Google OR-Tools ile Optimizasyon: Türkçe Genel Bakış

Yöneylem araştırması öğrenen veya endüstride uygulayan biri için “hangi çözücüyü kullanırım?” sorusu eninde sonunda gelir. Akademik amaçlı küçük problemler için Excel Solver yeterli olabilir; orta ölçek için PuLP veya Pyomo + GLPK çoğu zaman iş görür. Ama profesyonel ölçekte, çoklu problem türlerini tek bir tutarlı çatı altında çözmek istediğinde, Google OR-Tools neredeyse her zaman gündeme gelir.

Bu rehber OR-Tools’un ne olduğunu, hangi problemleri çözdüğünü, neden yaygınlaştığını ve hangi durumlarda alternatiflerine tercih edildiğini Türkçe olarak ele alır. Henüz hiç kullanmadıysan ne ile karşılaşacağına dair bir önsezi kazanırsın; aktif kullanan biri için ise kütüphanenin daha geniş ekosistemi içindeki yerini görme fırsatı olur.

OR-Tools nedir?

OR-Tools, Google tarafından geliştirilen ve Apache 2.0 lisansı altında açık kaynak olarak yayımlanan bir optimizasyon kütüphanesidir. İçinde beş ana çözücü ailesi barındırır:

• Linear Solver: Lineer programlama (LP) ve karma tamsayı programlama (MILP)
• Constraint Programming (CP-SAT): Mantıksal kısıt programlama, çizelgeleme
• Routing: Araç rotalama (VRP), gezgin satıcı (TSP) ve varyantları
• Graph algorithms: Min cost flow, max flow, atama (assignment)
• Bin packing: Sığdırma problemleri ve varyantları

Kütüphane Python, Java, C++, C# ve .NET dillerinde kullanılabilir; algoritmaların çekirdeği C++ ile yazıldığından dilden bağımsız olarak yüksek performans sağlar. Pip ile dakikalar içinde kurulabilir (pip install ortools), ilk kullanım deneyimi tatmin edicidir.

OR-Tools’un öne çıkan özelliği CP-SAT solver’ıdır — özellikle çizelgeleme ve kombinatoryel optimizasyon problemlerinde sektörde en üst düzey performans veren ücretsiz çözücülerden biri olarak kabul edilir. 2020’den bu yana MiniZinc Challenge’da düzenli olarak madalya kazanan motoru, akademik olarak da onaylanmış bir kalitededir.

Tarihçe ve felsefe

OR-Tools projesi 2010’da Google’ın iç optimizasyon ihtiyaçları için başlatıldı. İlk dönem reklam yerleştirme algoritmalarının optimizasyonu, veri merkezi enerji yönetimi gibi Google’a özel sorunları çözmek üzere geliştirildi. Zamanla kullanım yelpazesinin geniş olduğu fark edildi ve 2014’te ilk kez açık kaynak olarak yayımlandı.

Projenin temel felsefesi Google’ın diğer açık kaynak çabalarına benzer: “içeride kullandığımızı dışarıyla paylaşalım, ekosistemi büyütelim”. Bu, hem kütüphanenin kalitesini sürekli yüksek tutar (Google içinde üretim kritik kullanımdadır) hem de geniş bir geliştirici topluluğu çevresinde gelişmesini sağlar.

OR-Tools’un mimari yaklaşımı modülerdir. Her optimizasyon türü için optimize edilmiş ayrı bir motor vardır; ortak bir API ile birbirine bağlanırlar. Bu, Pyomo veya AMPL gibi “tek bir model dili, çözücü değiştirilebilir” yaklaşımından farklıdır; OR-Tools daha çok bir “Swiss army knife” gibi çalışır, her aleti farklı bir problem için tasarlanmıştır.

Modüller detaylı

Linear Solver (LP/MILP)

OR-Tools’un linear solver modülü, bir cephe arayüzdür: arkasında GLOP (Google Linear Optimization Package, Google’ın kendi LP çözücüsü), CP-SAT, GLPK, CLP, veya CPLEX/Gurobi (lisans varsa) gibi çeşitli motorları çağırabilir. Tipik kullanımda GLOP ücretsiz ve hızlı olduğu için varsayılan tercih olur; problem karma tamsayı içeriyorsa CP-SAT kullanılır.

Basit bir LP örneği:

from ortools.linear_solver import pywraplp

solver = pywraplp.Solver.CreateSolver('GLOP')
x = solver.NumVar(0, solver.infinity(), 'x')
y = solver.NumVar(0, solver.infinity(), 'y')

solver.Add(x + 2 * y <= 14)
solver.Add(3 * x - y >= 0)
solver.Add(x - y <= 2)

solver.Maximize(3 * x + 4 * y)
solver.Solve()

print(f'x = {x.solution_value()}, y = {y.solution_value()}')

15 satırlık bu kod, klasik bir LP problemini tanımlayıp çözüyor. Performans GLPK’nın WebAssembly versiyonundan (bu sitenin LP çözücüsünde kullanılan) çok daha hızlı; binlerce değişkenli problemleri saniyeler içinde halleder.

CP-SAT (Constraint Programming)

OR-Tools’un en güçlü modülü budur. Adı “Constraint Programming - SAT” iki yaklaşımın birleşimini ifade eder: klasik kısıt programlama ile boolean satisfiability (SAT) çözücülerinin birleştirilmesi.

CP-SAT’ın güçlü yanı interval variablesve disjunctive resource constraints gibi çizelgeleme problemleri için özel olarak tasarlanmış yapı taşlarıdır. Bu, klasik MILP modellemesiyle çok daha verimli ifade edilebilen problemler doğurur.

Klasik N-vezir (N-queens) problemi:

from ortools.sat.python import cp_model

model = cp_model.CpModel()
N = 8
queens = [model.NewIntVar(0, N - 1, f'queen_{i}') for i in range(N)]

# Aynı satırdaki vezirler farklı sütunlarda
model.AddAllDifferent(queens)

# Diyagonal çakışmasızlık
model.AddAllDifferent([queens[i] + i for i in range(N)])
model.AddAllDifferent([queens[i] - i for i in range(N)])

solver = cp_model.CpSolver()
status = solver.Solve(model)

15 satırda 8x8 satranç tahtasında 8 veziri çakışmasız yerleştiren tüm çözümlerden birini buluyoruz. Aynı problemi MILP olarak yazmak çok daha fazla satır ve çok daha karmaşık model gerektirirdi.

Routing

Vehicle Routing Problem (VRP), Traveling Salesman Problem (TSP) ve varyantları için tasarlanmış özel modüldür. Kapasiteli VRP, zaman pencereli VRP, çoklu depo VRP gibi gerçek dünya varyantlarını doğrudan destekler.

Modül, local search tabanlı çalışır: ilk çözümü açgözlü bir sezgisel ile üretir, ardından 2-opt, 3-opt, Lin-Kernighan, Or-opt gibi yerel arama operatörleriyle iyileştirir. Bu yaklaşım optimal çözüm garantisi vermez ama 1000+ noktalı problemlerde dakikalar içinde sektör kalitesinde çözüm üretir.

Graph algorithms

Daha klasik graf problemleri için. Min cost flow, max flow, lineer atama problemi (Hungarian algoritması) gibi spesifik problemler için optimize edilmiş çözücüler vardır. Eğer probleminiz “doğal olarak ağ akış” yapısına sahipse (lojistik, atama, eşleme), bu modülü kullanmak genel-amaçlı LP’den çok daha hızlı sonuç verebilir.

Bin packing

Sığdırma (bin packing), kesme stoğu (cutting stock) ve varyantları için. Bu küçük modül daha geniş kullanılır, çünkü sığdırma problemleri özel heuristic’lerle çok hızlı çözülebilir; OR-Tools’un dahili bin packing yardımcıları yaygın senaryoları kapsar.

Hızlı başlangıç: kurulum ve ilk model

OR-Tools kurulumu basit. Python için:

pip install ortools

Bu kadar. Sürecin sonunda yaklaşık 100 MB’lık bir paket kurulur (algoritma çekirdeklerinin önceden derlenmiş binary’leri dahil). Kurulum sonrası herhangi bir Python dosyasında doğrudan import edip kullanılabilir.

Klasik bir LP örneği — bir simit fırınının üretim planlaması:

from ortools.linear_solver import pywraplp

# Problem: günde kaç adet susamlı, kaç adet sade simit üretilsin?
# Susamlı simit: 2 dakika emek, 50 g un, 1 TL kâr
# Sade simit:   1 dakika emek, 60 g un, 0.6 TL kâr
# Günlük emek: 480 dakika, günlük un: 30 kg

solver = pywraplp.Solver.CreateSolver('GLOP')
sesame = solver.IntVar(0, solver.infinity(), 'sesame')
plain = solver.IntVar(0, solver.infinity(), 'plain')

solver.Add(2 * sesame + 1 * plain <= 480)        # emek
solver.Add(50 * sesame + 60 * plain <= 30000)    # un (gram)

solver.Maximize(1 * sesame + 0.6 * plain)
status = solver.Solve()

if status == pywraplp.Solver.OPTIMAL:
    print(f'Susamlı: {sesame.solution_value()}, Sade: {plain.solution_value()}')
    print(f'Toplam kâr: {solver.Objective().Value():.2f} TL')

Bu örneği çalıştırdığında saniyenin altında optimal cevabı alırsın. Modeli karmaşıklaştırmak (yeni ürün, yeni kısıt, çoklu kapasiteler) sadece satır eklemekten ibarettir.

Performans, ölçek ve mimari notları

OR-Tools’un performans karakteristiklerini anlamak, üretime taşınacak bir sistem tasarımı yaparken kritiktir.

LP/MILP performansı: GLOP (Google’ın kendi LP çözücüsü) küçük-orta ölçekli problemlerde dakikada milyonlarca değişken işleyebilir. SCIP arka motoruyla karma tamsayı problemleri çözülürken performans, problem yapısına bağlı olarak Gurobi’nin üçte biri ile yarısı arasında değişebilir. Bu açık fark, karşılığında ödenen “0 dolar” düşünüldüğünde çoğu pratik amaç için kabul edilebilir bir tercih hâline geliyor.

CP-SAT performansı: Modern OR-Tools’un en parlak motoru. MiniZinc Challenge gibi yarışmalarda son yıllarda madalya kazanan CP-SAT, çizelgeleme ve kombinatoryel optimizasyon problemlerinde özelleşmiş ticari çözücülerle yarışabilir performans veriyor. 16-çekirdek paralelizmi varsayılan olarak açıktır; AWS gibi bulut platformlarında 32-64 çekirdekli sunuculara açıkça ölçeklenir.

Routing performansı: Vehicle Routing Problem için OR-Tools sektörde kullanım kolaylığı ve hız dengesi açısından en popüler ücretsiz seçenektir. 1000 nokta civarındaki problemlerde dakikalar içinde sektör kalitesinde sonuç verir; daha büyük problemler için problem ayrıştırma teknikleri (örn. clustering + intra-cluster solving) kullanılır.

Bellek tüketimi: Büyük modeller (yüz binlerce değişken) bellekte ciddi yer kaplayabilir. Hands-on deneyim: 200,000 değişkenli MILP problemi yaklaşık 2-4 GB RAM tüketebilir; 1,000,000 değişkenli problemler 16 GB+ sunucu gerektirir. Modelin sparse yapısını koruyacak şekilde yazılması bu bellek baskısını hafifletir.

Network etkisi: OR-Tools yerel kütüphane olarak çalışır, internete bağlanmaz. Bu, hassas veriyle çalışıldığı durumlarda önemli bir avantaj — ticari bulut çözücüleri (Gurobi Cloud, MOSEK Cloud) verinin sunucuya çıkmasını gerektirir, OR-Tools kendi makinende kalır.

Diğer çözücülerle karşılaştırma

OR-Tools’u rakipleriyle özetle karşılaştırırsak:

vs. Pyomo: Pyomo bir modelleme dilidir, OR-Tools bir çözücü ailesidir. Pyomo + GLPK kombinasyonu basit LP/MILP için yeterli ve eğitimsel olarak güzel; kompleks problemler için OR-Tools’un dâhili çözücülerinin sıkı entegrasyonu avantaj.

vs. PuLP: PuLP daha basit bir modelleme katmanıdır, GLPK veya COIN-OR çözücüleriyle çalışır. Hızlı prototyping için ideal; üretime taşınacak sistemlerde OR-Tools daha iyi ölçeklenir.

vs. CPLEX/Gurobi: Bu ikisi ticari, profesyonel kalitede çözücüler. Akademik ücretsiz lisans verirler; ticari kullanım için yıllık 10-30 bin USD arası lisans bedelleri vardır. CP-SAT bazı çizelgeleme problemlerinde Gurobi’ye yakın hatta üstün performans gösterir; klasik LP/MILP’te ise ticari çözücüler hâlâ daha hızlıdır.

vs. SCIP: SCIP akademik kullanım için ücretsiz, ticari için lisanslı bir MILP çözücü. Akademik araştırmacıların favori seçeneği. OR-Tools’un Linear Solver’ı SCIP’i de arka motor olarak kullanabilir.

Pratik tavsiye: küçük başla, büyüdükçe geçiş yap. Eğitim ve prototyping için PuLP veya OR-Tools Linear Solver. Üretime taşırken OR-Tools veya ticari çözücülere geç. Çizelgeleme ve VRP için doğrudan OR-Tools.

OR-Tools öğrenme yolu: pratik adımlar

OR-Tools’u sıfırdan öğrenmek isteyen biri için kademeli bir yol önerebilirim; her adım birkaç saat ila birkaç gün sürer.

Adım 1 (1-2 gün) — temel kurulum. Python’u (yoksa) kur, virtualenv ile izole bir geliştirme ortamı oluştur, pip install ortools ile kütüphaneyi indir. İlk küçük örneği (yukarıdaki simit fırını kodu) yazıp çalıştır, çıktının doğru olduğunu elinle kontrol et.

Adım 2 (3-5 gün) — Linear Solver derinleşmesi. Resmi dokümantasyondaki LP tutorial serisini takip et. Klasik problemler (knapsack, transportation, assignment) için modeller yaz. Her birinde optimum çözümü bulmadan önce elinle hesaplayıp doğrula.

Adım 3 (5-7 gün) — CP-SAT’a giriş. N-vezir, sudoku, magic square gibi klasik kısıt problemlerini çöz. Variable türleri (IntVar, BoolVar, IntervalVar), kısıt türleri (AllDifferent, Element, Reservoir) ile tanış.

Adım 4 (7-10 gün) — çizelgeleme problemleri. Job-shop, flow-shop, RCPSP (resource constrained project scheduling) örneklerini CP-SAT ile çöz. Bu seviyede gerçek dünya çizelgeleme problemlerini modelleyebilir hâle gelirsin.

Adım 5 (5-7 gün) — Routing modülü. TSP, CVRP (Capacitated VRP), VRPTW (VRP with Time Windows) örneklerini incele. Bu sitedeki TSP Çözücü (nearest-neighbor + 2-opt) algoritmik temeli pratik olarak deneyimlemek için iyi bir başlangıç noktasıdır.

Adım 6 (sürekli) — uygulamaya geç. İş yerindeki gerçek bir problemle karşılaş, OR-Tools ile küçük bir prototip yap, ekibine sun. Pratik deneyim, dokümantasyon okumakla edinilemeyecek bir derinliği getirir.

Bu yola çıkanların çoğu 6-8 hafta içinde üretim seviyesinde model yazabilen bir yetkinliğe ulaşır. Daha hızlı öğrenmek isteyen biri için Coursera ve edX üzerinde Google’ın kendi yayımladığı OR-Tools kurslarına da bakılabilir.

Türkiye’de OR-Tools kullanımı

Türkiye’de OR-Tools kullanımı son beş yılda hızla yaygınlaştı. Türk Hava Yolları operasyon araştırma takımının kullandığı kütüphanelerden biri, Trendyol, Hepsiburada gibi e-ticaret platformlarının lojistik optimizasyonunda da OR-Tools’un payı var. Üniversite araştırmalarında özellikle ITC (uluslararası ders programlama yarışması) çözümleri OR-Tools tabanlı yapılıyor.

Türkçe içerik açısından henüz sınırlı; Stack Overflow ve GitHub’daki İngilizce kaynaklar baskın. Türkçe video tutorial’lar yavaş yavaş çoğalıyor; ders notları ve doktora tezlerinde de OR-Tools örnekleri artıyor. Bu siteyi takip ediyorsan yakında daha fazla Türkçe OR-Tools örneği yayında olacak.

İleri kullanım önerileri

OR-Tools’u temel seviyeden ileri seviyeye taşımak isteyenler için birkaç öneri:

Solver hint’leri kullan. CP-SAT’a “muhtemel iyi çözüm şuna benziyor” diye bir başlangıç vermek (warm start) çözüm süresini katlanarak azaltabilir. Önceki çözümleri saklayıp benzer probleme tekrar girerken hint olarak vermek endüstriyel uygulamalarda yaygın bir pratik.

Multi-objective optimization. OR-Tools tek amaç fonksiyonu çözer; ama çoklu amaçlı problemler için lexicographic veya scalarization teknikleriyle ardışık çözümler üretilebilir. Çözüm uzayının Pareto cephesini taramak için bu teknikler vazgeçilmezdir.

Distributed solving. Büyük problemler tek makinede çözülemiyorsa, problemi alt-problemlere ayırıp paralel çözmek mümkündür. CP-SAT’ın worker parametresi ile çoklu çekirdek kullanımı zaten dahili gelir.

Custom callback’ler. Özellikle CP-SAT’ta çözüm sırasında yeni kısıtlar eklemek (lazy constraints) için callback fonksiyonları yazılabilir. Karmaşık endüstriyel problemler için kritiktir.

Profiling ve debug. Performans sorunu yaşadığında çözücünün hangi adımda zaman harcadığını ölçmek için CpSolverSolutionCallback kullan. Modelin neden yavaş olduğunu anlamak modelleme becerisinin ileri kısmıdır.

Modeli düzgün dokümante et. OR-Tools modelleri kod biçiminde yazıldığı için Excel modellerinden çok daha iyi sürdürülebilir; ama bu otomatik gelmez. Her kısıtın yanına yorum yazmak, değişkenlerin anlamlarını dokümante etmek, ve “model neden böyle?” mantığını ayrı bir ReadMe dosyasında tutmak ileride hayat kurtarır. Bir endüstriyel modelin ortalama ömrü 3-5 yıl, ve o sürede modeli yazan kişi sıklıkla başka bir takıma geçer.

Test odaklı modelleme. Bir matematiksel modeli, sıradan kod gibi unit test’lerle korumak mümkün ve gereklidir. Küçük girdi setleri için elle hesapladığınız doğru çıktıları test olarak kaydedin; modeli her değiştirdiğinizde bu testler çalıştırılsın. Pratikte modelin “doğru” mu “verimli” mi olduğu ayrı sorulardır; testler birinciyi garantiler, profiling ikinciyi ölçer.

Bir endüstri vakası: lojistik şirketinde OR-Tools

OR-Tools’un endüstride nasıl kullanıldığını somutlaştırmak için tipik bir lojistik şirketi senaryosunu ele alalım. Türkiye’de orta ölçekli bir kargo şirketi, günlük 2.000 kargonun 50 kamyonla 30 ile dağıtılmasını planlıyor. Manuel planlama ile rotalar deneyimli operatörler tarafından çiziliyor; ortalama 4 saat sürüyor ve sonuç optimum değil.

OR-Tools tabanlı bir VRP çözümünün geliştirme süreci şöyle ilerleyebilir. Birinci ay, problem formülasyonu ve veri pipeline’ı: kamyon kapasiteleri, sürücü mesai süreleri, müşteri zaman pencereleri, trafik tahminleri sistemden çekilir. İkinci ay, OR-Tools Routing modülü ile prototyping: küçük problem örnekleriyle algoritma kalibrasyonu. Üçüncü ay, üretime alma: web tabanlı arayüz, operatör eğitimleri, mevcut sistemlerle entegrasyon.

Sonuç tipik olarak şöyle olur: planlama süresi 4 saatten 30 dakikaya iner, toplam taşıma kilometresi %12-18 azalır (yıllık milyonlarca lira tasarruf), sürücü memnuniyeti artan rota tutarlılığı sayesinde yükselir. ROI ilk yıl içinde olumlu olur; ikinci yıldan itibaren proje kâra geçer.

OR-Tools’un bu vakada katma değeri, sıfırdan algoritma yazma maliyetinin ortadan kalkması ve kurumun odağının “iyi modelleme” üzerinde yoğunlaşabilmesidir. 5-10 yıl önce aynı çözüm CPLEX lisansı + custom algoritma + entegrasyon mühendisliği ile 200+ bin USD’lık bir proje olurdu; OR-Tools ile bu maliyet onda birine düşer.

Sonuç

OR-Tools, modern yöneylem araştırmasının en güçlü ücretsiz aracı diyebileceğimiz bir kütüphanedir. Linear programming’den kısıt programlamaya, araç rotalamadan graf algoritmalarına kadar geniş bir yelpazede sınıfının en iyileri arasında yer alan motorlar barındırır. CP-SAT’ın çizelgeleme problemlerinde ortaya koyduğu performans, ticari çözücülere ciddi bir alternatif olduğunu gösteriyor.

Yeni başlıyorsan, basit bir LP veya constraint problem ile yola çık. Doğrusal Programlama rehberini ve Çizelgeleme Problemleri rehberini okuduktan sonra OR-Tools dokümantasyonundaki tutorial’lara geçmek doğal bir akış olur. Bu sitedeki LP Çözücü, TSP, Atama ve Knapsack araçları da OR-Tools’un sunduğu yetenekleri tarayıcıda örneklendirir.

Yöneylem araçlarını öğrenmek bir kez başladığında zincirleme devam eder; OR-Tools, o zincirde uzun yıllar yanında olacak bir aletin adıdır.

Yaygın hatalar ve nasıl önlenir

OR-Tools’a yeni başlayanların düştüğü tipik birkaç tuzak var.

Birinci tuzak — yanlış solver seçimi. Kompleks bir çizelgeleme problemini Linear Solver’a vermek, kısıt programlama yaklaşımının çok daha doğal olduğu bir problem için saatlerce hesaplama beklemek demek olur. Problem yapısını analiz etmeden çözücüye atılmaması gerekir.

İkinci tuzak — gevşek tip kullanımı. Karar değişkenleri için NumVar yerine IntVar veya BoolVar kullanmak gerekiyorsa, doğru tip seçimi çözücüyü ciddi şekilde hızlandırır. Yanlış tip seçimi çözüm uzayını gereksiz yere büyütür ve performansı düşürür.

Üçüncü tuzak — çözücü logunu okumamak. OR-Tools her solve çağrısında zengin bir log üretir; bu log model boyutu, çözüm süresi, kullanılan heuristic’ler hakkında hayati bilgi verir. Performans sorunu yaşandığında ilk başvurulacak yerdir.

Dördüncü tuzak — küçük problemde test etmemek. 10000 değişkenli problemi doğrudan çözmeye kalkmak hatalıdır; önce 10 değişkenli versiyonda modelin mantıksal olarak doğru çalıştığını teyit etmek, sonra ölçeklemek güvenli yoldur. Hızlı geri bildirim döngüsü model hatalarını dakikalarda yakalar; saat sonra alınan yanlış sonuç gece kabusu olur.

Beşinci tuzak — kütüphane sürümünü güncellememek. OR-Tools aktif gelişen bir projedir; her birkaç ayda bir CP-SAT’a yeni özellikler ve performans iyileştirmeleri ekleniyor. Bir yıl önce kurduğun pip paketiyle çalışıyorsan, bugün aynı problem için %30-50 daha hızlı bir versiyon var demektir. Üretime alınan sistemlerde kütüphane yükseltme planı baştan yapılmalı, sürüm kilidi olmamalıdır.

Altıncı tuzak — OR-Tools’u “her şeyin çözümü” olarak görmek. OR-Tools güçlü olsa da bazı problem tipleri için doğal çözücü değildir. Özellikle büyük ölçekli sürekli optimizasyon (NLP) problemleri için Ipopt veya benzeri özel kütüphaneler daha uygundur. Doğru aracı doğru iş için kullanma farkındalığı, modern yöneylem analistinin temel becerisidir; “alet” değil “yetkinlik” olarak öğrenilmesi gereken çok yönlü bir konudur ve zaman alır.

Sıkça sorulanlar

OR-Tools ile Pyomo arasında hangisini seçmeliyim?

İki kütüphane farklı felsefelere sahiptir: Pyomo bir 'modelleme dili'dir, çözücüden bağımsız modeller yazarsın ve istediğin çözücüye (CPLEX, Gurobi, GLPK) bağlanırsın; OR-Tools ise 'çözücü ailesi' olarak gelir, kendi içinde LP, MILP, CP-SAT, routing gibi optimize edilmiş motorları barındırır. Saf LP/MILP problemleri için Pyomo + ücretsiz GLPK iyi bir başlangıç; çizelgeleme, routing ve karmaşık kısıt problemleri için OR-Tools daha iyidir. Profesyonel kullanımda iki kütüphaneyi de bilmek bir avantajdır.

CP-SAT mı, Linear Solver mı kullanmalıyım?

Problemin yapısına bakar. Tüm değişkenler sürekli ve kısıtlar 'eşitsizlik' biçimindeyse Linear Solver (LP) hızlıdır. Tamsayı, ikili veya kategori değişkenleri varsa MILP (yine Linear Solver) kullanılır. Mantıksal kısıtlar (eğer-o-zaman, ya-veya), zamanlama aralıkları (interval variables), permütasyon kısıtları varsa CP-SAT genelde daha iyi performans gösterir. CP-SAT, modern OR-Tools'un en güçlü ve en aktif geliştirilen modülüdür.

OR-Tools tamamen ücretsiz mi kalacak?

OR-Tools Apache 2.0 lisansı altında açık kaynak ve ticari kullanımı kısıtlamasız serbest. Google bunu uzun vadeli kurumsal angajman olarak sunar; LinkedIn, Uber, Walmart gibi şirketler üretimde kullanır. Kütüphanenin temel altyapısı (kıyıdan-bilgisayara, lisanssız) Google'ın kendi içsel kullanımı için de hayati olduğundan, kapanma riski uzun vadede çok düşüktür. CPLEX veya Gurobi gibi pahalı ticari çözücülere kıyasla en sürdürülebilir ücretsiz seçeneklerden biridir.

OR-Tools C++ mı Python'da mı daha hızlı?

Algoritmaların kendisi C++ ile yazılmıştır; Python (ve Java, C#, .NET) bağlamaları sadece üst katmandır. Çözücü performansı dil seçiminden bağımsız olarak aynıdır. Python'un avantajı modelleme kolaylığıdır — kısıtlar ve değişkenler okunaklı kodla yazılır. C++ ancak çok büyük problem örnekleriyle çalışıyorsan ve modelleme sırasında bile her milisaniye önemli ise (ki nadirdir) anlamlı bir avantaj sağlar.

OR-Tools öğrenmek için ilk hangi probleme bakmalıyım?

Klasik 'sığır besleme' (cattle feed) veya 'simit fırını' tarzı küçük bir LP problemi ile başla — Linear Solver kullanarak. Sonra 'N-vezir' (N-queens) problemini CP-SAT ile çöz; constraint programming'in ne kadar zarif olduğunu burada görürsün. Üçüncü adım Vehicle Routing Problem (VRP) örneğine geçmek; OR-Tools'un en olgun modüllerinden Routing'i öğrenirken aynı zamanda gerçek dünya optimizasyon problemine yaklaşırsın. Resmi dokümantasyondaki tutorial'ları takip etmek genelde en hızlı yoldur.