优化|MPSolver 和 pywraplp 到底谁是谁?一次讲清 OR-Tools 的三层结构

6 阅读7分钟

前几天,一位做排班的同学问我:

“MPSolver 和 pywraplp 到底哪个快?我该用哪一个?”

这个问题问得很自然,但答案可能有点意外:它俩根本不在一个层级上,没法比快慢。

打个比方。CBC、SCIP、CP-SAT 像是不同型号的发动机;MPSolver 是统一的发动机接口;pywraplp 则是把这套接口接到 Python 上的那根线束。你问“线束和接口哪个动力更强”,多少有点错位。

先把结论说清楚

  • pywraplp 是 Python 模块,是 OR-Tools 的 Python 包装层;
  • MPSolver 是 C++ 里的统一求解器接口类,Python 里写作 pywraplp.Solver;
  • CBC、SCIP、GLOP、CP-SAT 才是真正执行求解的后端。

所以,MPSolver 不是某个求解器的名字,pywraplp 也不是另一个求解器。一个是接口,一个是模块。

从一行 import 说起

我们平时写的代码是这样的:

from ortools.linear_solver import pywraplp

这里导入的 pywraplp,是一个模块,不是类。如果不放心,可以验证一下:

import types
print(isinstance(pywraplp, types.ModuleType))  # True

这个模块里装着建模要用的几样东西:Solver、Variable、Constraint、Objective。名字看起来像四个工具,其实是同一套建模体系里的四类对象。

创建模型那一行,其实做了四件事

solver = pywraplp.Solver.CreateSolver("SAT")

我们把它拆开:

  • pywraplp:Python 模块,负责把 C++ 接口暴露出来;
  • Solver:模块里的类,对应 C++ 的 MPSolver;
  • CreateSolver("SAT"):工厂方法,按字符串选择具体后端;
  • solver:创建出来的模型对象,同时也是求解入口。

这里最容易误会的是最后一步。solver 并不是“SAT 求解器”本身,而是一个统一接口的句柄。它内部确实挂着 SAT/CP-SAT 后端,但我们在代码里摸到的,始终是 MPSolver 这套 API。

名字拆开看:py + wrap + lp

那为什么模块要叫这么个名字?其实很好记:

py    = Python
wrap  = wrapper,包装层
lp    = Linear Programming,线性规划

名字里的 lp 容易让人以为它只能做线性规划,其实整数规划(MIP)也归它管。OR-Tools 的核心是 C++ 写的。C++ 的 MPSolver 没法直接被 Python 调用,中间需要一层“绑定代码”,把类、方法、枚举暴露出来。这层绑定,就是 pywraplp。

完整的调用链,大概是这样:

OR-Tools 分层:业务代码、pywraplp 模块、MPSolver 接口与后端求解器

图 1 · pywraplp 是模块,MPSolver 是接口,CBC / SCIP / CP-SAT 才是后端

所以你会发现,在 Python 里执行 help(pywraplp.Solver),看到的方法,大多能在 C++ 文档里找到对应。因为包装层主要做类型转换和生命周期管理,并不重新实现算法。

那为什么一个叫 MPSolver,一个叫 Solver?

C++ 里的完整类名是:

operations_research::MPSolver

Python 包装的时候,命名空间被拍平,类名就简化成了 Solver:

pywraplp.Solver

概念上,两者基本对应:

C++    operations_research::MPSolver
Python pywraplp.Solver

换句话说,文档里说“用 MPSolver”,和代码里写 pywraplp.Solver,说的是同一件事。前者是接口体系的名字,后者是它在 Python 里的写法。

同一个东西,三种场合三种写法:

场景写法含义
C++MPSolver::CreateSolver("CBC")接口类的静态工厂
Pythonpywraplp.Solver.CreateSolver("SAT")包装类的静态工厂
类型标注from ortools.linear_solver.pywraplp import Solver把类导入当前命名空间

第三行只是方便写类型标注,并没有创建第二个实现。

MPSolver 是接口,不是实现

理解 MPSolver 的关键,是把它看成“求解器的统一门面”,而不是某一种算法。

它规定的是建模动作:

  • 建变量:NumVar、IntVar、BoolVar;
  • 加约束:Add、AddConstraint;
  • 设目标:SetObjective、Minimize、Maximize;
  • 求解:Solve;
  • 取结果:value()、Objective().Value()、status()。

至于最后由谁执行,要看 CreateSolver 收到的那句话:

后端擅长说明
GLOP连续线性规划OR-Tools 自带的 LP 求解器
CBC混合整数规划开源,常用的 MILP 后端
SCIP混合整数规划开源,约束传播能力强
SAT整数 / 布尔 / 排班底层是 CP-SAT,不是布尔 SAT
HIGHSLP / MILP高性能开源求解器
GUROBI 等商业 MILP需要安装并授权

这就是这层抽象的价值:换后端,通常不用改模型。但有两个边界要注意。第一,不同后端支持的变量类型和求解参数并不完全一致;第二,商业后端要额外的库和许可证,CreateSolver 是可能返回 None 的。所以工程代码里最好检查一下返回值,别假设它一定成功。

和 cp_model 放一起,差异就出来了

月度排班用的是另一套 API:

from ortools.sat.python import cp_model

model = cp_model.CpModel()
solver = cp_model.CpSolver()

挂车模型用的是:

from ortools.linear_solver import pywraplp

solver = pywraplp.Solver.CreateSolver("SAT")

把两者放在一起看:

概念月度排班(cp_model)挂车模型(pywraplp)
Python 模块cp_modelpywraplp
建模类CpModelSolver / MPSolver
求解对象CpSolver同一个 Solver 对象
当前后端CP-SATSAT(底层同为 CP-SAT)
变量类型整数、布尔连续、整数、布尔
求解调用solver.Solve(model)solver.Solve()
API 风格原生约束规划接口通用线性规划接口

最关键的差别,不是谁更强,而是建模范式。

  • cp_model 是 CP-SAT 的原生接口,模型和求解器分离:CpModel 负责建模型,CpSolver 负责求解;
  • pywraplp 是通用 LP/MILP 门面,建模和求解共用一个 Solver 对象:换后端只是换工厂参数;
  • cp_model 面向整数、布尔和约束传播;pywraplp 还能表达连续变量,并对接商业 MILP 求解器。

也正因为如此,pywraplp + "SAT" 和 cp_model 最后可能调用同一个 CP-SAT 内核,但走的路不一样:前者是通用接口,后者是原生接口。能用原生接口时,通常更顺、更完整;需要 LP、多后端或商业求解器时,才轮到 pywraplp。

异同点,一次说全

到这里,我们可以把关系收一收。

相同点:

  1. 都指向同一套 C++ 实现和同一组建模概念,变量、约束、目标的语义是一致的;
  2. 都不是具体算法,真正干活的是底层后端;
  3. 都可以在同一个 Python 进程里共存,不冲突。

不同点:

  1. 层级不同:pywraplp 是模块兼包装层,MPSolver 是接口类,CBC、SCIP、CP-SAT 是实现。
  2. 名字不同:C++ 叫 MPSolver,Python 叫 pywraplp.Solver,命名空间被拍平了。
  3. 职责不同:pywraplp 负责“让 Python 能调用”,MPSolver 负责“统一建模动作”,后端负责“算”。
  4. 与 cp_model 相比:cp_model 模型与求解器分离、只服务 CP-SAT;pywraplp 建模求解合一、可切换多个后端。

如果只记一句话:pywraplp 是门,MPSolver 是门里的统一柜台,后端才是里面办事的人。

项目里的两种导入,不是两个实现

挂车模型里有这样两行:

from ortools.linear_solver import pywraplp
from ortools.linear_solver.pywraplp import Solver

它们分别解决两个问题:

  • 第一行导入模块,所以可以写 pywraplp.Solver.CreateSolver("SAT");
  • 第二行导入类,所以可以写类型标注 self.solver: Solver。

创建代码是:

self.solver: Solver = pywraplp.Solver.CreateSolver("SAT")

逐段读:

pywraplp
└── Solver 类
    └── CreateSolver("SAT")
        └── 返回一个使用 SAT 后端的 MPSolver 对象

两个 import 指向的是同一个类,只是拿到的“入口”不同:一个是模块,一个是模块里的类。并不存在“pywraplp 版求解器”和“Solver 版求解器”两套东西。

几个容易踩的坑

  1. **把 MPSolver 和 pywraplp 当成并列选项。**它们是接口和模块的关系,不是 A/B 选择。
  2. **把 SAT 当成布尔 SAT 求解器。**这里的 "SAT" 指向 CP-SAT,擅长整数规划和约束满足,不是教科书里的命题可满足性求解器。
  3. **以为 CreateSolver 返回的是后端。**它返回统一接口对象,后端被封装在里面。
  4. **以为 pywraplp 要单独安装。**它随 ortools 包一起提供,不需要额外的 pip install pywraplp。
  5. **看到 from ... import Solver 就以为多了一个求解器。**那只是把类导入命名空间,常用于类型标注。

小结

最后,送大家一张记忆卡片:

pywraplp          = Python 模块 / 包装层
MPSolver          = C++ 统一求解器接口
pywraplp.Solver   = MPSolver 在 Python 中的类
CreateSolver(...) = 选择后端的工厂方法
CBC / SCIP / GLOP / CP-SAT = 真正干活的求解器

回到选型,判断顺序不该是“MPSolver 还是 pywraplp”,而是:

  1. **先看模型类型。**纯整数、布尔、排班、约束传播为主,优先 cp_model;含连续变量、需要 LP/MILP 或商业求解器,选 pywraplp。
  2. **再看是否需要换后端。**需要在 CBC、SCIP、HiGHS、Gurobi 之间切换,pywraplp 的工厂模式更合适;锁定 CP-SAT 时,原生 cp_model 更直接。
  3. **最后才看性能。**同一个后端下,两套 API 的差距通常小于建模方式、约束写法和求解参数的差距。先选对模型,再谈调参。

同一个项目里两套 API 共存,再正常不过:排班用 cp_model,运输或配载用 pywraplp,共享的是 OR-Tools 这棵树,不是互相替代的两把锤子。

所以下次再看到“MPSolver 和 pywraplp 哪个好”,不妨先反问一句:你说的是模块、接口,还是后端?