GEKKO求解无法收敛至足够小值的技术咨询

问题概况 #

优化生产-存储-使用系统时遇到以下收敛异常：

• 库存通过带积分器的CV建模，设置cv.STATUS=0取消库存CV控制（用于解耦生产与使用子系统），此时收敛值卡在1.78左右，达到最大迭代次数后求解失败；
• 当库存处于受控边界内时，求解可在数次迭代内收敛至0.00004（当前设置OTOL=0.1，RTOL=0.01）；
• 库存通过cv.COST=-0.01纳入目标函数，用于激励库存增加；
• 怀疑是积分器模型+未受控但参与目标函数的组合导致收敛问题。

核心原因分析 #

当cv.STATUS=0移除库存的控制约束后，cv.COST=-0.01会持续激励库存无限增长，而积分器模型的状态变量（库存）随时间累积，导致目标函数无明确最优边界，求解器在梯度下降过程中出现振荡，无法收敛到满足精度要求的解。

具体解决措施 #

• 给库存添加软约束：即使取消CV控制，也要给库存状态变量设置软约束，避免其无界增长。例如：

  # 假设inventory为库存状态变量，设置软上下限惩罚
  m.Obj(0.001*(inventory - max_inventory)**2)  # 惩罚超过最大库存
  m.Obj(0.001*(min_inventory - inventory)**2)  # 惩罚低于最小库存
  

  可调整惩罚系数（如0.001），平衡库存增长激励与约束的优先级。

• 调整库存目标权重：当前cv.COST=-0.01的权重可能过大，导致求解器过度优先库存增长。尝试减小权重绝对值，比如改为-0.001，让系统其他约束的收敛优先级与库存目标更均衡。

• 优化积分器初始化：确保积分器的初始值（cv.INIT）设置在合理的库存区间内，避免迭代初期库存状态偏离正常范围，加剧收敛困难。

• 调整求解器参数或切换求解器：

  • 增加最大迭代次数、调整收敛精度：

    m.options.max_iter = 1000
    m.options.RTOL = 1e-3
    m.options.OTOL = 0.001
    

  • 切换求解器，例如从默认的APOPT改为IPOPT：

    m.options.SOLVER = 3
    

• 重构库存目标函数：替换直接的cv.COST，改用区间奖励形式，避免无界目标。比如仅当库存处于目标区间时给予奖励，超出则惩罚：

  from gekko import piecewise
  # 定义目标库存区间[target_low, target_high]
  m.Obj(-0.01*piecewise(inventory, [target_low, target_high], [0, 1, 0]))
  

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