Моделирование и решение задач линейного, смешанно-целочисленного и квадратичного программирования с помощью решателей с GPU-ускорением через Python, C или CLI.
- Звёзды на GitHub
- 3 934
- Файлы
- 52
- Последний коммит
- 11 нояб. 2026 г.
- Лицензия
- Apache-2.0
- Разрешённые инструменты
- —
Что делает навык cuopt-numerical-optimization-api?
cuopt-numerical-optimization-api — это Agent Skill. Моделирование и решение задач линейного, смешанно-целочисленного и квадратичного программирования с помощью решателей с GPU-ускорением через Python, C или CLI.
Сводка сгенерирована из SKILL.md навыка.
О skill cuopt-numerical-optimization-api
Этот SKILL позволяет разработчикам и исследователям решать задачи линейного, смешанно-целочисленного и квадратичного программирования, используя ускорение на GPU. Он предоставляет доступ к решателю NVIDIA cuOpt через Python, C/C++ или интерфейс командной строки. Агенту следует загружать этот инструмент, когда пользователю необходимо смоделировать сложные математические оптимизации, такие как определение потоков ресурсов или принятие дискретных решений типа «да/нет».
Помимо прямых вызовов API, этот SKILL выступает в роли бэкенда для известных языков моделирования, включая AMPL, GAMS, PuLP, JuMP, Pyomo и CVXPY. Это позволяет пользователям переходить на решение задач с GPU-ускорением с минимальными изменениями в коде. Инструмент обрабатывает непрерывные переменные для линейных задач и целочисленные переменные для дискретных значений или бинарного выбора. Он также поддерживает квадратичное программирование (в режиме beta) для минимизации дисперсии или квадратов ошибок, хотя для этого требуется, чтобы целевая функция была задана на минимизацию, а матрица была положительно полуопределенной.
Что агент может делать с ним
- 1Решение задач непрерывного распределения ресурсовОпределение оптимального распределения дробных величин, таких как литры или доллары, с помощью линейного программирования.
- 2Управление количеством дискретных объектовРасчет необходимого количества грузовиков или рабочих для конкретной задачи с помощью смешанно-целочисленного программирования.
- 3Минимизация дисперсии в портфеляхВыполнение квадратичного программирования для минимизации квадрата ошибки или дисперсии в наборе данных.
- 4Интеграция с существующими моделямиИспользование cuOpt в качестве бэкенда-решателя для модели, уже написанной на Pyomo или CVXPY.
Написано на основе skill SKILL.md. Каждый сценарий использования проверен по цитате из него.
Как установить навык cuopt-numerical-optimization-api
Каждая команда копирует папку навыка в каталог навыков клиента. Перезапустите клиент или начните новую сессию, чтобы загрузить его.Установка навыка cuopt-numerical-optimization-api в Claude Code
~/.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-apiУстановка навыка cuopt-numerical-optimization-api в 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-apiУстановка навыка cuopt-numerical-optimization-api в Codex
~/.agents/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.agents/skills/cuopt-numerical-optimization-apiУстановка навыка cuopt-numerical-optimization-api в Gemini CLI
~/.gemini/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.gemini/skills/cuopt-numerical-optimization-apiУстановка навыка cuopt-numerical-optimization-api в 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
Автоматические проверки
Запущено 15 нояб. 2026 г.Полный отчёт →Прошёл наши автоматические проверки. Это не аудит безопасности: прочитайте скрипты, прежде чем агент их запустит. Как работают проверки · Что исправить, чтобы получить больше баллов
- Связанный и доступный исходный репозиторийnvidia/skills/skills/cuopt-numerical-optimization-api is public and reachablegithub.com/nvidia/skills/tree/HEAD/skills/cuopt-numerical-op ↗Пройдено
- Open source лицензия (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Пройдено
- Коммит или релиз за последний годLast commit 2026-11-11github.com/nvidia/skills/commits ↗Пройдено
- В скриптах нет загрузки с запуском и кражи учётных данных5 of 10 scripts read; none of them downloads and runs code, the rest were not readПроблема
- В SKILL.md нет скрытых инструкцийNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Пройдено
- Заранее разрешённые инструменты ограниченыNo pre-approved tools; the agent asks before using onegithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Пройдено
- SKILL.md соответствует формату Agent SkillsValid name and description; says when to use it; 104 linesgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Пройдено
SKILL.md
Открыть на 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.
Файлы в этом навыке
52Вопросы о навыке cuopt-numerical-optimization-api
Как установить навык cuopt-numerical-optimization-api в Claude Code?
Выполните npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-api. Claude Code загружает навыки из ~/.claude/skills (все проекты) или .claude/skills (один проект) и использует навык, когда его описание соответствует задаче.
Какие клиенты могут использовать навык cuopt-numerical-optimization-api?
Любой клиент, который читает формат Agent Skills: Claude Code, Codex, Gemini CLI и claude.ai (загрузить как ZIP). Скрипты в навыке выполняются только там, где клиент разрешает выполнение кода.
Можно ли использовать cuOpt с существующими языками моделирования, такими как Pyomo или PuLP?
Да, cuOpt работает как бэкенд-решатель для сторонних инструментов, включая AMPL, GAMS, PuLP, JuMP, Pyomo и CVXPY.