Pyomo中如何根据输入N动态创建LP问题的变量与约束？

以下是适配任意参数N的Pyomo线性规划代码，核心是利用Pyomo的quicksum和动态约束生成能力，实现变量、目标函数、约束随N自动调整：

完整可运行代码 #

import pyomo.environ as pyo
from pyomo.environ import NonNegativeReals, SolverFactory

def build_and_solve_lp(N, obj_coeffs, constraint_matrix, rhs_values):
    # 初始化模型
    model = pyo.ConcreteModel()
    
    # 动态创建N个非负变量：b[0] ~ b[N-1]
    model.b = pyo.Var(range(N), domain=NonNegativeReals)
    
    # 动态生成目标函数（示例为最大化，可改为minimize）
    model.objective = pyo.Objective(
        expr=pyo.quicksum(obj_coeffs[i] * model.b[i] for i in range(N)),
        sense=pyo.maximize
    )
    
    # 方式1：用ConstraintList动态添加约束（适合约束数量不固定的场景）
    model.constraints = pyo.ConstraintList()
    for row_idx in range(len(rhs_values)):
        model.constraints.add(
            expr=pyo.quicksum(constraint_matrix[row_idx][i] * model.b[i] for i in range(N)) <= rhs_values[row_idx]
        )
    
    # 方式2：用rule生成有规律的约束（示例：每个变量的上界约束）
    # upper_bounds = [20 for _ in range(N)]
    # model.var_upper_bound = pyo.Constraint(
    #     range(N),
    #     rule=lambda m, i: m.b[i] <= upper_bounds[i]
    # )
    
    # 调用求解器（这里用GLPK，可替换为CPLEX/Gurobi等）
    solver = SolverFactory('glpk')
    solve_result = solver.solve(model)
    
    # 输出结果
    print(f"求解状态: {solve_result.solver.status}")
    print(f"最优目标值: {pyo.value(model.objective)}")
    print("变量最优解:")
    for i in range(N):
        print(f"b[{i}] = {round(pyo.value(model.b[i]), 4)}")
    
    return model

# 示例调用：自定义N和系数
if __name__ == "__main__":
    # 可随意修改N的值
    N = 5
    
    # 目标函数系数（长度必须等于N）
    obj_coeffs = [3, 2, 5, 4, 1]
    
    # 约束矩阵（每行对应一个约束，每行长度等于N）
    constraint_matrix = [
        [1, 2, 1, 0, 0],
        [0, 1, 2, 1, 0],
        [0, 0, 1, 2, 1]
    ]
    
    # 约束右侧值（长度等于约束矩阵的行数）
    rhs_values = [10, 15, 12]
    
    build_and_solve_lp(N, obj_coeffs, constraint_matrix, rhs_values)

关键动态适配点说明 #

1. 变量生成：通过range(N)作为变量索引，直接生成N个变量，索引从0到N-1，遍历操作更方便。
2. 目标函数：使用pyo.quicksum替代Python内置sum，Pyomo对quicksum的解析效率更高，尤其适合大规模变量场景。
3. 约束生成：
   • ConstraintList()：循环添加每个约束表达式，适合约束数量和规则不固定的情况。
   • 带rule的Constraint：针对有统一规律的约束（比如变量上下界、对称约束），用lambda函数动态生成每个约束的表达式。
4. 系数适配：将目标系数、约束矩阵、右侧值作为函数参数传入，可根据N动态生成（比如随机生成、从文件读取）。

注意事项 #

• 确保求解器已安装：GLPK可通过pip install pyomo[glpk]或conda install -c conda-forge glpk安装；若使用商业求解器（CPLEX/Gurobi），需单独安装对应软件和Pyomo接口。
• 若需最小化目标，将sense=pyo.maximize改为sense=pyo.minimize即可。
• 变量域可按需修改：比如整数变量用NonNegativeIntegers，实数变量用Reals等。

内容的提问来源于stack exchange，提问作者cirogalvao