变量定义为 pyomo 中的约束答案

【问题标题】：Variable definition as constraint in pyomo变量定义为 pyomo 中的约束
【发布时间】：2022-11-27 09:10:28
【问题描述】：

这个问题与我之前的问题found here有关。我已经设法解决了这个问题（非常感谢@AirSquid！）我的目标函数是这样的：

所以 avgPrice_n 变量的索引是n.然而，它实际上被定义为

这意味着它被索引n和一世.

所以目前我的目标函数非常混乱，因为我有三个总和。它看起来像（我扩展了目标函数中的括号并分别添加了每个组件，所以 avgPrice_n*demand_n 看起来像）：

expr += sum(sum(sum((1/12)*model.c[i]*model.allocation[i,n] for i in model.MP[t]) for t in model.M)*model.demand_n[n] for n in model.N)

虽然这可行，但调试非常困难，因为条款很长。因此，我没有使用 avgPrice_n 的实际定义，而是想知道是否可以创建一个 avgPrice_n 变量，在目标函数中使用它，然后在我定义 avgPrice_n 的地方创建一个约束，如上所示。

我遇到的问题是我创建了我的决策变量 x_{i,n} 作为变量，但显然我无法创建 avgPrice_n 作为变量，我通过 x_{i,n} 对其进行索引，因为这导致TypeError: Cannot apply a Set operator to an indexed Var component (allocation) 错误。

所以到目前为止，我的决策变量看起来像：

model.x = Var(model.NP_flat, domain = NonNegativeReals)

我试图创造：

model.avg_Price = Var(model.x, domain = NonNegativeReals)

从而导致上述错误。任何想法或建议将不胜感激！

【问题讨论】：

标签： python optimization pyomo

【解决方案1】：

你有几个选择。意识到你没有需要model.avg_price 变量，因为您可以从其他变量构造它，并且您必须做出一些约束来约束值等，并污染您的模型。

模型中的基本构建块是 pyomo 表达式，因此您可以放入一个小的“辅助函数”来构建表达式（显示的 cost 函数，它依赖于 n），它没有在模型中定义，但是只是弹出一个表达式......完全合法）。您还可以将大型表达式“分解”为更小的表达式（例如下面的 other_stuff），然后将它们拼凑到目标中（或需要的地方），这让您有机会独立评估它们。我已经制作了几个模型，其目标函数具有“成本”组件和“惩罚”组件，方法是将其分为 2 个表达式……然后在解决后，您可以独立检查它们。

我的建议（如果您不喜欢当前模型中的三重和）是制作一个 avg_cost(n) 函数来构建类似于下面无意义函数中所做的表达式，并将其用作新变量的替代品.

注意：这里对变量的初始化一般是不需要的。我只是这样做来“模拟解决”，否则他们将无...

代码：

import pyomo.environ as pyo

m = pyo.ConcreteModel()

m.N = pyo.Set(initialize=[0,1,2])

m.x = pyo.Var(m.N, initialize = 2.0)

def cost(n):
    return m.x[n] + 2*m.x[n+1]

m.other_stuff = 3 * m.x[1] + 4 * m.x[2]

m.costs = sum(cost(n) for n in {0,1})

m.obj_expr = m.costs + m.other_stuff

m.obj = pyo.Objective(expr= m.obj_expr)


# inspect cost at a particular value of n...
print(cost(1))
print(pyo.value(cost(1)))

# inspect the pyomo expressions "other_stuff" and total costs...
print(m.other_stuff)
print(pyo.value(m.other_stuff))
print(m.costs)
print(pyo.value(m.costs))

# inspect the objective...  which can be accessed by pprint() and display()
m.obj.pprint()
m.obj.display()

输出：

x[1] + 2*x[2]
6.0
3*x[1] + 4*x[2]
14.0
12.0
obj : Size=1, Index=None, Active=True
    Key  : Active : Sense    : Expression
    None :   True : minimize : x[0] + 2*x[1] + x[1] + 2*x[2] + 3*x[1] + 4*x[2]
obj : Size=1, Index=None, Active=True
    Key  : Active : Value
    None :   True :  26.0

【讨论】：