我想比较Gurobi和Scipy的线性编程工具，例如linprog。 Scipy需要在matrix-list-vector-form中指定问题，而Gurobi像here一样工作，
m = Model()
m.addVar(...) %for variables
m.addConstr(..>) %for constraints
m.update() %for updating the model
m.optimize % for optimizing the model
m.params %for getting parameters
m._vars %for getting variables
相比之下
ScipyMinimize: c^T * x
Subject to: A_ub * x <= b_ub
A_eq * x == b_eq
c : array_like
Coefficients of the linear objective function to be minimized.
A_ub : array_like, optional
2-D array which, when matrix-multiplied by x, gives the values of the upper-bound inequality constraints at x.
b_ub : array_like, optional
1-D array of values representing the upper-bound of each inequality constraint (row) in A_ub.
A_eq : array_like, optional
2-D array which, when matrix-multiplied by x, gives the values of the equality constraints at x.
b_eq : array_like, optional
1-D array of values representing the RHS of each equality constraint (row) in A_eq.
bounds : sequence, optional
我的目标是仅使用一种方法编写代码，并且仍然使用两个求解器对结果进行基准测试。为了加速比较求解器：
Scipy是否存在Gurobi风格的LP问题模型构建？
是否存在使这两种方法互换的软件包（对于Gurobi，我可以写scipy样式；对于Scipy，我可以写成Gurobi样式）？
scipy是否提供其他任何接口来指定线性编程问题？
最佳答案
听起来很明显，这表明了很多工作：
像Gurobi这样的商业求解器比非商业求解器更快，更耐用
也有H. Mittelmann展示的高质量基准（CLP和GLPK成为最受欢迎的非商业基准）
尽管scipy的linprog可以，但它比包括CBC / CLP，GLPK，lpSolve在内的开源竞争都差很多。
速度和坚固性！
另外：scipy的linprog似乎真的无法维护open issues
有几种方法可以做到这一点：
A）使用linprog的问题定义方式，并将其转换为Gurobi风格
非常容易将矩阵形式转换为Gurobi的模型
B）使用cvxpy作为建模工具，使用grab the standard-form并为Gurobi（实际上是一个）和linprog（又很容易）编写一个包装。这将允许双方都使用非常强大的建模语言
缺点：根据问题进行不透明的转换（例如abs(some_vector)可能会引入辅助变量）
C）编写一些MPS读取器/或者从其他工具中提取一个来模拟您在Gurobi中的问题，将其输出并在linprog中读取并解决
候选工具：cvxopt's mps-reader（在文档中隐藏得很深），某些GLPK接口甚至某些CBC接口
（也许是隐藏的转换）
无论您做什么，解决方案过程分析都将是代码的重要组成部分，因为linprog可能会失败很多。它也无法处理大型稀疏模型。
基于您的gurobi示例的注释
您的示例（TSP）是MIP，而不是LP
对于MIP，上面所说的一切都会变得更糟（尤其是商业和开源之间的性能差异）
scipy中没有MIP求解器！