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:
javascript
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:
python
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
ini
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:
ini
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:

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:
arduino
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:
arduino
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 |
| Python | pywraplp.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 |
HIGHS |
LP / 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:
ini
from ortools.sat.python import cp_model
model = cp_model.CpModel()
solver = cp_model.CpSolver()
挂车模型用的是:
ini
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_model |
pywraplp |
| 建模类 | CpModel |
Solver / MPSolver |
| 求解对象 | CpSolver |
同一个 Solver 对象 |
| 当前后端 | CP-SAT | SAT(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:
- 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;
- 都不是具体算法,真正干活的是底层后端;
- 都可以在同一个 Python 进程里共存,不冲突。
不同点:
- 层级不同 :
pywraplp是模块兼包装层,MPSolver是接口类,CBC、SCIP、CP-SAT 是实现。 - 名字不同 :C++ 叫
MPSolver,Python 叫pywraplp.Solver,命名空间被拍平了。 - 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"。 - 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:
javascript
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:
ini
self.solver: Solver = pywraplp.Solver.CreateSolver("SAT")
逐段读:
objectivec
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
- **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。
- **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。 - **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。 - **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。 - **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:
ini
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:
- **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。 - **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。 - **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?