Python, C veya CLI üzerinden GPU hızlandırmalı çözücüler kullanarak doğrusal, karma tam sayılı ve karesel programlama problemlerini modelleyin ve çözün.
- GitHub yıldızları
- 3.934
- Dosyalar
- 52
- Son commit
- 11 Kas 2026
- Lisans
- Apache-2.0
- İzin verilen araçlar
- —
cuopt-numerical-optimization-api skill ne işe yarar?
cuopt-numerical-optimization-api bir agent skill'dir. Python, C veya CLI üzerinden GPU hızlandırmalı çözücüler kullanarak doğrusal, karma tam sayılı ve karesel programlama problemlerini modelleyin ve çözün.
Özet, skill'in SKILL.md dosyasından oluşturuldu.
cuopt-numerical-optimization-api skilli hakkında
Bu SKILL, geliştiricilerin ve araştırmacıların GPU hızlandırması kullanarak doğrusal, karma tam sayılı ve karesel programlama problemlerini çözmesini sağlar. Python, C/C++ veya komut satırı arayüzü aracılığıyla NVIDIA cuOpt çözücüsüne erişim sunar. Bir agent, kullanıcı kaynak akışlarını belirlemek veya ayrık evet/hayır kararları vermek gibi karmaşık matematiksel optimizasyonları modellemek istediğinde bu aracı yüklemelidir.
Doğrudan API çağrılarının ötesinde bu SKILL; AMPL, GAMS, PuLP, JuMP, Pyomo ve CVXPY dahil olmak üzere yerleşik modelleme dilleri için bir backend görevi görür. Bu, kullanıcıların minimum kod değişikliği ile GPU hızlandırmalı çözüme geçmesine olanak tanır. Araç, doğrusal problemler için sürekli değişkenleri ve ayrık sayımlar veya ikili seçimler için tam sayılı değişkenleri işler. Ayrıca, varyansı veya kare hataları minimize etmek için beta aşamasında karesel programlamayı da destekler; ancak bunun için hedefin bir minimizasyon görevi olması ve matrisin pozitif yarı tanımlı olması gerekir.
Bir agent bununla neler yapabilir
- 1Sürekli kaynak tahsisini çözünDoğrusal programlama kullanarak litre veya dolar gibi kesirli miktarların optimal dağılımını belirleyin.
- 2Ayrık varlık sayılarını yönetinKarma tam sayılı programlama kullanarak belirli bir görev için gereken kamyon veya işçi sayısını hesaplayın.
- 3Portföylerdeki varyansı minimize edinBir veri setindeki kare hatayı veya varyansı minimize etmek için karesel programlama uygulayın.
- 4Mevcut modellerle entegre edinHalihazırda Pyomo veya CVXPY ile yazılmış bir model için cuOpt'u bir çözücü backend'i olarak kullanın.
Skill'in SKILL.md dosyasından yazılmıştır. Her kullanım durumu oradaki bir alıntı ile kontrol edilir.
cuopt-numerical-optimization-api skill nasıl kurulur
Her komut, skill klasörünü istemcinin skills dizinine kopyalar. Yüklemek için istemciyi yeniden başlatın veya yeni bir oturum başlatın.cuopt-numerical-optimization-api skill'ini Claude Code uygulamasına kur
~/.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-apicuopt-numerical-optimization-api skill'ini Claude Code (project) uygulamasına kur
.claude/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api .claude/skills/cuopt-numerical-optimization-apicuopt-numerical-optimization-api skill'ini Codex uygulamasına kur
~/.agents/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.agents/skills/cuopt-numerical-optimization-apicuopt-numerical-optimization-api skill'ini Gemini CLI uygulamasına kur
~/.gemini/skills/cuopt-numerical-optimization-api/SKILL.md
$ npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.gemini/skills/cuopt-numerical-optimization-apicuopt-numerical-optimization-api skill'ini Claude.ai uygulamasına kur
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
Otomatik kontroller
Çalıştırıldı 15 Kas 2026Tam rapor →Otomatik kontrollerimizi geçti. Bu bir güvenlik denetimi değil: bir ajanın çalıştırmasına izin vermeden önce betikleri okuyun. Kontroller nasıl çalışır · Daha fazla puan için nelerin düzeltileceği
- Kaynak deposu bağlantılı ve erişilebilirnvidia/skills/skills/cuopt-numerical-optimization-api is public and reachablegithub.com/nvidia/skills/tree/HEAD/skills/cuopt-numerical-op ↗Geçti
- Açık kaynak lisansı (OSI)Apache-2.0spdx.org/licenses/Apache-2.0.html ↗Geçti
- Son bir yıl içinde commit veya sürüm mevcutLast commit 2026-11-11github.com/nvidia/skills/commits ↗Geçti
- Betiklerde indir-çalıştır veya kimlik bilgisi hırsızlığı yok5 of 10 scripts read; none of them downloads and runs code, the rest were not readBulgu
- SKILL.md içinde gizli talimat yokNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Geçti
- Önceden izin verilen araçlar sınırlıNo pre-approved tools; the agent asks before using onegithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Geçti
- SKILL.md, Agent Skills biçimine uyuyorValid name and description; says when to use it; 104 linesgithub.com/nvidia/skills/blob/HEAD/skills/cuopt-numerical-op ↗Geçti
SKILL.md
GitHub'da görüntülecuOpt 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.
Bu becerideki dosyalar
52cuopt-numerical-optimization-api skill soruları
cuopt-numerical-optimization-api skill'ini Claude Code uygulamasına nasıl kurarım?
npx degit NVIDIA/skills/skills/cuopt-numerical-optimization-api ~/.claude/skills/cuopt-numerical-optimization-api komutunu çalıştırın. Claude Code, skill'leri ~/.claude/skills (tüm projeler) veya .claude/skills (tek proje) konumundan yükler ve açıklaması görevle eşleştiğinde skill'i kullanır.
cuopt-numerical-optimization-api skill'ini hangi istemciler kullanabilir?
Agent Skills biçimini okuyan her istemci: Claude Code, Codex, Gemini CLI ve claude.ai (ZIP olarak yükleyin). Skill içindeki betikler yalnızca istemcinin kod çalıştırmaya izin verdiği yerlerde çalışır.
cuOpt'u Pyomo veya PuLP gibi mevcut modelleme dilleriyle kullanabilir miyim?
Evet, cuOpt; AMPL, GAMS, PuLP, JuMP, Pyomo ve CVXPY dahil olmak üzere üçüncü taraf araçlar için bir çözücü backend'i olarak çalışır.