使用Pyomo与MindtPy求解MINLP时遇KeyError问题求助

使用Pyomo结合MindtPy求解混合整数非线性规划（MINLP）模型时，触发以下错误：

Error in py_call_impl(callable, call_args$unnamed, call_args$named) :
KeyError: "Index 'slice(None, None, None)' is not valid for indexed component 'MindtPy_utils.objective_value'"

模型参数通过R的reticulate工具传入，Ipopt可正常输出非整数解，但MindtPy求解整数解时报错，相关代码见下文。

1. 升级Pyomo与MindtPy至最新稳定版 #

该错误多由旧版本MindtPy对复杂目标函数的索引处理bug导致，执行以下命令完成升级：

pip install --upgrade pyomo mindtpy

2. 重构目标函数，拆分复杂嵌套逻辑 #

原目标函数嵌套prod与log运算，且直接在目标规则中生成迭代项，可能导致MindtPy无法正确识别组件索引。可通过引入辅助变量拆分计算逻辑：

3. 调整MindtPy求解器选项 #

尝试指定求解策略或开启变量边界计算，帮助求解器更好适配模型：

opt = SolverFactory('mindtpy')
results = opt.solve(
    M,
    mip_solver='cplex',
    nlp_solver='ipopt',
    strategy='OA',  # OA为默认策略，稳定性较强
    calc_var_bound=True,  # 收紧变量边界，提升求解效率
    tee=True
)

import pandas as pd
import random as r
import numpy as np
import glpk
from pyomo.environ import *
from amplpy import AMPL

def pyblock(pyp, pytau, pyr, pys):
    M = ConcreteModel()
    
    M.m = Set(initialize=list(range(int(len(pyp)))))
    M.e = Set(initialize=list(range(int(len(pyr)))))
    M.s = Set(initialize=list(range(int(pys))))
    
    M.r = Param(M.e, initialize=pyr)
    M.tau = Param(M.m, initialize=pytau)
    M.p = Param(M.m, M.e, M.s, initialize=0)
    
    M.n = Var(M.m, M.e, M.s, domain=NonNegativeIntegers, initialize=0)
    
    # 新增辅助变量存储prod计算结果
    M.prod_term = Var(M.m, domain=NonNegativeReals)
    def prod_term_rule(M, i):
        return M.prod_term[i] == prod((1 - pyp[i,j,k])**M.n[i,j,k] for j in M.e for k in M.s)
    M.prod_term_con = Constraint(M.m, rule=prod_term_rule)
    
    # 重构目标函数，简化计算层级
    def obj(M):
        return sum(-log(1 - M.prod_term[i]) for i in M.m)
    M.obj = Objective(rule=obj, sense=minimize)
    
    def fire_rate(M, j, k):
        return sum(M.n[i,j,k] for i in M.m) <= M.r[j]
    M.fire_rate = Constraint(M.e, M.s, rule=fire_rate)

    opt = SolverFactory('mindtpy')
    results = opt.solve(
        M,
        mip_solver='cplex',
        nlp_solver='ipopt',
        strategy='OA',
        calc_var_bound=True,
        tee=True
    )
    # results.write()
    
    return M.n.extract_values()

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