我正在与合作者合作进行涉及线性编程的某些优化项目。我们都使用硬币或分支和切割求解器来解决问题。我使用基于Python的PULP软件包构建.LP文件。我不确定合作者如何创建他们的.lp文件(绝对不使用Python(，但是从本质上讲，我们有两个不同的系统生成.lp文件，以解决完全相同的问题 - 即目标函数，变量，约束完全相同。
我通常在Python(myProblm.solve()(中解决我的问题，但是我也一直在生成.lp文件并从命令行调用CBC求解器来求解此文件(问题(。接下来，我将我从系统(Python或命令行(获得的输出与我的合作者获得的输出进行了比较。[请注意，我一边的问题的输出完全是 无论是在纸浆还是在命令行中解决。]
我们之间的目标函数的值匹配很好，但是其他细节不完全匹配。例如，如果我们要解决此晶须混合问题，那么成分的总成本将完全相同，但是成分的比率有所不同。知道为什么会这样？
我手动比较了我们的.lp文件，并注意到了一些差异。对于初学者来说，约束和变量的序列不同。换句话说，如果有5个约束，我的文件将其列为C1,C2,C5,C4,C3，而相同的约束将列为C1,C2,C3,C4,C5。另外，我的python代码将所有数字汇合到10的位置，而他的系统将它们绕到了1的位置。因此，某些变量的系数具有略有不同的值。
这些差异在求解器的确切输出中起作用？
另外，下一个问题是：在求解线性编程优化问题时，我们该怎么做才能获得完全相同的输出？哪些因素会影响LP问题的解决方案？.lp文件的结构之类的因素是否起作用？如果我在不同的计算机上使用完全相同的条件运行相同的LP文件，我会得到完全相同的输出吗？
，因为具有相同最佳目标函数的LP问题有多个解决方案，因此不同的求解器无法保证它们将返回相同的解决方案。当MIP问题使用分支并绑定时，此问题变得更加复杂。使用多线程或多处理几乎不可能。
总结获得相同的解决方案要么生成完全相同的LP文件并使用相同的求解器求解。或更改目标功能，以便只有一个最佳解决方案(也许更喜欢成分的某些顺序，而成分的成本很小(。