JuMP中匹配多元组构建目标函数的索引错误与性能优化问题

错误根源分析 #

你遇到的无效索引错误，本质是字典键类型不匹配：

• 变量flows的索引是三元组(origin_node, destination_node, coal_group)（来自flowslist）
• 但成本字典total_cash_cost_ex_transp的键是二元组(origin, destination)
  直接用三元组(i,j,k)去查询这个字典，自然会触发KeyError，因为字典中不存在这类键。

修正目标函数索引匹配 #

基础修正写法 #

直接遍历flowslist中的每个三元组，提取前两个元素作为成本字典的键，对应到变量和成本的乘积求和：

@objective(model, Min, sum(flows[i,j,k] * total_cash_cost_ex_transp[(i,j)] for (i,j,k) in flowslist))

大数据量高效写法 #

针对499572行的规模，用dot乘积替代循环求和，性能提升更明显：

1. 预计算每个变量对应的成本值，生成向量
2. 直接创建与flowslist一一对应的变量集合
3. 用dot实现目标函数的向量乘积

# 预计算成本向量：每个flowslist元素对应一个成本值
cost_vector = [total_cash_cost_ex_transp[(i,j)] for (i,j,k) in flowslist]

# 仅创建flowslist中存在的变量，避免冗余
flows_vars = @variable(model, [idx in flowslist], base_name="flows", lower_bound=0)

# 用dot实现高效的目标函数求和
@objective(model, Min, dot(cost_vector, flows_vars))

大数据量性能优化要点 #

1. 选择高效求解器 #

放弃Cbc这类适合小规模问题的求解器，改用：

• 商业求解器：Gurobi、CPLEX（性能最优）
• 开源高性能求解器：HiGHS（比Cbc快数倍，支持大规模线性规划）

2. 优化约束构造 #

原PuLP的约束逻辑转JuMP时，避免每次循环都过滤flowslist，提前分组预处理：

# 预处理：按起点分组，提前整理每个起点对应的(终点,煤种)组合
origin_flow_groups = Dict(
    i => [(j,k) for (i_, j, k) in flowslist if i_ == i]
    for i in unique(first.(flowslist))
)

# 构造供应约束
for i in keys(origin_flow_groups)
    @constraint(model, sum(flows_vars[(i,j,k)] for (j,k) in origin_flow_groups[i]) <= supply[i])
end

3. 减少冗余变量 #

不要创建所有(origin, dest, coal_group)的笛卡尔积变量，只保留flowslist中实际存在的组合——这能大幅减少模型的变量数量，降低求解器的内存占用和计算时间。

验证修正效果 #

修正后，目标函数不再用三元组查询成本字典，索引匹配问题解决；同时通过预计算和高效求解器，能有效处理近50万行的大规模数据，解决原PuLP的性能瓶颈。

内容的提问来源于stack exchange，提问作者Alex Turnbull