阿尔卑斯山是基于Julia/JuMP的非凸程序全局优化求解器。Alpine采用两阶段方法来加强具有多线性项的混合整数非线性规划（MINLP）的分段凸松弛。在第一阶段，Alpine利用约束编程技术缩小变量边界。此外，它反复应用基于优化的边界收紧（OBBT）方法，直到达到边界的固定点。在第二阶段，Alpine使用自适应多元分区方案（顺序求解MILP的当前解决方案中的参数化分区）对可变域进行分区，从而实现更稀疏但更紧密的松弛。这种方法将分区的数量与可变域的大小解耦，从而显著减少计算时间，并限制分区引入的二进制变量的数量。Alpine还应用多面体切割平面方法处理高阶单项式项的凸松弛。
允许的非线性：Alpine目前可以使用约束和/或目标中的多项式处理MINLP。目前，MINLP中不支持指数锥和正半定义（PSD）锥。Alpine也很适合MINLP家族的子集，例如混合整数二次约束四元程序（MIQCQPs）、非线性程序（NLPs）等。
有关更多详细信息，请查看视频在阿尔卑斯山第二届JuMP-dev年度研讨会，于2018年6月在波尔多数学学院举行。
要使用Alpine，首先下载并安装朱莉娅。请注意，Alpine的当前版本与Julia 1.0及更高版本兼容。
Alpine的最新稳定版本可以使用Julia包管理器和
进口包装包装添加（“阿尔卑斯山”）
运行Alpine需要至少一个局部非线性规划（NLP）解算器和一个凸混合整数规划（MIP）求解器。如果您的问题是NLP，我们建议伊波特，否则，如果您的问题是混合整数NLP（MINLP），我们建议杜松子。对于底层MIP解算器，古罗比强烈建议使用，因为它速度快、可缩放，并且可以用于大规模非凸程序的求解。然而，开源高GHS或GLPK公司解算器也与Alpine兼容。例如，可以通过包管理器使用
进口包装包装添加（“Ipopt”）增加包装（“Gurobi”）
有关为Alpine选择子解算器的更多详细信息，请查看在这里.
要运行包中的测试，请在安装Alpine包后运行以下命令。
进口包装包装测试（“阿尔卑斯山”）
如果你觉得阿尔卑斯山对你的工作有用，我们请你引用以下文件[pdf格式] [pdf格式]:
@第{alpine_JOGO2019条，title={一种用于非凸程序全局优化的自适应多元分区算法}，author={Nagarajan、Harsha和Lu、Mowen和Wang、Site和Bent、Russell和Sundar、Kaarthik}，journal={全局优化杂志}，年份={2019}，issn={1573-2916}，doi={10.1007/s10898-018-00734-1}，}@进行中{alpine_CP2016，title={通过动态多元划分对非线性程序进行拉紧{McCormick}松弛}，author={Nagarajan、Harsha和Lu、Mowen和Yamangil、Emre和Bent、Russell}，booktitle={约束编程原理与实践国际会议}，页数={369--387}，年份={2016年}，组织={Springer}，doi={10.1007/978-3-319-44953-124}，}
如果您发现在Alpine中实现的基本分段多面体公式在您的工作中有用，我们恳请您引用以下论文(链接-1,链接-2)以下为：
@文章{alpine_ORL2021，title={多线性项的分段多面体公式}，author={Sundar、Kaarthik和Nagarajan、Harsha和Linderoth、Jeff和Wang、Site和Bent、Russell}，journal={运营研究快报}，体积={49}，数字={1}，页数={144--149}，年份={2021}，publisher={Elsevier}}@文章{alpine_OptOnline2022，title={多线性优化的分段多面体松弛}，author={Kim，Jongeun和Richard，Jean-Philippe P.和Tawarmalani，Mohit}，eprinttype={在线优化}，日期={2022}}
如果找到非凸QCQP实例的随机族（使用此中的生成器文件文件夹)对您的研究有用，我们恳请您引用以下论文arXiv链路:
@文章{alpine_lerning_2022，title={学习加速二次约束二次规划的全局优化}，author={Kannan、Rohit和Nagarajan、Harsha和Deka、Deepjyoti}，日志={arXiv-print:2301.00306}，网址={https://arxiv.org/abs/2301.00306},年份={2022}}