些目标有时不甚协调，甚至是矛盾的。LINDO API的多目标规划定性与定量相结合的多目标决策与分析方法，对于目标结构复杂且缺乏必要的数据的情况更为实用。 |
对偶计算
Dual Computations
|
求解时控制对偶计算的级别，一般有几种可能的设置，例如 |
| * None: 不计算任何对偶信息 |
| * Prices: 计算对偶价格（默认设置） |
| * Prices and Ranges: 计算对偶价格并分析敏感性 |
| * Prices，Opt Only: 只计算最优行的对偶价格 |
完全不相似约束
AllDiff Constraints |
An AllDiff constraint, e.g., AllDiff(x1, x2, x3) constraints the variables to take on different values. E.g., (x1, x2, x3) = (1, 2, 1) is not a feasible solution, but (4, 3, 5) is. |
K最佳解决方案
K Best solutions |
默认情况下(k - best = 1)，在一个具有二进制整数变量的模型中，solver返回一个全局最优解决方案。
当用户想要探索备选的optima(不同的解决方案集返回相同的目标值)和接近最优方案的时候，使用二进制整数变量时，k - best特性是有用的。用户可以指定他/她想要返回的解决方案的数量。
例如，如果您正在解决一个最小化成本函数并为k - best解决方案|指定5的模型，那么solver将会找到最小化成本的5个最佳答案。 |
机会约束规划
Chance-constraints |
是在一定的概率意义下达到最优的理论。它是一种随机规划方法，针对约束条件中含有随机变量，并且必须在观测到随机变量的实现之前做出决策的问题。 |
津公网安备12010402002038号