Cplex安装与环境配置步骤（C++与Python）_cplex安装教程

一、Cplex简介

Cplex是IBM公司的一个优化问题求解器。主要用于求解线性规划，混合整数规划、二次规划等问题。
Cplex求解速度快，使用简单易上手。除了自带的语言外，cplex可以利用C++、Java、Python等语言使用。对于运筹优化方向的问题求解事半功倍。

二、Cplex下载与安装

Cplex可以从官方网站利用电子邮件注册下载，网址如下：
https://www.ibm.com/analytics/cplex-optimizer
社区版的可以随便下载，但是变量个数有限制。
安装完成后可以查看版本，这个是社区版。

三、设置环境变量

1.IBM cplex的官方文档《Getting Started with CPLEX》
网址如下 https://www.ibm.com/support/knowledgecenter/SSSA5P_12.7.1/ilog.odms.studio.help/pdf/gscplex.pdf
初次使用 Cplex 的基础文档，里面包含了如何安装使用Cplex及在不同语言环境下的配置方法。
2.设置环境变量
通过对官方文档的查看，在windows中需要配置环境变量。打开控制面板，win10中可以在设置中搜索打开。总体步骤如下：
控制面板—系统—高级—环境变量—系统变量中查看Path—添加图上路径

笔者的Cplex装在D盘中，所以路径示例如上。

四、配置VS C++ 2019调用 CPLEX 接口

笔者将大部分时间都耗费在了对VS C++的环境配置中，因为采坑不少，所以在此将过程总结出来，希望可以帮助大家减少试错时间。
1.将调试环境修改为 Release x64
将VS调试环境修改为release, x64. 如图所示。（代码是官方示例，附在文末）

笔者之前没有注意修改调试环境，次次出错。VS调试环境默认是Debug模式。Debug通常称为调试版本，它包含调试信息，并且不作任何优化，便于程序员调试程序。Release称为发布版本，它往往是进行了各种优化，使得程序在代码大小和运行速度上都是最优的，以便用户很好地使用。x86平台编译出来的可执行文件都是32位的。x64对应的则是64位的。Cplex是64位的，所以VS中的环境配置也必须是64位

2.将解决方案属性也修改为 Release x64
在解决方案管理器中右键点击测试文件Cplex的属性，配置为release ，x64。

3.添加include的路径
在c++中调用cplex，需要让vs知道include的各种路径。
具体的办法是：
属性页面——附加包含目录——编辑——点击带星号的文件夹——增加路径
具体的路径需要根据自己电脑上的cplex安装位置匹配。其实就是两个文件夹路径：
cplex\concert\include
cplex\include

4.链接库
这一步的目的是让 C++ 的 Linker（链接器） 知道cplex以及 Concert 的库在哪里，以便调用。如下图所示：

5.添加附加依赖项

将具体的lib链接进去。
D:\Cplex\concert\lib\x64_windows_msvc14\stat_mda\concert.lib
D:\Cplex\cplex\lib\x64_windows_msvc14\stat_mda\cplex12100.lib
D:\Cplex\cplex\lib\x64_windows_msvc14\stat_mda\ilocplex.lib
具体的路径要根据自己文件所在的位置！！！不要直接copy，不然连接器还是找不到

6.添加预处理器指令

注意不要敲错，添加之后应用。

7.注意调整代码生成的运行库为 多线程DLL（/MD）
一般是默认的，但是笔者踩坑时就是有过因为代码生成的运行库没有调整，因此也列出来以便查阅。

以上七步结束后，就可以在vs c++ 2019中调用cplex啦~

可以用官方提供的测试代码试试：

#include <ilcplex/ilocplex.h>
ILOSTLBEGIN
int
main(int argc, char** argv)
{
	IloEnv env;
	try {
		IloModel model(env);
		IloNumVarArray vars(env);
		vars.add(IloNumVar(env, 0.0, 40.0));
		vars.add(IloNumVar(env));
		vars.add(IloNumVar(env));
		model.add(IloMaximize(env, vars[0] + 2 * vars[1] + 3 * vars[2]));
		model.add(-vars[0] + vars[1] + vars[2] <= 20);
		model.add(vars[0] - 3 * vars[1] + vars[2] <= 30);
		IloCplex cplex(model);
		if (!cplex.solve()) {
			env.error() << "Failed to optimize LP." << endl;
			throw(-1);
		}
		IloNumArray vals(env);
		env.out() << "Solution status = " << cplex.getStatus() << endl;
		env.out() << "Solution value = " << cplex.getObjValue() << endl;
		cplex.getValues(vals, vars);
		env.out() << "Values = " << vals << endl;
	}
	catch (IloException& e) {
		cerr << "Concert exception caught: " << e << endl;
	}
	catch (...) {
		cerr << "Unknown exception caught" << endl;
	}
	env.end();
	return 0;
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

来源：https://www.ibm.com/support/knowledgecenter/SSSA5P_12.7.1/ilog.odms.studio.help/pdf/gscplex.pdf
第12页

五、在python中调用Cplex

在python中调用Cplex的接口相对比较简单，官方文档里给了两条路径。

但是相对来说还是比较繁琐，其实本身就是调用cplex的库嘛，直接用pip安装第三方库 cplex就可以了。如果用anaconda的话可以直接在anaconda prompt中安装

But，笔者在多次安装后都提示失败，没有找到相应的版本，无奈准备用官方的方法时，发现cplex文件夹里只支持python3.6 和3.7 的版本。

而笔者现在用的python和anaconda的python版本都是3.8，所以屡次报错。当然也不需要重新安装了，回滚到python3.7版本就好啦~

以anaconda 为例，利用python -V命令查看目前python版本：

笔者这里已经回滚到3.7了，如果是3.8及以上，可以利用

conda install python=3.7
1

**将anaconda的python版本回滚到3.7。**然后就可以利用pip命令在anaconda中安装cplex库啦~注意新版的anaconda里面是搜不到cplex库的，因为目前cplex 12.10.0.0最高只能支持到python3.7。所以相对而言这是一个比较简便的方法。

安装完cplex包之后环境就配置好啦~可以利用官方提供的代码示例试试！

```python
execfile("cplexpypath.py")
import cplex
from cplex.exceptions import CplexError
import sys

# data common to all populateby functions
my_obj = [1.0, 2.0, 3.0]
my_ub = [40.0, cplex.infinity, cplex.infinity]
my_colnames = ["x1", "x2", "x3"]
my_rhs = [20.0, 30.0]
my_rownames = ["c1", "c2"]
my_sense = "LL"

def populatebyrow(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
   
    # since lower bounds are all 0.0 (the default), lb is omitted here
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames)
    
    # can query variables like the following bounds and names:
    # lbs is a list of all the lower bounds
    lbs = prob.variables.get_lower_bounds()
    # ub1 is just the first lower bound
    ub1 = prob.variables.get_upper_bounds(0)
    # names is ["x1", "x3"]
    names = prob.variables.get_names([0, 2])
    rows = [[[0,"x2","x3"],[-1.0, 1.0,1.0]],
                [["x1",1,2],[ 1.0,-3.0,1.0]]]
    prob.linear_constraints.add(lin_expr = rows, senses = my_sense,
                                    rhs = my_rhs, names = my_rownames)
    # because there are two arguments, they are taken to specify a range
    # thus, cols is the entire constraint matrix as a list of column vectors
    cols = prob.variables.get_cols("x1", "x3")

def populatebycolumn(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
    prob.linear_constraints.add(rhs = my_rhs, senses = my_sense,
                                    names = my_rownames)
    c = [[[0,1],[-1.0, 1.0]],
             [["c1",1],[ 1.0,-3.0]],
             [[0,"c2"],[ 1.0, 1.0]]]
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames,
                           columns = c)
def populatebynonzero(prob):
    prob.objective.set_sense(prob.objective.sense.maximize)
    prob.linear_constraints.add(rhs = my_rhs, senses = my_sense,
                                    names = my_rownames)
    prob.variables.add(obj = my_obj, ub = my_ub, names = my_colnames)
    rows = [0,0,0,1,1,1]
    cols = [0,1,2,0,1,2]
    vals = [-1.0,1.0,1.0,1.0,-3.0,1.0]
    prob.linear_constraints.set_coefficients(zip(rows, cols, vals))
    # can also change one coefficient at a time
    # prob.linear_constraints.set_coefficients(1,1,-3.0)
    # or pass in a list of triples
    # prob.linear_constraints.set_coefficients([(0,1,1.0), (1,1,-3.0)])
def lpex1(pop_method):
    try:
        my_prob = cplex.Cplex()
        if pop_method == "r":
            handle = populatebyrow(my_prob)
        if pop_method == "c":
            handle = populatebycolumn(my_prob)
        if pop_method == "n":
            handle = populatebynonzero(my_prob)
        my_prob.solve()
    except CplexError, exc:
        print exc
        return
        
    numrows = my_prob.linear_constraints.get_num()
    numcols = my_prob.variables.get_num()
    print
    # solution.get_status() returns an integer code
    print "Solution status = " , my_prob.solution.get_status(), ":",
    # the following line prints the corresponding string
    print my_prob.solution.status[my_prob.solution.get_status()]
    print "Solution value = ", my_prob.solution.get_objective_value()
    slack = my_prob.solution.get_linear_slacks()
    pi = my_prob.solution.get_dual_values()
    x = my_prob.solution.get_values()
    dj = my_prob.solution.get_reduced_costs()
    for i in range(numrows):
        print "Row %d: Slack = %10f Pi = %10f" % (i, slack[i], pi[i])
    for j in range(numcols):
        print "Column %d: Value = %10f Reduced cost = %10f" % (j, x[j], dj[j])
    my_prob.write("lpex1.lp")
        
if __name__ == "__main__":
    if len(sys.argv) != 2 or sys.argv[1] not in ["-r", "-c", "-n"]:
        print "Usage: lpex1.py -X"
        print " where X is one of the following options:"
        print " r generate problem by row"
        print " c generate problem by column"
        print " n generate problem by nonzero"
        print " Exiting..."
        sys.exit(-1)
    lpex1(sys.argv[1][1])
else:
    prompt = """Enter the letter indicating how the problem data should be populated:
    r : populate by rows
    c : populate by columns
    n : populate by nonzeros\n ? > """
    r = ’r’
    c = ’c’
    n = ’n’
    lpex1(input(prompt))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110

来源：https://www.ibm.com/support/knowledgecenter/SSSA5P_12.7.1/ilog.odms.studio.help/pdf/gscplex.pdf
第16页

当然这段python代码还是有些冗杂，后面其实调用的话不需要这么复杂，直接调库，建模，求解就可以啦~

最后感谢各位大佬的经验贴指导！