安装与入门

WaSHI（WebAssembly-backed, Solver-independent, High-level modeling Interface）为 TypeScript / JavaScript 带来了类似于 Python PuLP 的代数建模方式。通过标签模板字面量（expr）直观地编写代数公式，并借助 WebAssembly 求解器（HiGHS, Z3, GLPK）直接在 Node.js 与浏览器 中求解数理优化问题。

typescript

import { Model, expr, maximize } from "@ohtaman/washi";

const m = new Model("production");

// 1. 定义决策变量（设置合理的有限上下界 lb / ub）
const desks = m.integer("desks", { lb: 0, ub: 100 });
const chairs = m.integer("chairs", { lb: 0, ub: 100 });

// 2. 设定目标函数与约束条件
m.objective(maximize(expr`30 * ${desks} + 50 * ${chairs}`));
m.constraint(expr`${desks} + 2 * ${chairs} <= 40`, "wood_capacity");
m.constraint(expr`2 * ${desks} + ${chairs} <= 50`, "labor_capacity");

// 3. 求解（默认内置 HiGHS WebAssembly）并验证结果
const status = await m.solve();
if (m.hasPrimalSolution) {
  const report = m.validateSolution();
  console.log(status, report.valid); // "Optimal", true
  console.log(`利润: ${m.objectiveValue} (书桌=${desks.value}, 椅子=${chairs.value})`); // 1100 (书桌=20, 椅子=10)
}

📦 安装

默认的 HiGHS 求解器（LP / MIP / 凸QP）已内置随包提供，开箱即用：

npmpnpmyarnbun

bash

npm install @ohtaman/washi

bash

pnpm add @ohtaman/washi

bash

yarn add @ohtaman/washi

bash

bun add @ohtaman/washi

仅在需要使用 Z3（SMT 逻辑约束与 Unsat Core 冲突诊断）或 GLPK 时安装可选依赖：

bash

npm install z3-solver   # SMT 逻辑约束及 Unsat Core 冲突诊断
npm install glpk.js     # GLPK 求解器 (GPL-3.0)

💡 为什么选择 TypeScript 与 WebAssembly？

跨 Node.js 与浏览器零原生编译运行：无需配置跨平台 C/C++ 编译环境，也无需维护独立的 Python 运行时。只需一次 npm install，同一套建模代码即可在 Node.js 后端 API、CLI、脚本 以及 浏览器 中直接运行。
轻量嵌入日常 UI 与浏览器标准 API：不仅限于本地分析脚本，您可以零后端运维成本发布 打开链接即可使用的 Web 小工具、轻量游戏或 Chrome 扩展。还能在无需网络往返、数据不出本地的前提下，将数理优化直接接入拖拽交互 UI，或与屏幕/摄像头采集、语音识别（Web Speech API）等 浏览器标准功能 即时联动。
从应用数据到模型的一致类型安全：利用 TypeScript 类型系统避免优化建模中常见的下标错位与字典键名拼写错误。通过带类型的变量字典（Record<K, Var>）与引用绑定（expr`30 * ${qty.desk} <= 40`），模型可与应用侧数据结构无缝衔接，保留编译期变量/键检查、IDE 自动补全与符号重命名。
AI 辅助开发与 LLM 协同的高契合度：应用逻辑与优化模型统一在 单一 TypeScript 代码库 中，无需跨越 Python 服务边界即可在同一测试环境中完成端到端验证，并轻松部署为静态站点或单一服务。这种易于测试与部署的闭环非常适合 AI 辅助编程；同时在运行时，也能在同一运行环境中将 LLM 的灵活条件提取与求解器的严格约束满足及冲突诊断（Unsat Core）简洁结合。

🔍 基本工作流要点

开篇代码涵盖了 WaSHI 建模的三个核心要点：

为变量提供合理的有限上下界（lb, ub）：使用 m.continuous / m.integer / m.binary 定义变量时，指定有限上下界有助于强化 MIP 预处理（Presolve）并为逻辑约束自动推导紧凑的 Big-M。
用 expr 编写目标函数与约束：使用 m.objective(maximize(expr`...`)) 与 m.constraint(expr`... <= ...`, "名称")。为约束命名可在模型不可行（Infeasible）时直接定位冲突规则。
检查 hasPrimalSolution 并调用 validateSolution()：在 await m.solve() 之后，先通过 m.hasPrimalSolution 确认存在可行解再读取变量的 .value；调用 m.validateSolution() 可在容差范围内独立校验边界、整数性与约束满足情况。

🧭 下一步

建模指南：数组/字典变量定义、聚合函数（sum, dot）、逻辑约束与不可行冲突诊断（Unsat Core）
实际案例与 API 索引：排班优化、投资组合 QP、车辆路径规划等 11 个可在页面内直接运行的建模示例
求解器概览与对比：内置 HiGHS 与可选 Z3、GLPK 求解器的特性对比与切换方式
运行时环境配置：Node.js、Vite / Next.js 打包工具、CDN 与静态托管配置说明

安装与入门 ​

📦 安装 ​

💡 为什么选择 TypeScript 与 WebAssembly？ ​

🔍 基本工作流要点 ​

🧭 下一步 ​

安装与入门

📦 安装

💡 为什么选择 TypeScript 与 WebAssembly？

🔍 基本工作流要点

🧭 下一步