OR Tools

MCP-ORTools是一个基于Google OR-Tools的约束求解服务实现，通过标准化约束模型规范与大型语言模型集成，支持约束满足和优化问题的求解。

开发者工具研究与数据 #约束求解 #优化工具 #AI集成 .Python

评分 : 2.5分

下载量 : 62

更新时间 : 2025-04-28

什么是MCP-ORTools?

MCP-ORTools是一个集成Google OR-Tools约束求解器的服务器，允许用户通过JSON格式提交约束模型并获取优化解决方案。它特别适合需要处理大规模约束优化问题的应用场景。

如何使用MCP-ORTools?

用户只需编写符合标准格式的JSON模型文件，然后通过命令行启动服务器即可开始解决问题。支持多种变量类型、线性约束及优化目标。

适用场景

MCP-ORTools适用于库存管理、物流规划、资源分配等领域。例如，企业可以利用该工具优化供应链流程或解决复杂的调度问题。

主要功能

多变量支持支持整数、布尔型等多种变量类型，用户可根据需求定义变量域。

线性约束表达允许用户通过OR-Tools方法语法轻松构建复杂的数学约束。

优化目标设定可设置最大化或最小化目标函数，用于解决资源分配问题。

高性能求解内置Google OR-Tools高效算法，快速响应大规模问题。

优势与局限性

优势

易于集成到现有系统中

支持多种编程语言

强大的约束求解能力

开源且免费使用

局限性

需要一定的编程基础

某些复杂问题可能无法及时求解

依赖外部环境运行

如何使用

安装MCP-ORTools

运行pip install git+https://github.com/Jacck/mcp-ortools.git完成安装。

配置Claude桌面

编辑配置文件claude_desktop_config.json，添加如下内容： { "mcpServers": { "ortools": { "command": "python", "args": ["-m", "mcp_ortools.server"] } } }

提交模型文件

创建符合规范的JSON模型文件，并上传至服务器。

使用案例

简单优化模型定义两个变量并求解其最大值。

背包问题选择物品使总价值最高且不超过重量限制。

常见问题

如何确保模型正确性？

服务器运行失败怎么办？

支持哪些编程语言？

🚀 MCP-ORTools

MCP-ORTools是一个使用Google OR-Tools约束编程求解器实现的模型上下文协议（MCP）服务器，专为大型语言模型设计。它通过标准化约束模型规范，让大型语言模型能更好地利用约束编程求解器的能力。

🚀 快速开始

MCP-ORTools将Google的OR-Tools约束编程求解器与大型语言模型相结合，通过Model Context Protocol进行集成，使AI模型能够：

提交和验证约束模型
设置模型参数
解决约束满足和优化问题
获取并分析解决方案

✨ 主要特性

完全支持OR-Tools CP-SAT求解器
基于JSON的模型规范
支持：
- 整数和布尔变量（域：[min, max]）
- 使用OR-Tools方法语法的线性约束
- 线性优化目标
- 超时和求解器参数
- 二进制约束和关系
- 投资组合选择问题
- 背包问题

约束中支持的操作

基本算术：+、-、*
比较：.le()、.ge()、.eq()、.ne()
变量的线性组合
通过约束组合实现二进制逻辑

📦 安装指南

安装包：

pip install git+https://github.com/Jacck/mcp-ortools.git

配置Claude Desktop 在 %APPDATA%\Claude\claude_desktop_config.json（Windows）或 ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）创建配置文件：

{
  "mcpServers": {
    "ortools": {
      "command": "python",
      "args": ["-m", "mcp_ortools.server"]
    }
  }
}

💻 使用示例

基础用法

简单优化模型

{
    "variables": [
        {"name": "x", "domain": [0, 10]},
        {"name": "y", "domain": [0, 10]}
    ],
    "constraints": [
        "(x + y).__le__(15)",
        "x.__ge__(2 * y)"
    ],
    "objective": {
        "expression": "40 * x + 100 * y",
        "maximize": true
    }
}

背包问题

示例：选择具有值 [3,1,2,1] 和权重 [2,2,1,1] 的物品，总重量限制为 2。

{
    "variables": [
        {"name": "p0", "domain": [0, 1]},
        {"name": "p1", "domain": [0, 1]},
        {"name": "p2", "domain": [0, 1]},
        {"name": "p3", "domain": [0, 1]}
    ],
    "constraints": [
        "(2*p0 + 2*p1 + p2 + p3).__le__(2)"
    ],
    "objective": {
        "expression": "3*p0 + p1 + 2*p2 + p3",
        "maximize": true
    }
}

高级用法

额外约束示例

{
    "constraints": [
        "p0.__eq__(1)",         // 物品 p0 必须被选中
        "p1.__ne__(p2)",        // 不能同时选择 p1 和 p2
        "(p2 + p3).__ge__(1)"   // 必须选择 p2 或 p3 中的至少一个
    ]
}

📚 详细文档

模型规范

模型通过JSON格式指定，包含三个主要部分：

variables：定义变量及其域
constraints：使用OR-Tools方法的约束列表
objective：可选优化目标

约束语法

约束必须使用OR-Tools方法语法：

.__le__() 表示小于等于（<=）
.__ge__() 表示大于等于（>=）
.__eq__() 表示等于（==）
.__ne__() 表示不等于（!=）

开发

为开发设置：

git clone https://github.com/Jacck/mcp-ortools.git
cd mcp-ortools
pip install -e .

模型响应格式

求解器将返回以下JSON结构：

{
    "status": "success",           // 状态："success" 或 "error"
    "result": {
        "x": 5,                   // 变量 x 的值
        "y": 10                   // 变量 y 的值
    },
    "message": ""                 // 错误消息（如果有的话）
}