如何在Gekko中实现跨向量优化？含报错与代码求助

问题核心 #

需实现42个时间步的调度优化，满足价格约束、x7触发次数≤5的限制，但当前代码存在以下问题：

• 调用m.sum()时触发TypeError: x must be a python list of GEKKO parameters, variables, or expressions
• 移除sum后仍出现语法错误：@error: Model Expression *** Error in syntax of function string: Invalid element: ame
• 仅能逐行处理单个时间步，无法批量完成多步优化并约束x7总触发次数

错误原因解析 #

1. sum函数使用错误：m.sum(x7)中的x7是单个标量变量，而非多个时间步变量组成的列表，Gekko的sum函数仅支持列表输入
2. 未定义变量与关键字冲突：代码中co2、co3、simu_total_volume未定义；同时使用了Python关键字min、max作为变量名，导致语法解析错误
3. 变量维度不匹配：当前所有变量都是标量，无法对应42个时间步的向量需求

修正后的完整代码 #

from gekko import GEKKO

# 初始化模型
m = GEKKO(server='XXX', remote=False)
m.options.IMODE = 2  # 稳态优化模式
m.options.MAX_ITER = 1000

# 时间步数量
n_steps = 42

# 定义向量参数（示例值，替换为实际数据）
sp = [m.Param(value=2.0) for _ in range(n_steps)]
base = [m.Param(value=1.0) for _ in range(n_steps)]
co_ln = m.Param(value=0.5)  # 标量参数
co1 = m.Param(value=0.3)
co2 = m.Param(value=0.4)
co3 = m.Param(value=0.2)
min_price = m.Param(value=3.0)  # 避免使用Python关键字min
max_price = m.Param(value=15.0) # 避免使用Python关键字max

# 定义每个时间步的变量数组
x1 = [m.Var(value=1, lb=min_price, ub=max_price) for _ in range(n_steps)]
x2 = [m.Var(value=1, lb=min_price, ub=max_price) for _ in range(n_steps)]
# 整数变量直接定义，无需额外z变量
x3 = [m.Var(value=1, lb=0, ub=1, integer=True) for _ in range(n_steps)]
x4 = [m.Var(value=0, lb=0, ub=1, integer=True) for _ in range(n_steps)]
x5 = [m.Var(value=0, lb=0, ub=1, integer=True) for _ in range(n_steps)]
x6 = [m.Var(value=0, lb=0, ub=1, integer=True) for _ in range(n_steps)]
x7 = [m.Var(value=1, lb=0, ub=1, integer=True) for _ in range(n_steps)]

# 定义每个时间步的中间变量与目标项
total_vol_list = []
for i in range(n_steps):
    neg_ln = m.Intermediate(-m.log(x1[i]/sp[i]))
    vol1 = m.Intermediate(co1 + base[i] + (neg_ln * co_ln))
    vol2 = m.Intermediate(co2 + base[i] + (neg_ln * co_ln))
    vol3 = m.Intermediate(co3 + base[i] + (neg_ln * co_ln))
    vol4 = m.Intermediate(base[i] + (neg_ln * co_ln))
    
    total_vol = m.Intermediate((
        m.max2(0, base[i]*(m.exp(vol1)-1)) * x3[i] +
        m.max2(0, base[i]*(m.exp(vol2)-1)) * x4[i] +
        m.max2(0, base[i]*(m.exp(vol3)-1)) * x5[i] +
        m.max2(0, base[i]*(m.exp(vol4)-1)) * x6[i] + base[i]
    ) * x7[i])
    total_vol_list.append(total_vol)

# 约束条件
for i in range(n_steps):
    m.Equation(x3[i] + x4[i] + x5[i] + x6[i] == 1)  # 互斥选择约束
    m.Equation(x1[i] >= min_price)
    m.Equation(x1[i] <= max_price)

# x7总触发次数≤5的全局约束
m.Equation(m.sum(x7) <= 5)

# 最大化总容积
m.Maximize(m.sum(total_vol_list))

# 求解模型
try:
    m.solve(disp=True)
    # 输出结果示例
    print("x1最优值：", [x.value[0] for x in x1])
    print("x7触发次数：", sum([x.value[0] for x in x7]))
except Exception as e:
    print(f"求解错误：{str(e)}")

关键修正说明 #

1. 变量数组化：将所有时间步相关变量（x1-x7、sp、base）定义为长度42的列表，对应每个时间步的变量/参数
2. sum函数正确使用：用m.sum(x7)计算所有时间步x7的总和，满足触发次数≤5的约束
3. 避免关键字冲突：将min、max重命名为min_price、max_price，避免与Python内置关键字冲突
4. 整数变量简化：直接在定义x3-x7时添加integer=True参数，无需额外定义z变量重复绑定
5. 补全缺失变量：定义了co2、co3等缺失参数，将每个时间步的total_vol存入列表，最终求和作为目标函数

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