cuOpt - GPU加速优化

NVIDIA® cuOpt™ 是一款基于 GPU 加速的优化引擎，擅长混合整数线性规划 (MILP)、线性规划 (LP)、二次规划 (QP) 以及车辆路径问题 (VRP)。它能够为包含数百万个变量和约束的大规模 LP 以及包含数十万个变量的 MIP 提供近乎实时的解决方案。cuOpt 可轻松集成到现有的建模语言中，并可在混合云和多云环境中无缝部署。

核心引擎使用 C++ 编写，并封装了 C API、Python API 和服务器 API。

如需最新版本，请确保您位于 main 分支上。

最新文档

cuOpt 文档

支持的 API

cuOpt 支持以下 API：

• C API 支持
  • 线性规划 (LP)
  • 混合整数线性规划 (MILP)
  • 二次规划 (QP)
• C++ API 支持
  • cuOpt 使用 C++ 编写，并提供原生 C++ API。然而，目前我们尚未提供 C++ API 的文档。预计未来 C++ API 将会有较大变化，请用户自行承担使用风险。
• Python 支持
  • 路由问题（TSP、VRP 和 PDP）
  • 线性规划 (LP)、混合整数线性规划 (MILP) 和二次规划 (QP)
    • 基于代数建模的 Python API 使用户能够轻松构建约束条件和目标函数
• 服务器支持
  • 线性规划 (LP)
  • 混合整数线性规划 (MILP)
  • 路由问题（TSP、VRP 和 PDP）

此仓库同时也作为 COIN-OR 项目托管。

最新发布说明：

RELEASE-NOTES.md

安装

CUDA/GPU 要求

• CUDA 12.0+ 或 CUDA 13.0+
• NVIDIA 驱动程序 ≥ 525.60.13（Linux）且 ≥ 527.41（Windows）
• Volta 架构或更高（计算能力 ≥7.0）

Python 要求

• Python ≥3.11, ≤3.14

操作系统要求

• 仅支持 Linux，Windows 则通过 WSL2 支持
  • x86_64（64位）
  • aarch64（64位）

注意：WSL2 已被测试可用于运行 cuOpt，但不适用于构建。

更多关于系统要求的详细信息，请参阅 此处

Pip

Pip 轮子易于安装且配置简单。对于以 pip 为基础构建工作流的用户来说，可以直接使用 pip 来安装 cuOpt。

cuOpt 可通过 NVIDIA Python 包索引使用 pip 进行安装。 请务必根据您环境中可用的 CUDA 主要版本选择合适的 cuOpt 包：

对于 CUDA 12.x：

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  nvidia-cuda-runtime-cu12==12.9.* \
  cuopt-server-cu12==26.06.* cuopt-sh-client==26.06.*

开发版轮子以每日构建的形式提供，请将 --extra-index-url 更新为 https://pypi.anaconda.org/rapidsai-wheels-nightly/simple/ 以安装最新的每日构建包。

pip install --pre \
  --extra-index-url=https://pypi.nvidia.com \
  --extra-index-url=https://pypi.anaconda.org/rapidsai-wheels-nightly/simple/ \
  cuopt-server-cu12==26.06.* cuopt-sh-client==26.06.*

对于 CUDA 13.x：

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  cuopt-server-cu13==26.06.* cuopt-sh-client==26.06.*

开发版轮子同样以每日构建形式提供，请将 --extra-index-url 更新为 https://pypi.anaconda.org/rapidsai-wheels-nightly/simple/ 以安装最新的每日构建包。

pip install --pre \
  --extra-index-url=https://pypi.nvidia.com \
  --extra-index-url=https://pypi.anaconda.org/rapidsai-wheels-nightly/simple/ \
  cuopt-server-cu13==26.06.* cuopt-sh-client==26.06.*

Conda

cuOpt 可以通过 conda（借助 miniforge）进行安装：

当安装 cuopt-server 和 cuopt-sh-client 时，所有其他依赖项都会自动安装。

conda install -c rapidsai -c conda-forge -c nvidia cuopt-server=26.06.* cuopt-sh-client=26.06.*

我们还提供了基于最新开发分支 HEAD 构建的 夜间版 conda 包。只需将 -c rapidsai 替换为 -c rapidsai-nightly 即可。

容器

用户可以从 NVIDIA 容器注册表拉取 cuOpt 容器。

# 对于 CUDA 12.x
docker pull nvidia/cuopt:latest-cuda12.9-py3.14

# 对于 CUDA 13.x
docker pull nvidia/cuopt:latest-cuda13.0-py3.14

注意：latest 标签代表 cuOpt 的最新稳定版本。如果您希望使用特定版本，可以使用 <version>-cuda12.9-py3.14 或 <version>-cuda13.0-py3.14 标签。例如，若要使用 cuOpt 25.10.0，可使用 25.10.0-cuda12.9-py3.13 或 25.10.0-cuda13.0-py3.13 标签。有关可用标签的完整列表，请参阅 cuOpt Docker Hub 页面 https://hub.docker.com/r/nvidia/cuopt/tags。

有关 cuOpt 容器的更多信息，请参阅 此处。

对于需要快速测试或进行研究的用户，可以使用 cuOpt 容器。此外，计划将 cuOpt 作为服务集成到工作流中的用户也可以从 cuOpt 容器开始。不过，用户需要在服务周围构建安全层，以保护服务免受不受信任的用户侵害。

从源代码构建并测试

请参阅我们的从源代码构建 cuOpt 的指南。如果用户希望为 cuOpt 添加新功能或修复 bug，此指南将非常有帮助。此外，若用户需要根据自身用例对 cuOpt 进行定制，并需修改 cuOpt 的源代码，该指南也将提供极大帮助。

发布时间表

cuOpt 遵循 RAPIDS 的发布计划，属于发布时间表中的“其他”类别。其发布周期包括：

• 开发阶段：针对 main 分支进行积极的功能开发和 bug 修复。
• 冲刺阶段：重点转向系统稳定化；新功能应规划到下一版本中。
• 代码冻结阶段：仅允许修复关键性 bug；所有拉取请求需经管理员批准。
• 发布阶段：进行最终测试、打标签并正式发布。

有关当前的发布时间表和具体日期，请参阅 RAPIDS 维护者文档。

适用于 AI 编程助手

有关助手专用的指导原则，请参阅 AGENTS.md。

贡献指南

请查阅 CONTRIBUTING.md 文件，了解如何为本项目贡献代码及报告问题的相关信息。

NVIDIA cuOpt 快速上手指南

NVIDIA® cuOpt™ 是一款基于 GPU 加速的优化引擎，专为大规模混合整数线性规划 (MILP)、线性规划 (LP)、二次规划 (QP) 及车辆路径问题 (VRP) 设计。它能在毫秒级时间内求解包含数百万变量和约束的大规模问题。

1. 环境准备

在开始之前，请确保您的系统满足以下硬件和软件要求：

硬件要求

• GPU: NVIDIA Volta 架构或更高版本 (计算能力 >= 7.0)。
• 驱动:
  • Linux: >= 525.60.13
  • Windows (WSL2): >= 527.41

软件要求

• 操作系统:
  • Linux (x86_64 或 aarch64)
  • Windows (仅支持通过 WSL2 运行，不支持构建)
• CUDA: 12.0+ 或 13.0+
• Python: 3.11 - 3.14

注意: 虽然支持 WSL2 运行，但官方主要测试环境为原生 Linux。

2. 安装步骤

cuOpt 提供 Pip、Conda 和 Docker 三种安装方式。请根据您的开发习惯选择其一。

方式一：使用 Pip 安装（推荐）

根据您的 CUDA 版本选择对应的命令。需指定 NVIDIA 的 PyPI 索引源。

对于 CUDA 12.x:

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  nvidia-cuda-runtime-cu12==12.9.* \
  cuopt-server-cu12==26.06.* cuopt-sh-client==26.06.*

对于 CUDA 13.x:

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  cuopt-server-cu13==26.06.* cuopt-sh-client==26.06.*

提示: 如需安装最新的夜间构建版本 (Nightly)，可额外添加 --extra-index-url=https://pypi.anaconda.org/rapidsai-wheels-nightly/simple/ 并使用 pip install --pre。

方式二：使用 Conda 安装

如果您使用 Miniforge 或 Conda 管理环境：

conda install -c rapidsai -c conda-forge -c nvidia cuopt-server=26.06.* cuopt-sh-client=26.06.*

方式三：使用 Docker 容器

直接拉取预配置好的镜像，无需处理本地依赖。

对于 CUDA 12.x:

docker pull nvidia/cuopt:latest-cuda12.9-py3.14

对于 CUDA 13.x:

docker pull nvidia/cuopt:latest-cuda13.0-py3.14

运行容器时请确保挂载 GPU：

docker run --gpus all -it nvidia/cuopt:latest-cuda12.9-py3.14

3. 基本使用

cuOpt 的核心功能可通过 Python API 调用。以下是一个最简单的线性规划 (LP) 求解示例。

示例：求解简单的线性规划问题

假设我们要最大化目标函数 $3x + 4y$，受限于：

1. $2x + y \leq 10$
2. $x + 2y \leq 12$
3. $x, y \geq 0$

from cuopt import modeling

# 1. 创建模型实例
model = modeling.Model()

# 2. 定义变量 (连续变量，下界为 0)
x = model.add_variable(lb=0, name="x")
y = model.add_variable(lb=0, name="y")

# 3. 设置目标函数 (最大化 3x + 4y)
# sense=modeling.MAXIMIZE 表示最大化，默认为最小化
model.set_objective(3 * x + 4 * y, sense=modeling.MAXIMIZE)

# 4. 添加约束条件
# 2x + y <= 10
model.add_constraint(2 * x + y <= 10)
# x + 2y <= 12
model.add_constraint(x + 2 * y <= 12)

# 5. 求解模型
solution = model.solve()

# 6. 输出结果
if solution.status == modeling.SolveStatus.OPTIMAL:
    print(f"最优解找到:")
    print(f"x = {solution.get_value(x)}")
    print(f"y = {solution.get_value(y)}")
    print(f"目标函数值 = {solution.objective_value}")
else:
    print("未找到最优解")

运行说明

• 确保已激活安装了 cuopt-server 和 cuopt-sh-client 的 Python 环境。
• 代码首次运行时会自动启动后台优化服务进程。
• 对于车辆路径问题 (VRP/TSP)，cuOpt 提供了专门的 routing 模块，用法类似但针对图论问题进行了优化。

更多高级用法（如整数规划、二次规划、路由问题）请参考 官方文档 或 示例仓库。