用途：通过 NVIDIA cuOpt 的 GPU 加速求解器，用 Python API 建模并求解 LP、MILP 和 QP（beta）问题。三类问题共用同一套接口：Problem、SolverSettings、solve，区别主要在目标函数形式与若干规则。
主要能力：支持连续变量与整数/二进制变量；支持线性目标与二次目标；可设置时间限制、MILP 相对间隙、控制台日志等求解参数；LP 可获取约束对偶值（影子价格）。
问题类型选择：目标为线性且变量全连续时用 LP；目标线性但含整数或二进制变量时用 MILP；目标含 xx 或 xy 项且变量连续时用 QP。LP 求解更快、最优性保证更强，能用 LP 时优先用 LP。
变量类型判断：计数类离散实体（工人、车辆、设施）用 INTEGER；是/否或开/关决策用二进制 INTEGER（lb=0、ub=1）；可分数化的量（吨、升、美元、小时、比例、流量）用 CONTINUOUS。
必要用法：从 cuopt.linear_programming.problem 导入 Problem、CONTINUOUS、INTEGER、MINIMIZE、MAXIMIZE，从 cuopt.linear_programming.solver_settings 导入 SolverSettings。用 addVariable 定义变量，addConstraint 添加约束，setObjective 设置目标，problem.solve(settings) 求解。
关键限制：状态值使用 PascalCase，如 "Optimal"、"FeasibleFound"，写成 "OPTIMAL" 会静默失败。QP 仅支持 MINIMIZE，不支持整数变量，Q 应为半正定以保证凸性，且处于 beta 阶段，API 可能变化。大型表达式建议用 LinearExpression(vars_list, coeffs_list, constant) 构建，避免链式相加触发递归深度限制。
适用场景：资源分配、生产计划、设施选址、投资组合方差最小化、最小二乘等。参考模型位于该技能的 assets/ 目录，可作参考但不应就地修改。具体安装命令与更多细节资料暂未提供。