Pyomo运输问题优化：二进制变量x与Q关联异常排查

核心错误点 #

1. 约束7逻辑失效：Pyomo建模阶段，变量的.value属性仅为初始值（此处Q初始为0），并非求解过程中的动态取值。用Q[i,j].value !=0构建约束，会导致所有约束被固定为x[i,j]==0，无法在求解时关联Q和x的实际取值，相当于无约束限制x。
2. 目标函数计算错误：同样依赖变量.value做条件判断，导致x的边使用成本在建模阶段被判定为0（x初始为0），求解器无法感知x的成本惩罚，因此随意设置x的值（如全为1）。

修正方案 #

1. 用大M法重构约束7

要实现"Q[i,j]>0时x[i,j]=1，x[i,j]=0时Q[i,j]=0"的逻辑，需用线性约束关联变量：

• 定义大M为Q的最大可能取值（如所有节点的总输入量，确保覆盖所有合法流量）
• 添加约束Q[i,j] ≤ M * x[i,j]：当Q>0时，x必须为1；当x=0时，Q必须为0。

2. 修正目标函数

移除基于.value的条件判断，直接用变量构建线性目标函数：Q的运输成本和x的边使用成本会自动根据变量取值计算，无需额外判断。

修正后的关键代码片段 #

计算大M

# 取总输入量作为Q的最大可能值
M = sum(d["IN"].values)

修正目标函数

def obj_rule(model):
    TCC = sum(d["OpexC"][i] * model.IN[i] for i in model.nodes)
    # 直接用变量计算成本，无需条件判断
    TTC = sum(model.Q[i,j] * distance[i,j] for (i,j) in model.edges) + sum(distance[i,j] * 4 * model.x[i,j] for (i,j) in model.edges)
    TSC = sum(d["OpexS"][i] * model.OUT[i] for i in model.nodes)
    return TCC + TTC + TSC
model.Objf = pe.Objective(rule=obj_rule, sense=pe.minimize)

修正约束7

def constraint7(model, i, j):
    return model.Q[i,j] <= M * model.x[i,j]
model.Const7 = pe.Constraint(model.edges, rule=constraint7)

额外说明 #

• 原约束2sum(IN) >= sum(d["IN"])结合约束1IN[i] <= d["IN"][i]，会强制IN[i] = d["IN"][i]，若不符合预期需调整约束2逻辑。
• 大M取值要合理，过大可能导致求解器数值不稳定，过小会限制合法流量，建议取总输入/输出量的1.2倍左右。

内容的提问来源于stack exchange，提问作者Matteo