Optees — Optimization Toolkit
🟢 Active
Optees è un workbench desktop open-source per trasformare modelli matematici e piccoli dataset in workflow locali, riproducibili e comprensibili. L'app combina SciPy/HiGHS, OR-Tools, solver dedicati, Dijkstra e modelli didattici di machine learning in un'interfaccia PySide6 pensata per studenti, analisti e sviluppatori che vogliono vedere non solo il risultato, ma anche il contratto matematico, i limiti e le evidenze dietro ogni soluzione.
Tecnologie
Tipo
Categoria
Piattaforma
Download
Release desktop su GitHubVerifica...Optees è open source: puoi leggere il codice, seguire la roadmap, aprire issue o proporre miglioramenti.
GithubApri la landing pubblica per vedere schermate reali, piattaforme supportate e release disponibili.
Visita il sito
Workbench locale per modelli di ottimizzazione
La home organizza le famiglie di problemi in flussi coerenti: programmazione lineare, MILP, Knapsack, programmazione non lineare continua, grafi e AI & Machine Learning. Ogni percorso guida la formulazione, valida gli input e conserva i dati sul desktop, senza account o servizi cloud obbligatori.
PySide6 • Workflow locali • Assistant deterministico
LP e MILP con risultati ispezionabili
I problemi lineari usano SciPy/HiGHS e mostrano stato, valore obiettivo, variabili, range di ottimi alternativi e regione ammissibile quando la dimensione lo consente. I modelli misto-interi integrano OR-Tools con variabili continue, intere e binarie, mantenendo espliciti limite di tempo, gap e stato del solver.
SciPy/HiGHS • OR-Tools • Range ottimi
Cinque varianti Knapsack in un unico flusso
Il modulo Knapsack copre 0/1, bounded, unbounded, fractional e multi-dimensional. La stessa interfaccia permette di scegliere variante, capacità e oggetti, poi confrontare valore, peso, quantità selezionate e uso delle risorse con tabelle e visualizzazioni dedicate.
0/1 • Bounded • Unbounded • Fractional • Multi-dimensional
NLP continua e grafi con contratti onesti
La programmazione non lineare accetta espressioni scalari sicure, punto iniziale, bounds opzionali e metodi BFGS, Nelder-Mead o L-BFGS-B. La vista chiarisce quando il risultato è un candidato locale, non una prova globale. Il modulo grafi risolve cammini minimi di Dijkstra con pesi non negativi e mostra percorso, costo e traccia deterministica.
NLP locale • Dijkstra • Contratti espliciti
Machine learning didattico e riproducibile
Optees include regressione lineare OLS/Ridge e classificazione binaria tramite regressione logistica locale. Ogni training usa split deterministici, seed espliciti, metriche sulle righe lasciate fuori, coefficienti, residui, matrice di confusione, probabilità e note che separano previsione, qualità del fit e causalità.
OLS/Ridge • Logistic regression • Split riproducibili
Clean Architecture, MVVM e TDD
L'immagine rappresenta l'architettura adottata: Presentation in stile MVVM, Application con use case, Data con adapter, Domain con modelli puri, più layer Core e Utility per servizi condivisi e routine numeriche. Il progetto è cresciuto con un approccio TDD e oggi mantiene più di 600 test verdi. La suite include benchmark scientifici e reference case importati da formati diversi per famiglia: LPnetlib in MAT per LP, MIPLIB in MPS/MPS.GZ con file SOLU per MILP, Burkardt e OR-Library per Knapsack, più casi analitici documentati per NLP, regressione, classificazione e grafi.
Clean Architecture • MVVM • TDD • 600+ test verdi
Un prodotto desktop per rendere l'ottimizzazione più leggibile
Optees nasce per avvicinare Operations Research e machine learning didattico a chi vuole modellare decisioni, verificare risultati e capire i limiti numerici senza nascondersi dietro una scatola nera.