Modela y resuelve problemas de programación lineal, entera mixta y cuadrática utilizando solvers acelerados por GPU a través de Python, C o CLI.
- Estrellas en GitHub
- 3934
- Archivos
- 52
- Último commit
- 11 nov 2026
- Licencia
- Apache-2.0
- Herramientas permitidas
- —
¿Qué hace la skill cuopt-numerical-optimization-api?
cuopt-numerical-optimization-api es una agent skill. Modela y resuelve problemas de programación lineal, entera mixta y cuadrática utilizando solvers acelerados por GPU a través de Python, C o CLI.
Resumen generado a partir del SKILL.md de la skill.
Sobre la skill cuopt-numerical-optimization-api
Esta SKILL permite a desarrolladores e investigadores resolver problemas de programación lineal, entera mixta y cuadrática mediante aceleración por GPU. Proporciona acceso al solver NVIDIA cuOpt a través de Python, C/C++ o una interfaz de línea de comandos. Un agente debería cargar esta herramienta cuando un usuario necesite modelar optimizaciones matemáticas complejas, como determinar flujos de recursos o tomar decisiones discretas de sí/no.
Más allá de las llamadas directas a la API, la SKILL actúa como backend para lenguajes de modelado establecidos como AMPL, GAMS, PuLP, JuMP, Pyomo y CVXPY. Esto permite a los usuarios cambiar a una resolución acelerada por GPU con cambios mínimos en el código. La herramienta gestiona variables continuas para problemas lineales y variables enteras para conteos discretos o elecciones binarias. También admite programación cuadrática en fase beta para minimizar la varianza o los errores cuadráticos, aunque requiere que el objetivo sea una tarea de minimización y que la matriz sea semidefinida positiva.
Lo que un agente puede hacer con ella
- 1Resolver asignación continua de recursosDetermina la distribución óptima de cantidades fraccionarias como litros o dólares mediante programación lineal.
- 2Gestionar conteos de entidades discretasCalcula el número de camiones o trabajadores necesarios para una tarea específica mediante programación entera mixta.
- 3Minimizar la varianza en carterasRealiza programación cuadrática para minimizar el error cuadrático o la varianza en un conjunto de datos.
- 4Integrar con modelos existentesUtiliza cuOpt como backend de solver para un modelo ya escrito en Pyomo o CVXPY.
Escrito a partir del SKILL.md de la skill. Cada caso de uso se verifica con una cita del mismo.
Cómo instalar la skill cuopt-numerical-optimization-api
Cada comando copia la carpeta de la skill al directorio de skills del cliente. Reinicia el cliente o inicia una nueva sesión para cargarla.Instalar la skill cuopt-numerical-optimization-api en Claude Code
~/.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-apiInstalar la skill cuopt-numerical-optimization-api en Claude Code (project)
.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api .claude/skills/cuopt-numerical-optimization-apiInstalar la skill cuopt-numerical-optimization-api en Codex
~/.agents/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.agents/skills/cuopt-numerical-optimization-apiInstalar la skill cuopt-numerical-optimization-api en Gemini CLI
~/.gemini/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.gemini/skills/cuopt-numerical-optimization-apiInstalar la skill cuopt-numerical-optimization-api en Claude.ai
npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api cuopt-numerical-optimization-api && zip -r cuopt-numerical-optimization-api.zip cuopt-numerical-optimization-api # claude.ai → Customize → Skills → + → Create skill → Upload a skill → cuopt-numerical-optimization-api.zip
Verificaciones automáticas
Ejecutado 15 nov 2026Informe completo →Superó nuestras comprobaciones automáticas. No es una auditoría de seguridad: lee los scripts antes de dejar que un agente los ejecute. Cómo funcionan las verificaciones · Qué corregir para obtener más puntos
- Repositorio de origen vinculado y accesiblenvidia/skills/skills/cuopt-numerical-optimization-api is public and reachablegithub.com/nvidia/skills/tree/HEAD/skills/cuopt-numerical-op ↗Aprobado
- Licencia de código abierto (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Aprobado
- Commit o lanzamiento en el último añoLast commit 2026-11-11github.com/nvidia/skills/commits ↗Aprobado
- Sin descargar y ejecutar ni robo de credenciales en los scripts5 of 10 scripts read; none of them downloads and runs code, the rest were not readHallazgo
- Sin instrucciones ocultas en SKILL.mdNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Aprobado
- Las herramientas preaprobadas están acotadasNo pre-approved tools; the agent asks before using onegithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Aprobado
- SKILL.md sigue el formato de Agent SkillsValid name and description; says when to use it; 104 linesgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Aprobado
SKILL.md
Ver en GitHubcuOpt Numerical Optimization API
Model and solve LP, MILP, and QP problems using NVIDIA cuOpt's GPU-accelerated solver.
Interface Selection
Choose the reference for the user's interface:
| Interface | When to use | Reference |
|---|---|---|
| Python | User is writing Python code | references/python_api.md |
| C / C++ | User is embedding in a C/C++ application | references/c_api.md |
| CLI | User is solving from MPS files on the command line | references/cli_api.md |
If the interface is not yet clear, ask before writing any code.
Already using a modeling language? cuOpt also works as a solver backend for third-party modeling tools — AMPL, GAMS / GAMSPy, PuLP, JuMP, Pyomo, and CVXPY — with near-zero code changes (point the model's solver at cuOpt). CVXPY additionally covers convex QP and, in beta, QCQP / SOCP. Prefer this when the user already has a model in one of these tools rather than porting it to the cuOpt API. See Third-Party Modeling Languages.
Choosing LP vs MILP vs QP
Decide from the objective and variables:
| If the objective is... | And variables are... | Use |
|---|---|---|
Linear (sum of c_i * x_i) |
All continuous | LP |
| Linear | Some integer or binary | MILP |
Has squared (x*x) or cross (x*y) terms |
Continuous (integer QP not supported) | QP (beta) |
Prefer LP when the problem allows it. LP solves faster and has stronger optimality guarantees. Use MILP only when the problem logically requires whole numbers or yes/no decisions. Use QP only when the objective is genuinely quadratic (variance, squared error, kinetic energy).
- Use LP when every quantity can meaningfully be fractional: flows, proportions, rates, dollars, hours, tonnes of material, etc.
- Use MILP when the problem mentions counts of discrete entities, yes/no choices, or either/or decisions (e.g. open a facility or not, assign a person to a shift, number of trucks).
- Use QP when the objective minimizes variance, squared error, or any expression with
x*xorx*yterms (portfolio optimization, least squares, regularized regression).
Integer vs Continuous from Wording
| Problem wording / concept | Variable type | Examples |
|---|---|---|
| Discrete entities (counts) | INTEGER | Workers, cars, trucks, machines, pilots, facilities, units to manufacture |
| Yes/no or on/off | INTEGER (binary, lb=0 ub=1) | Open a facility, run a machine, assign a person to a shift |
| Amounts that can be fractional | CONTINUOUS | Tonnes, litres, dollars, hours, kWh, proportion of capacity |
| Rates or fractions | CONTINUOUS | Utilization, percentage, share of budget |
Rule of thumb: "How many things" → INTEGER. "How much" → CONTINUOUS.
QP Rules (all interfaces)
- MINIMIZE only — the solver rejects MAXIMIZE for quadratic objectives. To maximize
f(x), minimize-f(x)and negate the reported objective value. - Continuous variables only — integer QP is not supported.
- Q should be positive semi-definite for a convex, well-posed problem.
- Beta — API may evolve; treat as production-capable for typical convex QP.
Dual Values
Duals and reduced costs are available for LP and QP only:
- MILP — no duals (integer optima are not continuous).
- Quadratic constraints — duals unavailable even for LP/QP; all values return
NaN. - PDLP warmstart — LP only; MILP solves do not accept a PDLP warmstart.
Common Issues (all interfaces)
| Problem | Likely cause | Fix |
|---|---|---|
| Infeasible | Conflicting constraints | Check constraint logic and bounds |
| Unbounded | Missing bounds | Add variable bounds |
| Slow solve | Large problem | Set time limit; increase gap tolerance |
| QP rejected with MAXIMIZE | QP only supports MINIMIZE | Negate the objective; negate the result |
| QP returns non-optimal | Q not PSD or badly scaled | Check Q is PSD; rescale variables |
Solver Settings (concepts)
| Setting | Purpose |
|---|---|
time_limit |
Stop after N seconds |
mip_relative_gap |
Stop MILP when within X% of optimal |
mip_absolute_tolerance |
Absolute MIP gap stop |
log_to_console |
Enable solver logging |
Syntax varies by interface — see the interface reference file.
Archivos de esta skill
52Preguntas sobre la skill cuopt-numerical-optimization-api
¿Cómo instalo la skill cuopt-numerical-optimization-api en Claude Code?
Ejecuta npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-api. Claude Code carga las skills desde ~/.claude/skills (todos los proyectos) o .claude/skills (un proyecto) y usa una skill cuando su descripción coincide con la tarea.
¿Qué clientes pueden usar la skill cuopt-numerical-optimization-api?
Cualquier cliente que lea el formato Agent Skills: Claude Code, Codex, Gemini CLI y claude.ai (subir como ZIP). Los scripts de la skill se ejecutan solo donde el cliente permite la ejecución de código.
¿Puedo usar cuOpt con lenguajes de modelado existentes como Pyomo o PuLP?
Sí, cuOpt funciona como un backend de solver para herramientas de terceros, incluyendo AMPL, GAMS, PuLP, JuMP, Pyomo y CVXPY.