在建模过程中，经常要对带下标数据做挑选，不同下标的数据进行组合，使用python原本处理数据的会面临效率问题，因此Gurobi 中采用了特殊的扩展对象 和
（1）Gurobi tuplelist
增加了快速筛选功能，例如从中找到第一个元素为的元组
等效于下面的代码
（2）Gurobi tupledict
键值为 tuple （元组），可以使用 select, sum, prod 函数
用于变量和约束（后面案例中体现）
- 函数：变量求和
- 函数：用于变量和系数相乘后累加
下面两个表达式等效，即变量和系数想乘后累加
（3）Multidict()
创建 tuplelist 和 tupledict 的便捷方法，如下返回
（4）创建list
（3）参数设置方法
对于python，可以简写成，例如设置求解时间有如下写法
（4）常用参数
（5）参数使用案例
（6）属性类别
- Model Attributes 模型属性
例如： 模型优化方向(最大化或最小化)； 当前目标值 - Variable Attributes 变量属性
例如： 当前变量的取值； 初始解 - Linear Constraint Attributes 线性约束属性
例如： 约束对应的对偶值； 约束的松弛量； 约束的右端项 - Special-ordered Set constraints Attributes SOS约束属性
例如： 对不可行的模型，指示约束是否属于IIS (Irreducible Inconsistent Subsystem) - Quadratic Constraint Attributes 二次约束属性
例如： 约束右端项 - General Constraint Attributes 广义约束属性
例如： 约束名称 - Quality Attributes 解质量属性
例如： 最大的界违反； 整数变量离最近整数的最大距离 - Multi-objective Attributes 多目标属性
例如： 对应多目标表达式中变量系数； 对应目标函数值
（7）属性设置和查询方法
属性设置，注意并不是所有的属性都可以设置
属性查询
（8）常用属性
（1）调用自动调参工具
（2）调参参数
（3）调参案例
（1）广义约束
- ：一组变量(包含常数)中取最小
例如：z = min(x, y, 3)
- ：取绝对值
例如：x = |y|
- ：一组变量的值全等于1,则取1,否则取0。所有的变量都被视为0,1变量,不论他们之前被定为什么类型
例如：x = 1且y = 1，那么z = 1，否则 z = 0
- ：一组变量的值有一个等于1，则取1，否则取0。所有的变量都被视为0，1变量，不论他们之前被定为什么类型
例如：x = 0且y = 0，那么z = 0，否则 z = 1
- ：指示变量的值为1，约束成立，否则约束可以被违反
例如：如果 z = 1，则 x+y <= 4
（2）范围约束
例如： 5 <= x + y + z <= 10
（3）SOS约束 Special-Ordered Set
SOS_TYPE1 表示一组有序变量中最多有一个变量取值不为0；
SOS_TYPE2 表示一组有序变量中最多有两个变量取值不为0,且非零变量相邻，变量是否相邻由权重决定；
例如：
（1）多个目标函数
所有的目标函数都为线性的,并且目标函数的优化方向一致(全部最大化或全部最小化)，可以通过乘以 -1 实现不同的优化方向。
（2）分段线性函数
对一些非线性模型，可以使用这一功能去线性逼近
更多python+gurobi的使用案例见Gurobi官网Build Your Optimization Skills with Python
Gurobi中的回调函数callbacks为用户在求解模型时提供了高级控制功，用于在求解过程中获取信息、终止优化、加入额外约束条件(割平面)、加入自己开发的算法等。
- 查询一些信息,例如目标值,节点数：
- 查询变量在当前节点的松弛解：
- 查询可行解变量的取值：
- 在节点添加割平面：
- 在节点添加Lazy Cut（与一般cut区别在于只有在被违反的时候才起作）：
- 向当前节点导入一个解：，可以计算导入解的目标值，对复杂的问题，可以先开发启发式算法找到高质量的解，然后导入解让求解器在其基础上继续求解
- 用户切割User cuts：通过消除分数解来加强混合整数规划（MIP）的松弛，对于模型不是必需约束，但是能更快的解决MIP问题，参考割平面法中的切割
- 惰性约束Lazy constraints：模型必要约束，如果没有这些约束，模型是不正确的。惰性约束通常用于处理包含相对较多约束的模型，其中大多数约束都是显然满足的。在计算上只在这些约束被违反时考虑它们更为高效，参考列生成