含二进制变量的约束导致PySCIPOpt求解器异常问题求助

看起来你遇到的问题主要来自非线性约束的处理和大M值的数值稳定性两个方面，我们一步步拆解解决：

问题根源分析 #

你的三个约束中，约束(2)和(3)都包含二进制变量INDICATOR与连续变量（sum(a)/sum(b)）的乘积，属于二次约束。虽然SCIP支持非线性MIP，但默认配置下可能对这类约束的处理不够友好，尤其是当三个约束组合时，会触发求解器的数值异常或兼容性问题。此外，你使用的BIG_NUM=1e15过大，容易导致求解器的精度丢失，进而出现约束违反或无解的反常情况。

另外，从约束逻辑来看，你想实现的应该是：

• 当INDICATOR=1（净卖出状态）：买入总金额sum(a)受换手率限制，卖出总金额sum(b)无限制，且买入≤卖出；
• 当INDICATOR=0（净买入状态）：卖出总金额sum(b)受换手率限制，买入总金额sum(a)无限制，且买入可以大于卖出。

但当前的约束(1)在INDICATOR=0时几乎没有限制（sum(a)-sum(b) ≤ 1e15），这也可能导致其他未展示的约束被违反。

具体解决方案 #

1. 将非线性约束线性化 #

二进制变量乘连续变量的约束可以转化为等价的线性约束，完全避免非线性问题，这是MIP中处理这类逻辑的标准做法：

替换约束(2)

原约束：INDICATOR * sum(a) ≤ turnover_max * initial_holdings
线性化后：

sum_a = quicksum(a[i] for i in range(num_bonds))
initial_holdings = quicksum(p_bid[i] * x_old[i] for i in range(num_bonds))
# 当INDICATOR=1时，sum_a ≤ turnover_max*initial_holdings；当INDICATOR=0时，sum_a无上限
model.addCons(sum_a <= turnover_max * initial_holdings + BIG_NUM * (1 - INDICATOR))

替换约束(3)

原约束：sum(b) ≤ turnover_max * initial_holdings + INDICATOR * sum(b)
整理后等价于(1-INDICATOR)*sum(b) ≤ turnover_max*initial_holdings，线性化后：

sum_b = quicksum(b[i] for i in range(num_bonds))
# 当INDICATOR=0时，sum_b ≤ turnover_max*initial_holdings；当INDICATOR=1时，sum_b无上限
model.addCons(sum_b <= turnover_max * initial_holdings + BIG_NUM * INDICATOR)

2. 调整大M值的大小 #

1e15过大，建议根据实际问题的规模设置合理的M值：

• 计算sum(a)和sum(b)的理论最大值（比如所有债券全部买入/卖出的金额），然后取这个最大值的1.1~2倍作为BIG_NUM，比如：

# 计算理论最大可能的sum(a)或sum(b)
max_possible = max(p_ask[i] * x_old[i] for i in range(num_bonds)) * num_bonds
BIG_NUM = max_possible * 2

这样既能保证约束的有效性，又能避免数值精度问题。

3. 优化约束(1)的逻辑 #

原约束(1)在INDICATOR=0时几乎没有限制，如果你想在净买入状态下也有合理的约束（或者明确区分两种状态），可以调整为：

# 当INDICATOR=1时，sum(a) ≤ sum(b)（净卖出）；当INDICATOR=0时，sum(b) ≤ sum(a)（净买入）
model.addCons(sum_a <= sum_b + BIG_NUM * (1 - INDICATOR))
model.addCons(sum_b <= sum_a + BIG_NUM * INDICATOR)

这样通过两个线性约束明确区分净买入和净卖出两种状态，逻辑更清晰。

4. 启用SCIP的非线性处理参数（可选） #

如果你坚持使用原非线性约束，可以尝试设置SCIP的参数来启用非线性MIP支持：

model.setParam("misc/allowstrongdualreds", False)
model.setParam("nlp/allowdualreds", False)
model.setParam("presolving/maxrounds", 0)  # 关闭预求解，避免非线性约束被误处理

不过这种方法不如线性化可靠，优先推荐线性化方案。

完整修改后的代码片段 #

# Create Variables
a, b, x, y = {}, {}, {}, {}
# 计算合理的BIG_NUM
max_possible_trade = max(p_ask[i] * x_old[i] for i in range(num_bonds)) * num_bonds
BIG_NUM = max_possible_trade * 2
for i in range(num_bonds):
    x[i] = model.addVar(lb=0, ub=None, vtype="C", name=f"x{i}")
    a[i] = model.addVar(lb=0, ub=None, vtype="C", name=f"a{i}")
    b[i] = model.addVar(lb=0, ub=None, vtype="C", name=f"b{i}")
for t in range(num_periods):
    y[t] = model.addVar(lb=0, vtype="C", name=f"y{t}")

for i in range(num_bonds):
    # Buy Trades
    model.addCons(a[i] >= p_ask[i] * (x[i] - x_old[i]))
    # Sell Trades
    model.addCons(b[i] >= p_bid[i] * (x_old[i] - x[i]))

# 定义求和变量简化代码
sum_a = quicksum(a[i] for i in range(num_bonds))
sum_b = quicksum(b[i] for i in range(num_bonds))
initial_holdings = quicksum(p_bid[i] * x_old[i] for i in range(num_bonds))

# 替换后的约束
INDICATOR = model.addVar(vtype="B", name=f"INDICATOR")
# 约束1：区分净买入/净卖出状态
model.addCons(sum_a <= sum_b + BIG_NUM * (1 - INDICATOR))
model.addCons(sum_b <= sum_a + BIG_NUM * INDICATOR)
# 约束2：净卖出时买入金额受限
model.addCons(sum_a <= turnover_max * initial_holdings + BIG_NUM * (1 - INDICATOR))
# 约束3：净买入时卖出金额受限
model.addCons(sum_b <= turnover_max * initial_holdings + BIG_NUM * INDICATOR)

这样修改后，所有约束都是线性的，大M值更合理，应该能解决报错和约束违反的问题。

内容的提问来源于stack exchange，提问作者Winsor-Mavis