Pyomo中基于起始变量关联调度变量的线性约束语法实现求助

背景与问题 #

之前采用@Airsquid的方案已实现问题的正确求解，但在能源供应量远小于请求数的场景下，求解时长过长。已添加早停设置：

solver.options = { 'sec': 600,  'threads':6, 'ratio': 5} #early stopping settings

但希望通过重构代码进一步优化。

根据@Airsquid在参考资料[2]中的建议：可通过start变量确定请求的运行状态，无需额外辅助变量，仅需跟踪每个请求的功率分配变量。本人作为线性规划及Pyomo新手，在语法实现上遇到困难。

尝试的方法及问题 #

方法1 #

尝试定义当m.start[t,r] == 1时，m.dispatch[t,r]在对应时长内等于请求功率，编写的约束代码如下：

@m.Constraint(m.windows_flat)
def request_length(m, t, r):
    request_length_periods = int(m.duration_periods[r])
    request_periods = set(list(range(t,t+request_length_periods+1)))
    return (m.dispatch[t,r] == m.request_power_size[r] for t in request_periods if m.start[t,r] == 1)

运行后报错：

ERROR: Rule failed when generating expression for Constraint request_length
with index (910192, 88): ValueError: Constraint 'request_length[910192,88]'
does not have a proper value. Found '<generator object
generalOptimisation.<locals>.request_length.<locals>.<genexpr> at
0x168022b20>' Expecting a tuple or relational expression. Examples:
       sum(model.costs) == model.income (0, model.price[item], 50)
ERROR: Constructing component 'request_length' from data=None failed:
ValueError: Constraint 'request_length[910192,88]' does not have a proper
value. Found '<generator object

已知request_periods的定义方式不正确，但不知如何在未知m.start[t,r] == 1时机的前提下正确定义该集合。

方法2 #

尝试用m.start[t,r] *(m.dispatch[t,r]...m.dispatch[t+request_length_periods,r]) == 1，但不清楚Pyomo语法，且该方式会导致问题非线性。

解决方案 #

线性约束实现（符合@Airsquid建议） #

要通过start变量线性约束dispatch的取值，需拆解为两个核心约束：

1. 请求启动互斥约束：确保每个请求最多被启动一次

@m.Constraint(m.R)
def single_start_per_request(m, r):
    duration = int(m.duration_periods[r])
    # 筛选请求r所有合法的启动时段（启动后能完整运行整个时长）
    valid_starts = [t for t in m.T if t + duration <= m.T[-1] + 1]
    return sum(m.start[t, r] for t in valid_starts) <= 1

2. 启动后的功率锁定约束：当请求在t时段启动时，后续duration个时段的dispatch必须等于请求功率。采用线性的大M法实现：

@m.Constraint(m.T, m.R)
def dispatch_lock_after_start(m, t_prime, r):
    duration = int(m.duration_periods[r])
    # 找到所有能覆盖当前时段t'的合法启动时段
    valid_starts = [t for t in m.T if t <= t_prime < t + duration]
    # 设置足够大的M值（建议取请求功率最大值的2倍）
    M = max(m.request_power_size[r] for r in m.R) * 2

    if not valid_starts:
        # 若当前时段不在任何请求的运行窗口内，dispatch必须为0（可根据业务需求调整）
        return m.dispatch[t_prime, r] == 0
    else:
        # 线性约束：当任意一个valid_start的start变量为1时，dispatch必须等于请求功率
        return (
            m.dispatch[t_prime, r] >= m.request_power_size[r] - M * (1 - sum(m.start[t, r] for t in valid_starts)),
            m.dispatch[t_prime, r] <= m.request_power_size[r] + M * (1 - sum(m.start[t, r] for t in valid_starts))
        )

早停参数优化建议 #

• sec：当前设置600秒（10分钟），大规模问题可先测试缩短到300秒，观察解的质量；若质量下降明显再逐步延长。
• threads：设置为CPU核心数的70%-80%（如8核CPU设为6是合理的），避免线程竞争拖慢效率。
• ratio：当前设置5（找到比最优解差5%以内的解就停止），对精度要求不高可提高到10以缩短时间；要求高精度则降低到2-3，但会增加求解时长。

内容的提问来源于stack exchange，提问作者user23390596