在Gekko中使用sos1与Lookup表求解优化最大值时遇局部最优问题

优化器需要从离散选项（0-5）中选择合适值以最大化目标函数，选项与对应值通过Lookup表关联。以下是简化示例：

数据 #

x_data = np.array([0, 1, 2, 3, 4, 5])
y_data = np.array([1000,2000,9000,4500,5000,900])
z_data = np.array([15,13,12,17,11,10])

我尝试用cspline函数建立离散选择变量x（定义为sos1类型）与因变量y、z的关系，代码如下：

from gekko import GEKKO
import numpy as np

# 定义数据点
x_data = np.array([0, 1, 2, 3, 4, 5])
y_data = np.array([1000,2000,9000,4500,5000,900])
z_data = np.array([15,13,12,17,11,10])

# 创建模型与变量
m = GEKKO()
x = m.sos1(x_data)
y,z = m.Array(m.Var,2)
m.cspline(x, y, x_data, y_data)
m.cspline(x, z, x_data, z_data)

# 定义目标函数并求解
m.Maximize(y*z)
m.options.SOLVER = 1
m.solve(disp=True)

# 打印结果
print(f'x: {x.value[0]}, y: {y.value[0]}, z: {z.value[0]}')
print('Objective:', y.value[0]*z.value[0])
print(y_data*z_data)

但求解得到了错误结果（疑似局部最优）：

x: 0.0, y: 1000.0, z: 15.0
Objective: 15000.0

推测是三次样条导致的局部最优问题，请问有什么方法可以找到该合成函数的全局最大值？

针对这个离散选择优化问题，三次样条插值反而会引入不必要的连续插值区域，增加局部最优的概率。以下是几种更直接有效的解决方法：

方法1：直接映射离散值（推荐） #

既然x是离散选项，直接用二进制变量建立x与y、z的映射关系，完全避免插值带来的问题：

from gekko import GEKKO
import numpy as np

x_data = np.array([0, 1, 2, 3, 4, 5])
y_data = np.array([1000,2000,9000,4500,5000,900])
z_data = np.array([15,13,12,17,11,10])

m = GEKKO()
# 定义6个二进制选择变量，每个变量对应一个x选项
b = m.Array(m.Var, 6, lb=0, ub=1, integer=True)
m.Equation(sum(b) == 1)  # 约束：仅选择一个选项

# 通过二进制变量映射得到选中的x、y、z值
x = m.sum([b[i] * x_data[i] for i in range(6)])
y = m.sum([b[i] * y_data[i] for i in range(6)])
z = m.sum([b[i] * z_data[i] for i in range(6)])

# 最大化目标函数
m.Maximize(y * z)
m.options.SOLVER = 1  # 使用APOPT整数规划求解器
m.solve(disp=True)

# 输出最优结果
selected_idx = np.argmax([bi.value[0] for bi in b])
print(f'x: {x_data[selected_idx]}, y: {y_data[selected_idx]}, z: {z_data[selected_idx]}')
print('Objective:', y_data[selected_idx] * z_data[selected_idx])

这种方法直接针对离散选项建模，求解结果准确，不会出现局部最优问题。

方法2：启用全局优化模式 #

如果坚持使用样条插值，可以通过配置APOPT求解器的全局优化选项来提升找到全局最优的概率：

# 在原代码基础上修改求解器设置
m.options.SOLVER = 1
# 配置APOPT全局优化参数
m.solver_options = ['minlp_gap_tol 1.0e-5',
                    'minlp_maximum_iterations 1000',
                    'minlp_max_iter_with_int_sol 100',
                    'minlp_branch_method 1',
                    'minlp_integer_tol 1.0e-5']

不过这种方法仍受插值函数形状影响，可靠性不如直接映射。

方法3：枚举所有离散选项 #

由于选项仅6个，最简单高效的方式是直接遍历所有可能的x值，计算对应目标值后取最大值：

# 计算所有选项的目标值
objective_values = y_data * z_data
# 找到最大值对应的索引
max_idx = np.argmax(objective_values)
# 输出结果
print(f'最优x: {x_data[max_idx]}, 目标值: {objective_values[max_idx]}')

这种方法适用于选项数量少的场景，结果绝对准确，无需调用优化求解器。

内容的提问来源于Stack Exchange，提问作者TexasEngineer