如果解决方案不可行，则放宽 Gekko 约束

如何解决如果解决方案不可行，则放宽 Gekko 约束

我正在尝试解决一个 MILP 优化问题，即最大化比率的约束条件，即优化器选择的二进制 decion 变量的尾部总和介于 tail_min 和 tail_max 之间。

但是，考虑到我尝试使用 try 更新的 tail_min 约束，优化器可能会遇到不可行的解决方案，除了阻止并尝试使用更新的 tail_min 值。

我有一种感觉，每当我通过将新的 tail_min 递减 0.005 来更新新的 tail_min 时，Gekko 只是在添加一个新约束，因此它永远不会达到可行的解决方案，因为具有基础 tail_min 的第一个约束仍然存在约束列表。

如何使用新的 tail_min 值实际更新给定的约束，而不是在每次触发 while 循环时堆积约束。

isOpt_Sol = False

m.Maximize( ((m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) + (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) ) / ((m.sum([to_c[i]*xc[i] for i in range(tot_ean_c)])) + (m.sum([to_m[j]*xm[j] for j in range(tot_ean_m)])) + 1) )

# Constraints :-
m.Equation( (m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) +  (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) <= tail_max)
m.Equation(m.sum([xc[i] for i in range(tot_ean_c)]) == 1)
m.Equation(m.sum([xm[i] for i in range(tot_ean_m)]) == 1)

while isOpt_Sol==False:
  try:        
    print("ATTEMPTING TO SOLVE with tail_min = ",tail_min)
    m.Equation( (m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) +  (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) > tail_min)
    m.solve(disp=True)
    isOpt_Sol = True
  except:
    tail_min = tail_min - 0.005
    print("Failed TRYING AGAIN!")
    isOpt_Sol = False

任何帮助将不胜感激！

解决方法

如果您需要更改约束中的值，请使用 m.Param() 并使用 tmin.value 更改该值。

我无法验证解决方案，因为问题不完整，但这里提出了一个建议，您需要实施和验证。

m.Maximize( ((m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) \
             + (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) ) \
             / ((m.sum([to_c[i]*xc[i] for i in range(tot_ean_c)])) \
             + (m.sum([to_m[j]*xm[j] for j in range(tot_ean_m)])) + 1) )

# Constraints :-
m.Equation( (m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) \
             +  (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) <= tail_max)
m.Equation(m.sum([xc[i] for i in range(tot_ean_c)]) == 1)
m.Equation(m.sum([xm[i] for i in range(tot_ean_m)]) == 1)

tmin = m.Param(value=tail_min)
m.Equation( (m.sum([tl_c[i]*xc[i] for i in range(tot_ean_c)])) \
             +  (m.sum([tl_m[j]*xm[j] for j in range(tot_ean_m)])) > tail_min)

isOpt_Sol = False
tail_min=0.1
while not isOpt_Sol:
    tail_min = tail_min - 0.005
    tmin.value=tail_min
    print("ATTEMPTING TO SOLVE with tail_min = ",tail_min)
    m.solve(disp=True)
    if m.options.APPSTATUS==1:
        isOpt_Sol=True