在 GAMS 文件的某处，在您声明了几乎所有模型之后，您必须编写一个形式为 的求解语句solve <your_problem> using <formulation> {minimizing|maximizing} <your_objective_function_variable>;，其中：

• <your_problem>应替换为您的问题的名称
• <formulation>是 GAMS 公式类型之一（lp、mip、nlp等）
• {minimizing|maximizing}表示您正在解决最小化问题或最大化问题，因此请选择两者之一
• <your_objective_function_variable>是您用来编码目标函数的任何 gams 变量

给定一个公式类型，GAMS 提供了一个求解器列表，您可以使用这些求解器来求解该类型的公式。因此，如果您使用了错误的公式和求解器组合，GAMS 将返回错误。

您可能希望选择满足您在 GAMS 文件中声明的公式的最严格的公式类型。也就是说，您可以写出 LP，然后写入 GAMS 文件solve MyProblem using nlp minimizing z;，但 LP 求解器通常会利用额外的结构来加快求解速度。

对于通用求解器建议，您可以查看Hans Mittelmann 的基准数据以获得通用建议。

我的经验如下，需要注意的是求解器的性能显然取决于问题实例和输入参数，您应该尝试多个求解器和参数调整以获得最佳性能，并且您绝对应该自己参考 Mittelmann 的基准：

LP/QCP/MIP/MIQCP 求解器：如果可能，使用 CPLEX 或 Gurobi。这两个求解器是同类中最好的，并且比其他任何求解器快 10 倍左右。SCIP 也很不错，CBC 是最好的免费选项之一。

NLP 求解器（凸）：CONOPT 和 DICOPT 适用于中小型问题；对于中等规模的问题，SNOPT 也很有效；对于大规模问题，我会先使用IPOPT。

MINLP/NLP（非凸）：BARON 被认为是一段时间的黄金标准。ANTIGONE 比较新，值得一试。COUENNE 和 BONMIN 也是不错的选择。

对于 MILP，最好的求解器是 GAMS、LINGO 和 Gurobi 在 Python 中提供的 CPLEX。您应该拥有这些求解器的完整版本。在这三个求解器中，没有一个求解器优于。