如何加速Gekko求解器优化大规模二次规划问题？

问题背景 #

该二次规划问题包含31440个变量b[k, n]，约束数量较少，但求解耗时过长。已尝试通过m = GEKKO(remote=False)在本地运行，并分别使用APOPT、IPOPT求解器，仍存在耗时久的问题。

原实现代码 #

GSP_G = ['_P']
for g in GSP_G:
    kk = len(emb_units[g])   
    nn = len(nodes[g])
    nodes_list = list(nodes[g])
    SP = range(1, Sett_time_period + 1)

    Met_Vol = {}
    for n in range(nn):
        for t in SP:
            Met_Vol[t, g, n] = Metered_Volume[t, g, nodes_list[n]]

    m = GEKKO()           # Initialize gekko  m = GEKKO(remote=False)
    m.options.SOLVER = 3  # APOPT is an MINLP solver = 1
                          # IPOPT is an MINLP solver = 3
    m.options.IMODE = 2
    m.options.DIAGLEVEL = 1

    # Variable
    b = m.Array(m.Var, (kk, nn), lb=0, ub=1)

    # Constraint
    for k in range(kk):
        m.Equation(sum(b[k, :]) == 1)

    # Define the objective function
    for n in range(nn):
        for t in SP:
            m.Obj(sum([(MV_total[t, g] - \
                  (sum(b[k, n] for k in range(kk)) \
                   * Met_Vol[t, g, n])) ** 2]))
    #m.open_folder()
    m.solve()  # Solve

加速求解建议 #

• 重构目标函数，减少重复计算：当前目标函数嵌套多层循环，会生成大量冗余表达式。可以先预计算sum(b[k,n] for k in range(kk))为中间变量x_n，再构建目标函数，避免重复求和：

  # 定义中间变量x_n = sum(b[k,n] for k in 0..kk-1)
  x = m.Array(m.Var, nn)
  for n in range(nn):
      m.Equation(x[n] == sum(b[k,n] for k in range(kk)))
  # 重构目标函数
  obj = 0
  for n in range(nn):
      for t in SP:
          obj += (MV_total[t,g] - x[n]*Met_Vol[t,g,n])**2
  m.Obj(obj)
  

  这种方式能大幅减少Gekko需要处理的表达式数量，降低求解器计算负担。

• 切换专门的二次规划求解器：IPOPT是通用非线性规划求解器，对于二次规划（QP）问题，可切换到Gekko支持的SOLVER=2（BPOPT，专为QP优化），或调用外部专业QP求解器（如OSQP、Gurobi），这类求解器在处理QP问题时效率远高于通用NLP求解器。

• 调整求解器参数：

  • 对IPOPT，设置m.options.MAX_ITER为合理值（如500或1000），避免无意义的迭代；若有近似初始解，开启m.options.WARM_START=1加速收敛。
  • 将DIAGLEVEL设为0，关闭诊断输出，减少IO开销。

• 优化变量与计算逻辑：利用约束sum(b[k,:])=1的特性，将二维变量(kk,nn)的定义和操作转换为矩阵形式，用Gekko的矩阵运算替代Python循环，减少循环带来的性能损耗，让求解器更高效处理批量计算。

• 优化本地计算资源：本地运行时关闭其他占用CPU、内存的程序，确保求解器能充分利用硬件资源；若为多核CPU，可设置IPOPT的m.options.NODES参数为CPU核心数，开启并行计算。

内容的提问来源于stack exchange，提问作者Mostafa