Pyomo循环调用求解器结果一致，单次运行结果存差异的问题求助

1. 彻底重置模型状态 #

循环内求解后，Pyomo模型会保留变量当前值、求解器状态等信息，可能导致下一次求解以上次结果为初始点，从而得到相同解。需在每次求解前强制重置：

• 遍历所有变量，清除初始值：

  for var in model.component_objects(pyo.Var, active=True):
      for idx in var:
          var[idx].set_value(None)
  

• 若使用了松弛变量、辅助变量，需同步重置；也可将模型创建逻辑完全放在循环内部，确保每次求解都基于全新的模型实例。

2. 规避求解器内部状态残留 #

部分求解器（如Bonmin、Ipopt）的Pyomo接口可能缓存内部状态，即使创建新的SolverFactory实例也无法完全隔离。可尝试：

• 直接调用求解器的命令行版本，通过subprocess实现完全独立的求解进程：

  import subprocess
  # 导出模型为.nl文件
  pyo.write(model, 'temp_model.nl', format='nl')
  # 调用Bonmin求解，随机种子随循环更改
  seed = random.randint(1, 10000)
  subprocess.run([
      'bonmin', '--bonmin.random_seed', str(seed),
      '--bonmin.deterministic', 'no', 'temp_model.nl'
  ])
  # 读取结果到模型
  pyo.read(model, 'temp_model.sol')
  

• 每次创建求解器实例时，显式重置所有参数，避免继承缓存值。

3. 确保随机种子参数正确配置 #

不同求解器的随机种子参数名差异较大，需精准设置：

• Bonmin：设置bonmin.random_seed并关闭确定性模式

  solver = pyo.SolverFactory('bonmin')
  solver.options['bonmin.random_seed'] = random.randint(1, 10000)
  solver.options['bonmin.deterministic'] = 'no'
  

• Cbc：启用随机化并设置种子

  solver = pyo.SolverFactory('cbc')
  solver.options['randomSeed'] = random.randint(1, 10000)
  solver.options['randomize'] = 'true'
  

• Ipopt：本身是确定性NLP求解器，若用于MINLP分支定界的子问题，需配合上层求解器（如Bonmin）设置随机参数。

4. 调整求解器搜索策略 #

若模型存在多个最优解或可行解，循环内求解可能因搜索策略一致导致结果重复：

• 对Bonmin，尝试切换启发式算法：solver.options['bonmin.algorithm'] = 'B-BB'（分支定界）或'B-OA'（外近似）
• 设置bonmin.num_resolve_at_root参数，让求解器在根节点尝试多个初始点：solver.options['bonmin.num_resolve_at_root'] = 5
• 对Cbc，调整strategy参数（如'1'为默认，'2'为强分支），增加搜索多样性。

5. 检查求解终止条件 #

循环内求解可能因上次解已满足最优性 tolerance 提前终止，需：

• 打印每次求解的终止状态，确认是否为预期的搜索完成：

  result = solver.solve(model, tee=True)
  print(result.solver.termination_condition)
  

• 适当调小最优性 tolerance（如bonmin.optimality_tolerance = 1e-7），迫使求解器进行更充分的搜索。

内容的提问来源于stack exchange，提问作者djo