Gekko求解复杂MINLP任务调度模型性能优化问询

• 求解一个MINLP模型，用于给不同日程的人员分配任务，需根据可用时间限制每人每个日程的最大任务数。
• 模型索引：i=人员，z=日程，j=任务，a=任务执行顺序。
• 目标函数包含四类成本：
  • 任务耗时超计划成本
  • 任务耗时不足计划成本
  • 后续任务延迟成本
  • 人员空闲时间成本
• 决策变量：
  • TC：各任务的执行时长（同一任务对所有人员时长一致）
  • C：任务是否按指定顺序执行的0-1变量（部分日程可执行多任务）
• 问题：小规模数据集求解需10分钟，但较大数据集超出140分钟时限，需支持更大规模数据；已尝试简化模型、调整Gekko参数，不确定是模型定义（数学/概念层面）问题，还是有其他性能优化方法。

当前尝试代码 #

tc_var = {}
for index in index_f_a:
    tc_var[index] = m.Var(value=25, name='tc_var_{}'.format(index), lb=15, ub=45, integer=False)

s_var = {}
for index in index_f_h:
     s_var[index] = m.Var()

for i, z in index_f_h:
    m.Equation(tmd[(i, z)]*0.8 + s_var[(i, z)] == np.sum([index_a_v[(i, z)][-1][1]*tc_var[(i, j)] for j in list(set([x[0] for x in index_a_v[(i, z)]]))]) )
    m.Equation(s_var[(i, z)] >= 0)

def k1(i, z, j, a):
    a_dif = tce[(i, z, j, a)] - tc_var[(i, j)].VALUE
    return a_dif if a_dif > 0 else 0

def k2(i, z, j, a):
    a_dif = tc_var[(i, j)].VALUE - tce[(i, z, j, a)]
    return a_dif if a_dif > 0 else 0

def k3(i, z, j, a):
    a_dif = np.sum([tce[(i, z, j, a2)] for a2 in index_f_h_a_v1[i, z, j]]) - (a-1)*tc_var[(i, j)].VALUE 
    return a_dif if a_dif > 0 else 0

def k4(i, z):
    a_dif = tmd[(i, z)] - np.sum([index_a_v[(i, z)][-1][1]*tc_var[(i, j)].VALUE for j in list(set([x[0] for x in index_a_v[(i, z)]]))])
    return a_dif if a_dif > 0 else 0


m.Minimize(m.sum([k1(i, z, j, a)*KCA 
              + k2(i, z, j, a)*KCI 
              + k3(i, z, j, a)*KME 
              for i, z, j, a in index_f_h_a_v])
       + m.sum([k4(i, z) for i, z in index_f_h]) * KI 
            )

m.options.MAX_TIME=600 
m.options.MAX_ITER=5000
m.options.REDUCE=3

m.solver_options = ['minlp_gap_tol 1.0e-2',
                'minlp_branch_method 1',
                'minlp_max_iter_with_int_sol 500']

最终修正方案 #

代码核心问题是错误使用决策变量的.VALUE属性：在Gekko中，.VALUE仅代表变量的初始值或求解后的结果，求解过程中不能用它构建模型逻辑表达式，否则会导致求解器无法正确解析模型，既影响结果正确性，也会大幅降低求解性能。

需用Gekko内置的m.max2()函数替代Python原生条件判断，将非线性逻辑转化为求解器可处理的数学表达式，修正后的成本函数示例如下：

def k1(i, z, j, a):
    return m.max2(tce[(i, z, j, a)] - tc_var[(i, j)], 0)

def k2(i, z, j, a):
    return m.max2(tc_var[(i, j)] - tce[(i, z, j, a)], 0)

def k3(i, z, j, a):
    sum_tce = np.sum([tce[(i, z, j, a2)] for a2 in index_f_h_a_v1[i, z, j]])
    return m.max2(sum_tce - (a-1)*tc_var[(i, j)], 0)

def k4(i, z):
    sum_tc = np.sum([index_a_v[(i, z)][-1][1]*tc_var[(i, j)] for j in list(set([x[0] for x in index_a_v[(i, z)]]))])
    return m.max2(tmd[(i, z)] - sum_tc, 0)

额外优化手段（针对大规模数据集）：

• 精简变量与约束：排查冗余变量或可合并的约束，对重复求和逻辑预计算中间变量。
• 调优求解器参数：
  • 适当调大minlp_gap_tol（如1e-2至1e-1），在可接受精度范围内减少求解时间。
  • 尝试不同minlp_branch_method（0=深度优先，1=广度优先），匹配问题特性选择分支策略。
• 优化初始值：给决策变量设置更贴近最优解的初始值，帮助求解器快速收敛。
• 线性化处理：将可转化的非线性逻辑改为线性约束，降低求解计算负担。

内容的提问来源于stack exchange，提问作者Rita s