LGO
LINDO 10.0
LINDOGLOBAL 10.0
LINGO
LOCALSOLVER 6.0
LS
MILES
MINOS
MOSEK 8
MSNLP
NLPEC
OQNLP
OsiCplex
OsiGurobi
OsiMosek
OsiXpress
PATHNLP
PATH
PYOMO
SBB
SCIP 3.2
SNOPT
SOPLEX 2.2
XA
XPRESS 28.01
全局--局部非线性优化求解套件
随机求解器，包括一个无限制版本的LINDOGLOBAL
成熟全局解决方案的MINLP求解器
在LINGO模型系统中使用求解器求解GAMS模型的链接
混合邻域搜索算法
GAMS线性回归求解器
MCP求解器
NLP求解器
大型LP/MIP加锥凸非线性规划系统
全局优化的多启动方法
使用其他GAMS NLP求解器把MPEC转换成NLP
全局优化的多头启动方法
Bare-Bone与CPLEX连接
Bare-Bone 与Gurobi连接
Bare-Bone与 Mosek 连接
Bare-Bone与 Xpress 连接
凸面问题的大规模NLP求解器
大规模MCP求解器
在PYOMO模型系统中使用求解器求解GAMS模型的链接
求解MINLP模型的分支定界算法
高性能约束整数规划求解器
基于NLP求解器的大规模SQP算法
高性能LP求解器
大规模LP/MIP求解器
高性能LP/MIP求解器
GAMS求解器
GAMS中包含了多个数学规划模型，下面是每个模型的模型类型和支持平台的简介。
ALPHAECP
AMPL
ANTIGONE 1.1
BARON
BDMLP
BENCH
BONMIN 1.8
CBC 2.9
CONOPT 3
CONOPT 4
CONVERT
COUENNE 0.5
CPLEX 12.7
DE
DECIS
DICOPT
EXAMINER
GAMSCHK
GLOMIQO 2.3
GUROBI 7.0
GUSS
IPOPT 3.12
JAMS
KESTREL
KNITRO 10.0
基于扩展平面切割（ECP）方法的MINLP求解器
在AMPL模型系统中使用求解器时与GAMS模型连接
MINLP确定性全局优化
成熟**解决方案的分支和减少优化向导
任意GAMS系统都配备了LP和MIP求解器
实用方便的GAMS求解器和验证方案
COIN-OR MINLP求解器执行各类分支定界和外逼近算法
高性能LP/MIP求解器
大型的NLP求解器
大型的NLP求解器
将模型转换成其他语言的标量模型的框架
（MI）NLP确定性全局优化
高性能LP/MIP求解器
产生和解决包括EMP/SP中的随机规划的确定等价
大规模随机规划求解器
求解MINLP模型框架
检查解点并评估其优点的工具
GAMS求解线性规划问题时对结构和解决方案属性的检查系统
混合整数二次模型分支定界全局优化
高性能LP/MIP求解器
有效解决多个相关模型实例的框架（收集更新分散的求解方案）
大规模非线性规划的内点优化算法
扩展数学规划求解器（包括LogMIP）
本地GAMS系统使用远程NEOS求解器框架
大型NLP求解器
LGO
LINDO 10.0
LINDOGLOBAL 10.0
LINGO
LOCALSOLVER 6.0
LS
MILES
MINOS
MOSEK 8
MSNLP
NLPEC
OQNLP
OsiCplex
OsiGurobi
OsiMosek
OsiXpress
PATHNLP
PATH
PYOMO
SBB
SCIP 3.2
SNOPT
SOPLEX 2.2
XA
XPRESS 28.01
全局--局部非线性优化求解套件
随机求解器，包括一个无限制版本的LINDOGLOBAL
成熟全局解决方案的MINLP求解器
在LINGO模型系统中使用求解器求解GAMS模型的链接
混合邻域搜索算法
GAMS线性回归求解器
MCP求解器
NLP求解器
大型LP/MIP加锥凸非线性规划系统
全局优化的多启动方法
使用其他GAMS NLP求解器把MPEC转换成NLP
全局优化的多头启动方法
Bare-Bone与CPLEX连接
Bare-Bone 与Gurobi连接
Bare-Bone
面向对象的GAMA API允许GAMS无缝整合到为交互提供适当类别的应用中。这三个面向对象GAMS API是.NET, Java
和Python与.NET framework 4 (Visual Studio 2010)、Java SE 5或更高版本以及Python 3.4, 2.7和2.6。
除了面向对象的GAMA API，还有*级别(或级别) 的GAMS API，它们的使用要求有高深知识的GAMS组件库。
除了API, GAMS还提供智能链接到应用程序，如MS Excel, MatLab或R。用户可以在这个环境中继续工作，通过一个
API就可以访问GAMS所有的优化功能。这就允许应用中的模型数据和结果可以可视化和分析了。
独立的模型和用户界面
面向对象的GAMA API允许GAMS无缝整合到为交互提供适当类别的应用中。这三个面向对象GAMS API是.NET, Java
和Python与.NET framework 4 (Visual Studio 2010)、Java SE 5或更高版本以及Python 3.4, 2.7和2.6。
除了面向对象的GAMA API，还有*级别(或级别) 的GAMS API，它们的使用要求有高深知识的GAMS组件库。
除了API, GAMS还提供智能链接到应用程序，如MS Excel, MatLab或R。用户可以在这个环境中继续工作，通过一个
API就可以访问GAMS所有的优化功能。这就允许应用中的模型数据和结果可以可视化和分析了。
**过120多个国家的不同领域的跨国公司、学校、研究机构和**都在使用GAMS，包括能源化工、经济建模、农业规
划或制造业。
Independence of Model and User Interface
The GAMS object-oriented APIs allow the seamless integration of GAMS into an application by providing appropriate classes for the interaction with GAMS. The three versions of the object-oriented GAMS API: .NET, Java, and Python work with .NET framework 4 (Visual Studio 2010), Java SE 5 and up, as well as Python 3.4, 2.7, and 2.6 accordingly.
In addition to the object-oriented GAMS APIs, there are expert-level (or low-level) GAMS APIs whose usage requires advanced knowledge of GAMS component libraries. See our documentation for further information on the APIs.
In addition to the APIs, GAMS offers smart links to applications like MS Excel, MatLab, or R. Through these, the user can keep working in his productive tool environment, while the application accesses all optimization capabilites of GAMS through an API. This allows for example the visualization and analyses of model data and results in the application.
通用代数建模系统（GAMS）是数学编程和优化的高级建模系统。它由一个语言编译器和一个稳定的集成各种高性能的求解器组成。GAMS适用于复杂的、大规模的建模应用，并允许您创建大的维护模型以很快的适应新的情况。
独立的模型和数据
你可以编写独立的模型数据，包括各种不同来源的数据，从ASCII到Excel或者Access 以及其他各种来源。比如使用GDX（GAMS数据交换）文件格式。GDX文件可以保存一个或多个GAMS符号的值，比如集、参数变量和方程。GDX文件可以为GAMS模型准备数据、展示GAMS模型的结果、使用不同的参数为这同一个模型保存结果等。GDX文件不能保存一个模型的公式或者执行语句。GDX文件二进制文件，可在不同平台进行移植。
独立的模型和平台
模型在平台间是完全可移植的---写一次，可以在任意地方运行。
GAMS可以在Windows, Linux, Mac OS X, SOLARIS, Sparc Solaris和 IBM Power AIX上运行。
通过碳捕获和储存来优化应对气候变化
美国的发电部门是二氧化碳排放的主要贡献者。因此，该部门的减排将在应对气候变化的任何协调的二氧化碳减排努力中发挥核心作用。一种可能帮助发电部门应对这一挑战的技术选择是碳捕捉和储存(CCS)。碳捕获技术可以显著减少化石燃料发电厂二氧化碳的大气排放。被捕获的二氧化碳通过管道网络运输并安全储存。这些技术的广泛应用对于显著减少温室气体排放，并为清洁能源组合做出贡献是必要的。但是这种部署既昂贵又耗时，将这种技术应用到网上可能需要20到30年才能实现产业化。
美国能源部在两项目中使用GAMS软件旨在推进碳捕获技术。NETL二氧化碳捕获、运输、利用和储存(CTUS)模型优化了二氧化碳管道和储存基础设施的潜在网络。美国能源部成立的碳捕捉模拟计划（CCSI）旨在使碳捕获技术更*地用于工业。他们的优化工具集使行业能够快速评估和利用这些新技术。GAMS很自豪能成为碳捕获项目成功的一部分。
分析二氧化碳运输和储存网络
美国能源部使用GAMS分析潜在的二氧化碳减排情况，CCS可能发挥作用，满足排放标准。美国能源部国家能源技术实验室开发的NETL二氧化碳捕获、运输、利用和储存(CTUS)模型都是用GAMS编写的。它通过运输和存储网络的成本较小化，通过混合整数规划（MIP）进行优化，评估CO2管道的潜在网络和存储基础设施，以处理从CCS启用的电力部门的捕获和运输二氧化碳的运输和储存。这种类型的问题特别适合用GAMS来处理，因为处理的数据量非常大、解决方案方法、与其他建模平台集成的能力，以及为较终整合到更全面的能源经济模型中对时间的严格要求。
到目前为止，CTUS模型已经被集成到国家能源建模系统(NEMS)中，并且也被整合到MARKAL能源模型中。当集成到NEMS作为CTUS子模块时，在能源经济预测中详细描述了碳捕获和存储。通过这个功能，成本可变性和能力约束被引入到能源经济预测中，因为它认为CCS系统是缓解气候变化情景的一种选择。这种能力使在整个预测期内运输和储存的二氧化碳的位置和时间的特定量得以确定。CTUS的一个版本已经被修改，并被纳入美国能源信息管理局(EIA)的NEMS版本，并被用于生产年度能源展望。
CCSI优化工具集
碳捕获模拟倡议的目标是加快碳捕获技术的部署进程。CCSI是由美国能源部在2011成立的，它和国家实验室、工业和学术机构是合伙伙伴的关系。CCSI优化工具集可以帮助工业发展和部署先进的碳捕获和能源相关技术。
新科技的技术和经济表现严重依赖于其设备配置和操作条件。因此，为了对新技术进行严格的筛选和评估，确保使用较优流程是很重要的。优化工具确定了潜在的二氧化碳捕获过程的较佳设备配置和操作条件，这样就大大降低了实施过程中涉及的成本、时间和风险。
CCSI研究小组已经开发了两种高级优化功能，作为其不确定性和替代工具(FOQUS)的优化和量化框架的一部分。两种功能都使用了GAMS软件。**个工具基于严格模型进行同步过程优化和热集成。热集成问题在GAMS中用LPs和MIPs来建模，并用CPLEX求解器来解决。另一个工具优化了二氧化碳捕获系统的设计和操作。碳捕获系统被表达为一种MINLP模型，在GAMS中用DICOPT或BARON求解器来解决。通过确定二氧化碳捕获过程的较佳配置和条件，这些CCSI优化工具允许更有效地对未来技术的材料和概念进行筛选。
科学软件网是一个以引进国外优秀科研软件，提供*软件服务的营业，由天演融智软件有限公司创办，旨在为国内高校、科研院所和以研发为主的企业事业单位提供优秀的科研软件及相关软件服务。截止目前，科学软件网已获得数百家国际**软件公司正式授权，代理销售科研软件达一千余种，软件涵盖领域包括经管，仿真，地球地理，生物化学，工程科学，排版及网络管理等。同时，还提供专业培训、视频课程（包含34款软件，64门课程）、实验室解决方案和项目咨询等服务。
不管您是需要购买单款软件，还是制定整个实验室的购买方案，都可以提供。
-/gjiiih/-
http://turntech8843.b2b168.com
