Gurobi基础语法之addVar 和 addVars
addVar 和 addVars作为 Gurobi模型对象中的方法，常常用来生成变量，本文介绍了Python中的这两个接口的使用
addVar
addVar(lb=0.0, ub=float('inf'), obj=0.0, vtype=GRB.CONTINUOUS, name='', column=None)
lb 和 ub让变量在生成的时候就有下界和上届，
obj 确定了生成的变量在 目标函数的系数的取值
vtype 确定了变量取值的类型 (GRB.CONTINUOUS, GRB.BINARY, GRB.INTEGER, GRB.SEMICONT, or GRB.SEMIINT)
name 确定了这个参数的名字
column这个参数可以用来确定在已经存在的约束条件中这个变量的系数，但是由于在新版本中可以直接在生成约束条件(即调用addConstr)的时候就直接指定具体的约束条件，所以column参数并不经常使用，但是下面的代码还是给出这个参数的使用方法：
max 3x + 2y
x + y <= 10
2x + y <= 15
x >= 0, y >= 0
m = gp.Model("example")
m.setParam('OutputFlag', 0) # 优化完成后不打印许可和/或计算服务器信息
# 添加约束
c1 = m.addConstr(0, GRB.LESS_EQUAL, 10, name="c1")
c2 = m.addConstr(0, GRB.LESS_EQUAL, 15, name="c2")# 使用column参数添加变量
x = m.addVar(lb=0, ub=GRB.INFINITY, obj=3, vtype=GRB.CONTINUOUS, name="x", column=gp.Column([1, 2], [c1, c2]))
y = m.addVar(lb=0, ub=GRB.INFINITY, obj=2, vtype=GRB.CONTINUOUS, name="y", column=gp.Column([1, 1], [c1, c2]))# 设置目标函数：最大化 3x + 2y，由于所有的决策变量和约束条件都以已经确定，
# 而且gurobi中是默认最大化目标函数，所以下面这句话可以选择不打
# m.setObjective(3 * x + 2 * y, GRB.MAXIMIZE)# 优化模型
m.optimize()if m.status == GRB.OPTIMAL:# 打印结果
else:# 无解有了新版的设计，可以直接写成如下形式
m = gp.Model("example")
m.setParam('OutputFlag', 0)
x = m.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, obj=3, name='x')
y = m.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, obj=2, name='y')m.addConstr(x + y <= 10, name="c1")
m.addConstr(2 * x + y <= 15, name="c2")m.optimize()if m.Status == GRB.OPTIMAL:print(f'Optimal solution is {x.x}, {y.x}')print(f'Optimal value is {m.objVal}')
else:print("No solution!")值得注意的是：
1. 调用addVar变量之后，返回值是与addVar中传入的参数不同的，比如 写下 x = m.addVar() 这句代码之后，这个变量名 x 是你在Python代码中用来操作和引用这个变量的标识符。
而调用y = model.addVar(vtype=GRB.INTEGER, obj=1.0, name="y")，其中name = "y"的参数就是在Gurobi模型内部使用，用于在模型的输出、日志文件或错误消息中标识该变量
2.调用 addVar接口，其返回值的类型是 gurobipy.Var，返回的这个变量可以直接和整数进行加减乘除运算，运算的结果可以作为目标函数或者约束条件，但是不能直接与浮点数进行非线性运算，如 x = m.addVar(); x ** 0.5; 但是可以使用其他方法实现非线性约束的效果，具体可以看我其他的博客
addVars
addVars ( *indices , lb=0.0 , ub=float('inf') , obj=0.0 , vtype=GRB.CONTINUOUS , name='' )
与addVar不同的是，addVars的第一个参数是一个参数包，对这个参数包，可以传入多种形式的参数，包括：
1. 数字序列: x = m.addVars(2, 3, 2)，x 是一个包含 2 * 3 * 2 个键值对的 tupledict
2. 单个list: x = m.addVars( [1, 2, 3, 4] )，x 是以 1, 2, 3, 4 为key 的 tupledict
3. 多个list: x = m.addVars( [1, 2], ['a', 'b'] )，x 是以(1, 'a') 和 (2, 'b')为 key 的tupledict
4. tuplelist: x = m.addVars( [ (3, 'a'), (7, 'b') ] )，x 是分别以这两个元组为 key 的 tupledict
可以看到addVars在调用的过程中会生成很多变量，这些变量应该怎么配合lb, ub, obj, vtype, name 这些参数，实现不同的变量设置不同的属性？
使用列表即可，比如如下代码
z = m.addVars(3, obj=[1.0, 2.0, 1.2], name=["a", "b", "c"])将会生成以0, 1, 2为key的三个键值对为tupledict对象的内容，其中z1的系数是1.0，在 gurobi 内部的名称是“a”, 以此类推，这样一下生成3个变量的同时，还可以规定这三个变量的系数和名称
addVar 和 addVars的返回值
addVar 的返回值类型是 <class 'gurobipy.Var'>
addVars 的返回值类型是 <class 'gurobipy.tupledict'>
所以想要使用这两种方法的返回值构建一个表达式，需要将 addVars 的返回值转成其他形式
可以使用 sum() 方法，代码示例如下
y = m.addVar(vtype=GRB.CONTINUOUS, name="y1")
z = m.addVars(3, obj=[1.0, 2.0, 1.2], name=["z1", "z2", "z3"])
m.update()
print(y + z.sum())代码将打印 y1 + z1 + z2 + z3
添加变量到底是在干什么？
我们知道，Gurobi 作为一个优化问题的求解器，构建模型的过程实际上就是在声明和定义变量，调用 addVar(s) 方法实际上就是将这些声明和定义后的变量进行暂存，
暂存过程包括对变量的暂存和对约束条件的暂存，
在调用addVar(s) 和 addConstr系列方法之后
1. 变量会被暂存到模型的内部变量列表中。这些变量在暂存状态下不会被完全初始化，但Gurobi会记录它们的基本信息，如变量类型、上下界、目标函数系数等，
2. 约束条件会被暂存到模型的内部约束列表中。这些约束在暂存状态下不会被完全初始化，但Gurobi会记录它们的基本信息，如约束类型、左侧表达式、右侧常数等
然后这些变量 / 表达式将 处于暂存状态
暂存状态的可视化
添加变量，并直接打印这个变量
z = m.addVars(3, obj=[1.0, 2.0, 1.2])
print(z)打印结果
{0: <gurobi.Var *Awaiting Model Update*>, 1: <gurobi.Var *Awaiting Model Update*>, 2: <gurobi.Var *Awaiting Model Update*>}
暂存的意义
-
性能优化
Gurobi在内部进行了优化，避免在每次添加变量或约束时立即进行更新，因为这可能会导致不必要的性能开销。通过将这些操作暂存起来，Gurobi可以在适当的时候一次性进行更新，提高效率。
-
批量处理
在添加大量变量和约束时，批量更新可以显著提高性能。例如，当你在循环中添加大量变量和约束时，调用一次 model.update() 比每次添加一个变量或约束后都调用 model.update() 要高效得多。
Gurobi 模型的 update() 方法
Gurobi 会遍历这些暂存的变量和约束，将它们完全初始化并添加到模型的内部数据结构中，所谓的添加到内部数据结构，就是给变量 / 约束分配一个唯一的索引
在调用 update() 方法之后，这些变量 / 表达式将 处于完全初始化状态
完全初始化状态的可视化
添加变量，更新之后再打印这个变量
z = m.addVars(3, obj=[1.0, 2.0, 1.2], name=["z1", "z2", "z3"])
m.update()
print(z)打印结果
{0: <gurobi.Var z1>, 1: <gurobi.Var z2>, 2: <gurobi.Var z3>}