Pyomo整数变量约束优化：约束修正与整数性约束构建问询

问题背景 #

我需要寻找最优的批量大小（a）与生产批次（x）组合，目标是最小化总产出值（x*a），同时满足两种物料的最低生产要求。已知当前数据下问题可能不可行，但要避免人为建模错误导致求解器返回不可行结果。

用IPOPT求解原代码得到了非整数的可行结果：

最优批次数量(x)：0.9999999903937844
最优批量大小(a)：6.363636302503406
最优总产出：6.3636362413729435

但x和a必须为整数，需解决两个核心问题：

1. 如何修正现有约束（Pyomo不接受返回布尔值的约束）？
2. 如何构建约束确保0.2a和0.8a为整数？

问题1：修正现有约束的错误 #

原代码中约束使用value(model.x)生成求和范围，这是典型建模错误——value()会在建模阶段取变量的初始化值，而非求解阶段的实际变量值，导致约束逻辑完全失效。

正确做法是将求和公式转化为数学表达式：
sum(i for i in 1..x) 的数学等价式为 x*(x+1)/2，因此两种物料的产量约束可改写为：

• 第一种物料：0.2*a*x*(x+1)/2 >= 70
• 第二种物料：0.8*a*x*(x+1)/2 >= 90

这种连续数学表达式符合Pyomo建模规范，无需依赖变量实时值。

问题2：确保0.2a和0.8a为整数的约束 #

0.2a为整数等价于a是5的倍数（因为0.2=1/5，即a=5k，k为非负整数），此时0.8a=4k必然也是整数。因此只需约束a为5的倍数即可。

Pyomo不支持直接使用a % 5 == 0这类布尔约束，需通过辅助整数变量实现：

1. 引入整数变量k，范围设为1到4（对应a的上下限5到20）
2. 添加约束a = 5*k

修正后的完整代码 #

from pyomo.environ import *

model = ConcreteModel()

# 定义变量：x为批次数量，k为辅助变量（约束a为5的倍数），a为批量大小
model.x = Var(name="Number of batches", domain=NonNegativeIntegers, initialize=10)
model.k = Var(name="Batch size multiplier", domain=NonNegativeIntegers, bounds=(1, 4))
model.a = Var(name="Batch Size", domain=NonNegativeIntegers, bounds=(5, 20))

# 目标函数：最小化总产出x*a
def total_production(model):
    return model.x * model.a
model.total_production = Objective(rule=total_production, sense=minimize)

# 约束：a必须是5的倍数
def batch_size_multiple_rule(model):
    return model.a == 5 * model.k
model.batch_size_constraint = Constraint(rule=batch_size_multiple_rule)

# 第一种物料最低产量约束
def first_material_constraint_rule(model):
    return 0.2 * model.a * model.x * (model.x + 1) / 2 >= 70
model.first_material_constraint = Constraint(rule=first_material_constraint_rule)

# 第二种物料最低产量约束
def second_material_constraint_rule(model):
    return 0.8 * model.a * model.x * (model.x + 1) / 2 >= 90
model.second_material_constraint = Constraint(rule=second_material_constraint_rule)

# 至少生产1批次
def min_production_rule(model):
    return model.x >= 1
model.min_production = Constraint(rule=min_production_rule)

# 选择支持整数规划的求解器（IPOPT仅支持连续优化）
solver = SolverFactory('cbc')
result = solver.solve(model)

# 输出结果
print(f"最优批次数量(x)：{value(model.x)}")
print(f"最优批量大小(a)：{value(model.a)}")
print(f"最优总产出：{value(model.total_production)}")

关键提示 #

• IPOPT是连续优化求解器，不适合整数规划问题，建议使用CBC、Gurobi或CPLEX等支持整数规划的求解器。
• 修正约束后，求解器会准确判断问题是否可行，避免因建模错误导致的误判。

内容的提问来源于stack exchange，提问作者PWillms