Modélisez et résolvez des problèmes de programmation linéaire, mixte-entier et quadratique en utilisant des solveurs accélérés par GPU via Python, C ou CLI.
- Étoiles GitHub
- 3 934
- Fichiers
- 52
- Dernier commit
- 11 nov. 2026
- Licence
- Apache-2.0
- Outils autorisés
- —
Que fait la skill cuopt-numerical-optimization-api ?
cuopt-numerical-optimization-api est une agent skill. Modélisez et résolvez des problèmes de programmation linéaire, mixte-entier et quadratique en utilisant des solveurs accélérés par GPU via Python, C ou CLI.
Résumé généré à partir du SKILL.md de la skill.
À propos du skill cuopt-numerical-optimization-api
Cette SKILL permet aux développeurs et aux chercheurs de résoudre des problèmes de programmation linéaire, mixte-entier et quadratique grâce à l'accélération GPU. Elle offre un accès au solveur NVIDIA cuOpt via Python, C/C++ ou une interface en ligne de commande. Un agent devrait charger cet outil lorsqu'un utilisateur doit modéliser des optimisations mathématiques complexes, comme la détermination de flux de ressources ou la prise de décisions discrètes (oui/non).
Au-delà des appels API directs, la SKILL agit comme un backend pour des langages de modélisation établis, notamment AMPL, GAMS, PuLP, JuMP, Pyomo et CVXPY. Cela permet aux utilisateurs de passer à une résolution accélérée par GPU avec un minimum de modifications de code. L'outil gère les variables continues pour les problèmes linéaires et les variables entières pour les décomptes discrets ou les choix binaires. Il prend également en charge la programmation quadratique (en version bêta) pour minimiser la variance ou les erreurs au carré, bien que cela nécessite que l'objectif soit une tâche de minimisation et que la matrice soit semi-définie positive.
Ce qu'un agent peut faire avec
- 1Résoudre l'allocation de ressources continuesDéterminez la distribution optimale de quantités fractionnaires, comme des litres ou des dollars, en utilisant la programmation linéaire.
- 2Gérer des décomptes d'entités discrètesCalculez le nombre de camions ou de travailleurs nécessaires pour une tâche spécifique en utilisant la programmation mixte-entier.
- 3Minimiser la variance des portefeuillesEffectuez une programmation quadratique pour minimiser l'erreur au carré ou la variance dans un jeu de données.
- 4S'intégrer à des modèles existantsUtilisez cuOpt comme moteur de résolution pour un modèle déjà écrit en Pyomo ou CVXPY.
Rédigé à partir du SKILL.md du skill. Chaque cas d'utilisation est vérifié par rapport à une citation de celui-ci.
Comment installer la skill cuopt-numerical-optimization-api
Chaque commande copie le dossier de la skill dans le répertoire des skills du client. Redémarrez le client ou démarrez une nouvelle session pour la charger.Installer la skill cuopt-numerical-optimization-api dans Claude Code
~/.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-apiInstaller la skill cuopt-numerical-optimization-api dans 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-apiInstaller la skill cuopt-numerical-optimization-api dans Codex
~/.agents/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.agents/skills/cuopt-numerical-optimization-apiInstaller la skill cuopt-numerical-optimization-api dans Gemini CLI
~/.gemini/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.gemini/skills/cuopt-numerical-optimization-apiInstaller la skill cuopt-numerical-optimization-api dans 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
Vérifications automatisées
Exécuté le 15 nov. 2026Rapport complet →A réussi nos vérifications automatiques. Ce n'est pas un audit de sécurité : lisez les scripts avant de laisser un agent les exécuter. Fonctionnement des vérifications · Ce qu'il faut corriger pour gagner des points
- Dépôt source lié et accessiblenvidia/skills/skills/cuopt-numerical-optimization-api is public and reachablegithub.com/nvidia/skills/tree/HEAD/skills/cuopt-numerical-op ↗Réussi
- Licence open source (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Réussi
- Commit ou version publiée au cours de l'année écouléeLast commit 2026-11-11github.com/nvidia/skills/commits ↗Réussi
- Aucun téléchargement-exécution ni vol d'identifiants dans les scripts5 of 10 scripts read; none of them downloads and runs code, the rest were not readFaille
- Aucune instruction cachée dans SKILL.mdNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Réussi
- Les outils préautorisés sont limitésNo pre-approved tools; the agent asks before using onegithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Réussi
- SKILL.md respecte le format Agent SkillsValid name and description; says when to use it; 104 linesgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Réussi
SKILL.md
Voir sur 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.
Fichiers de cette skill
52Questions sur la skill cuopt-numerical-optimization-api
Comment installer la skill cuopt-numerical-optimization-api dans Claude Code ?
Exécutez npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-api. Claude Code charge les skills depuis ~/.claude/skills (tous les projets) ou .claude/skills (un seul projet) et utilise une skill lorsque sa description correspond à la tâche.
Quels clients peuvent utiliser la skill cuopt-numerical-optimization-api ?
Tout client qui lit le format Agent Skills : Claude Code, Codex, Gemini CLI et claude.ai (envoi sous forme de ZIP). Les scripts de la skill ne s'exécutent que si le client autorise l'exécution de code.
Puis-je utiliser cuOpt avec des langages de modélisation existants comme Pyomo ou PuLP ?
Oui, cuOpt fonctionne comme un moteur de résolution (solver backend) pour des outils tiers tels qu'AMPL, GAMS, PuLP, JuMP, Pyomo et CVXPY.