Gekko求解器陷入局部最优问题的排查与解决方法咨询

问题描述 #

使用Gekko进行稳态最大化求解（IMODE=3）时，出现约束范围包含更优解但求解器未自动收敛到该解的情况：

场景1：约束为sum(x8)<=6 #

m = GEKKO(remote=False)
m.options.NODES = 3
m.options.IMODE = 3
m.options.MAX_ITER = 1000
m.options.SOLVER=1

#Limit max lnuc weeks
m.Equation(sum(x8)<=6)

m.Maximize(m.sum(simu_total_volume))

m.solve(disp = True)

#Objective      :   -5127.34945104756

求解得到目标值为-5127.34945104756。

场景2：约束改为sum(x8)==6 #

m = GEKKO(remote=False)
m.options.NODES = 3
m.options.IMODE = 3
m.options.MAX_ITER = 1000
m.options.SOLVER=1

#Limit max lnuc weeks
m.Equation(sum(x8)==6)

m.Maximize(m.sum(simu_total_volume))

m.solve(disp = True)
# Objective      :   -5638.55528892101

求解得到更优的目标值-5638.55528892101，而sum(x8)=6完全符合场景1的约束范围。

原因分析 #

1. 局部最优陷阱：你使用的SOLVER=1是APOPT求解器（序列二次规划法），这类基于梯度的求解器容易陷入局部最优。当目标函数或约束存在非线性时，求解器从初始点出发可能停留在满足约束的局部极值点，未探索到sum(x8)=6边界上的全局最优。
2. 初始值引导不足：Gekko变量默认初始值为0，在sum(x8)<=6的宽松约束下，求解器可能在sum(x8)远小于6的区域就满足收敛条件，没有动力向边界移动。
3. 约束松弛的梯度特性：当sum(x8)<6时，该不等式约束的梯度为0（约束未激活），如果目标函数在该区域的梯度变化平缓，求解器会认为已达到最优，停止迭代。
4. 收敛阈值设置：默认的收敛容差（RTOL=1e-6、ATOL=1e-6）可能让求解器提前终止，此时还未到达全局最优的边界点。

解决建议 #

• 手动设置初始值：先运行场景2（sum(x8)==6）的求解，将得到的x8值作为场景1的初始值，引导求解器直接从最优边界区域开始搜索：

  # 先运行等式约束求解，获取x8的最优值
  x8_opt = [x.value[0] for x in x8]
  # 在场景1中设置初始值
  x8 = m.Array(m.Var, len(x8_opt), lb=0, ub=1)
  for i, x in enumerate(x8):
      x.value = x8_opt[i]
  

• 切换求解器：尝试使用SOLVER=3（IPOPT，内点法），它在处理非线性约束和全局搜索能力上与APOPT不同，可能找到更优解；若x8是整数变量（周数通常为整数），可尝试SOLVER=2（BPOPT，分支定界法）。
• 调整收敛参数：增大迭代次数，缩小收敛容差：

  m.options.MAX_ITER = 2000
  m.options.RTOL = 1e-8
  m.options.ATOL = 1e-8
  

• 添加激励项：在目标函数中加入小的惩罚项，激励求解器尽可能最大化sum(x8)：

  m.Maximize(m.sum(simu_total_volume) + 1e-3 * sum(x8))
  

• 多初始点策略：生成多个随机初始值（比如x8的初始值在0-1之间随机生成，且sum(x8)接近6），多次求解后取目标值最优的结果，降低陷入局部最优的概率。
• 提高离散精度：若目标函数包含强非线性项，可增加NODES值（如NODES=5），提高非线性函数的离散精度，帮助求解器更准确捕捉目标函数的变化趋势。

内容的提问来源于stack exchange，提问作者datadude558