一般一个的cplex项目，一般分为五个模块，分别是创建模型、定义优化参数、设置目标函数、设置约束和模型求解及输出。下面针对这五个模块使用cplex的Java API来进行介绍。

1.1 创建模型

即在内存中开辟一个空间来实例化IloCplex类；

IloCplex cplex = new IloCplex(); // 创建一个模型
1.2 定义优化参数
这里定义将要求解的优化参数，常见的参数类型包括单个变量、一维及二维数组类型。
1.2.1 单变量定义
在实际生产问题中，常见的变量类型就实数，整数比较常见：

○ 实数型变量 cplex.numVar

○ 整数型变量 cplex.intVar

单变量参数，主要是值变量的取值范围，例如该变量取值范围为，若不想定义范围也可以设置为-Double.MAX_VALUE和Double.MAX_VALUE,表示负无穷到正无穷；比如cplex.numVar(0,5)，表示。
1.2.2 一维数组定义
○ 实数型变量 cplex.numVarArray(num,min,max)

○ 整数型变量 cplex.intVarArray(num,min,max)

参数表示数组的大小(num)，最小值(min)和最大值(max)，这样定义的就是三个定义域相同的变量；

如果要为每个变量设置不同的范围
double[] rangeVar = {0,3,2,8,1,7}; // 每个变量的最小值和最大值
IloNumVar[] x = new IloNumVar[3];
for(int i=0;i<3;i++){
    x[i] = cplex.numVar(rangeVar[2*i], rangeVar[2*i+1]);
这样就将数组中的三个变量设置了不同的取值范围，分别为[0,3]，[2,8]，[1,7]
1.2.3 二维数组定义
IloNumVar[][] x2array1 = new IloNumVar[2][];
for (int i=0; i<2; i++){
    x2array1[i] = cplex.numVarArray(2, 0.0, 5.0);
IloIntVar[][] x2array2 = new IloIntVar[2][];
for (int i=0; i<2; i++){
    x2array2[i] = cplex.intVarArray(2, 0, 5);
1.3 设置目标函数和约束
目标函数一般是取一个表达式的最大值或者最小值，约束一般是设定一个表达式的取值范围，一个共同点就是都需要先定义表达式，而且它们定义表达式的方式是完全相同的。
1.3.1 定义表达式
官方根据表达式类型的不同提供了不同的接口，包括：
需要根据模型表达式类型选择合适自己的接口形式，比如，属于线性类型，那么就可以一次线性表达式的接口：
IloNumVar[] x =cplex.numVarArray(3, -5, 5);
IloLinearNumExpr cs = cplex.linearNumExpr();
cs.addTerm(1, x[0]);
cs.addTerm(2, x[1]);
cs.addTerm(3, x[2]);
每个接口都提供了非常多的方法，详细参考官方文档的使用方法和说明。尽管官方为不同形式的表达式提供了不同的接口，但是存在一定的问题，比如无法在一次线性规划表达式中添加二次项，当表达式比较复杂的时候通常不止一种类型。因此一般就用最基本的公式接口IloNumExpr，在这个接口中可以利用cplex模型库中的加减乘除来添加任何形式的表达式。
先创建模型Ilocplex cplex = new IloCplex(); 然后通过cplex.xxx的方式使用模型中的各种运算方法，常用的包括：
有了以上这四种方法基本就可以应对大部分的表达式了，比如，用基本公共接口表示为：
IloNumVar[] x =cplex.numVarArray(3, -5, 5);
double[] vars = {1,2,3};
IloNumExpr cs = cplex.numExpr();
for(int i=0;i<3;i++){
    cs = cplex.sum(cs, cplex.prod(x[i], vars[i]));
虽然这种方式增加了代码量，但是代码可读性增强了，所以这种方式会更好，再比如，求变量x的平方和绝对值之和：
IloNumVar[] x =cplex.numVarArray(3, -5, 5);
IloNumExpr cs1 = cplex.numExpr();
IloNumExpr cs2 = cplex.numExpr();
for(int i=0;i<3;i++){
    cs1 = cplex.sum(cs1, cplex.abs(x[i]));
    cs2 = cplex.sum(cs2, cplex.prod(x[i], x[i]));
1.3.2 定义目标函数
假设定义后目标函数的表达式用obj表示：
在添加了约束后我们可以通过cplex.diff(cs,cs)来清空表达式cs，然后就可以在cs中添加新的表达式。
1.4 清空表达式
有时候在定义目标函数和约束时需要通过循环来定义新的表达式，每次重新初始化表达式很麻烦，这时候就需要清空表达式：
cplex.diff(cs,cs)
cplex.numExpr()

第一种方式有时候会爆出内存溢出的错误，因此更推荐使用第二种方式。
1.5 模型求解及输出
模型求解以及输出的模板如下所示：
if (cplex.solve()) {
    cplex.output().println("Solution status = " + cplex.getStatus());
    cplex.output().println("Solution value = " + cplex.getObjValue());
    double[] val = cplex.getValues(x);
    for (int j = 0; j < val.length; j++){
        System.out.println("x" + (j+1) + "  = " + val[j]);
cplex.end();
            // 2. 定义优化参数
            IloNumVar[] x = cplex.numVarArray(2, 0, Double.MAX_VALUE);
            double[] c = {2,3};
            IloNumExpr cs1 = cplex.numExpr();
            for(int i=0;i<2;i++){
                cs1 = cplex.sum(cs1,cplex.prod(c[i], x[i]));
            // 3. 设置目标函数
            cplex.addMaximize(cs1);
            // 4. 设置约束
            cplex.addLe(cplex.sum(x[0], cplex.prod(2, x[1])), 8);
            cplex.addLe(cplex.prod(4, x[0]), 16);
            cplex.addLe(cplex.prod(4, x[1]), 12);
            // 5. 模型求解及输出
            if(cplex.solve()){
                cplex.output().println("Solution status = " + cplex.getStatus());
                cplex.output().println("Solution Value = " + cplex.getObjValue());
                double[] val = cplex.getValues(x);
                for(int j=0;j<2;j++){
                    System.out.println("x" + (j+1) + " = " + val[j]);
            cplex.end();
        } catch (IloException e){
            System.err.println("Concert exception caught: " + e);
Tried aggregator 1 time.
LP Presolve eliminated 2 rows and 0 columns.
Reduced LP has 1 rows, 2 columns, and 2 nonzeros.
Presolve time = 0.00 sec. (0.00 ticks)
Iteration log . . .
Iteration:     1   Dual objective     =            14.000000
Solution status = Optimal
Solution Value = 14.0
x1 = 4.0
x2 = 2.0
可以根据上面的运行结果获悉，该问题为LP(线性规划)求解问题，迭代了一次，对偶目标解为14，解的状态为Optimal，即找到了一个最优的解决方案，目标函数的最优解为14，对应的变量x1和x2分别取4和2。
2.2 案例二
该案例为《运筹学》清华大学第四版P60例2-10题目，具体应用场景请参考教材。

目标函数：

约束条件：

            // 2. 定义优化参数
            IloNumVar[] x = cplex.numVarArray(5, 0, Double.MAX_VALUE);
            double[] c = {0, 0.1, 0.2, 0.3, 0.8};
            IloNumExpr cs1 = cplex.numExpr();
            for(int i=0;i<5;i++){
                cs1 = cplex.sum(cs1,cplex.prod(c[i], x[i]));
            // 3. 设置目标函数
            cplex.addMinimize(cs1);
            // 4. 设置约束
            cplex.addEq(cplex.sum(x[0], cplex.prod(2, x[1]), x[3]), 100);
            cplex.addEq(cplex.sum(cplex.prod(2, x[2]), cplex.prod(2, x[3]), x[4]), 100);
            cplex.addEq(cplex.sum(cplex.prod(3, x[0]), x[1], cplex.prod(2, x[2]), cplex.prod(3, x[4])), 100);
            cplex.addGe(x[0], 0);
            cplex.addGe(x[1], 0);
            cplex.addGe(x[2], 0);
            cplex.addGe(x[3], 0);
            cplex.addGe(x[4], 0);
//            // 5. 模型求解及输出
            if(cplex.solve()){
                cplex.output().println("Solution status = " + cplex.getStatus());
                cplex.output().println("Solution Value = " + cplex.getObjValue());
                double[] val = cplex.getValues(x);
                for(int j=0;j<5;j++){
                    System.out.println("x" + (j+1) + " = " + val[j]);
            cplex.end();
        } catch (IloException e){
            System.err.println("Concert exception caught: " + e);
Tried aggregator 1 time.
LP Presolve eliminated 5 rows and 0 columns.
Reduced LP has 3 rows, 5 columns, and 10 nonzeros.
Presolve time = 0.02 sec. (0.00 ticks)
Initializing dual steep norms . . .
Iteration log . . .
Iteration:     1   Dual objective     =            10.000000
Solution status = Optimal
Solution Value = 16.0
x1 = 0.0
x2 = 40.0
x3 = 30.0
x4 = 20.0
x5 = 0.0
可以根据上面的运行结果获悉，该问题为LP(线性规划)求解问题，迭代了一次，对偶目标解为10，解的状态为Optimal，即找到了一个最优的解决方案，目标函数的最优解为16，对应的变量x2、x3、x4分别取40、30和20。这好像和教材上的解不一样，带入原约束条件都满足，带入目标函数其方案同样是使用了90跟原材料制造了100套钢材。这里似乎出现了第二个最优解，这也是实际问题中经常出现的情况，多个最优解，这里在下一节进行讨论。