如果你想要一些开源的东西，你可能想试试 COIN 的 CBC 代码（他们还有几个其他的 MILP 求解器，比如分支和价格框架，或 SYMPHONY）。

Gurobi 和 CPLEX 将快得多，并且在 2011 年或 2012 年的 INFORMS 会议上，Gurobi 比 CPLEX 更快（尽管性能指标当然取决于问题）。在我论文中解决的 MILP 中，Gurobi 比 CBC 快大约 15-100 倍，CPLEX 几乎与 Gurobi 一样快，但速度稍慢（比如快 12-80 倍）。

尽管最坏情况下的性能确实是指数级的，但执行时间将在很大程度上取决于问题结构。除非你利用特殊的结构（也许它是一个可以分解成许多小得多的问题的随机程序），否则你不太可能解决具有数百万个变量的 MILP，但是完全有可能解决具有数千个变量的非平凡 MILP不到一分钟的变化。（当然，这些问题也有可能需要一个小时或更长时间才能解决。）

正如 Brian Borchers 所指出的，CPLEX 和 Gurobi 都为一些研究人员提供免费许可证，这两个软件包中的一个确实是最适合用作通用 MILP 求解器的。

混合整数线性规划问题比线性规划问题更难解决。就计算复杂度而言，LP 可以在多项式时间内求解，而求解 MILP 是一个 NP-Hard 问题。用于求解 MILP 的已知算法具有指数最坏情况复杂性。

您可以查看其他用于混合整数线性规划的软件包，包括 SCIP（免费供学术使用）、CPLEX（商业，但具有学术许可选项）和 GUROBI（也具有学术许可选项的商业。）一个或多个这些软件包中的一个在您的问题上可能比 GLPK 快得多，但不要指望它们中的任何一个在解决 MILP 方面几乎与解决类似大小的 LP 一样快。

如果你想尝试一堆不同的求解器，试试 Julia 的JuMP 建模框架。它使您可以将模型编写为 JuMP 模型，然后用一行代码切换求解器。例如，对于 MILP 问题，您可以从 Bonmin、Cbc、Couenne、CPLEX、GLPK、Gurobi 和 MOSEK 求解器中进行选择。正因为如此，如果你用 JuMP 编写它，你可以尝试 Geoff 提到的所有求解器，看看哪些是有效的，而无需编写一堆代码。您自己的个人测试将是最好的知识来源，以了解最快的算法适用于您的问题。

根据其他人的建议，我在许多项目中都使用了（商业） GAMS 。这是非常直截了当的；你所要做的就是把你的问题的数学公式化。它获取变量、约束、目标函数和所有输入数据。然后，它为任何情况提供了一系列求解器（优化器）。根据您的情况，您可以添加更复杂的求解器。

当然，EASY 值得一看。开源框架。

“快”这个词很模糊！你需要更加详细; 迭代次数快吗？评价次数？经过时间？这些的组合？

但是，如果您不是在寻找软件，而只是想解决问题，我建议您使用全局优化器 NSGA-II，它是一个具有很高声誉和性能的开源优化器。

如果您提供更多信息，我可以准确指导。