基于Gekko的设备空间规划MIP问题不收敛且无报错求助

我正在研究一个设备空间规划的混合整数规划（MIP）问题，目标是通过最小化设备间距离降低管道成本。模型基于Gekko实现，但求解时既不收敛也无错误输出，以下是问题排查与修复方案：

原代码核心问题分析 #

• 循环逻辑错误：多处将while语句嵌套在for循环中（如for i in range(7): for j in range(7): while j > i），导致无限循环或约束未正确添加，应替换为if条件判断。
• 目标函数定义错误：原代码中COST = C[i,j]*Dist[i,j]是普通Python赋值，未通过Gekko等式定义，且仅保留最后一次循环的赋值，实际应累加所有有管道成本的设备对的距离成本。
• 冗余约束导致模型过载：三四层循环的传递性约束（如zx[i,j]+zx[j,k]<=1+zx[i,k]）数量极大，大幅增加模型复杂度，对于小规模设备布局问题并非必要。
• 距离计算的冗余变量：通过R-L=x_i-x_j间接计算距离的方式引入过多冗余变量，可改用Gekko内置的绝对值函数简化实现。

修复后的代码 #

from gekko import GEKKO
m = GEKKO()

# 参数定义
ax = m.Array(m.Const, (7,1))
ax[0,0]= 1.4
ax[1,0]= 3.2
ax[2,0]= 2.0
ax[3,0]= 4.2
ax[4,0]= 4.2
ax[5,0]= 4.0
ax[6,0]= 1.4

by = m.Array(m.Const, (7,1))
by[0,0]= 1.2
by[1,0]= 2.8
by[2,0]= 1.2
by[3,0]= 2.0
by[4,0]= 2.0
by[5,0]= 4.0
by[6,0]= 1.2

# 变量定义
w = m.Array(m.Var,(7,1),lb=0)
d = m.Array(m.Var,(7,1),lb=0)
x = m.Array(m.Var,(7,1),lb=0)
y = m.Array(m.Var,(7,1),lb=0)
Dist = m.Array(m.Var,(7,7),lb=0)
C = m.Array(m.Const,(7,7),value=0)
COST = m.Var(lb=0)

# 二进制变量
o = m.Array(m.Var,(7,1),value=0,lb=0,ub=1,integer=True)
zx = m.Array(m.Var,(7,7),value=0,lb=0,ub=1,integer=True)
zy = m.Array(m.Var,(7,7),value=0,lb=0,ub=1,integer=True)

# 管道成本矩阵
C[0,1]=1
C[1,3]=1
C[1,4]=2
C[2,3]=1
C[4,4]=1
C[3,6]=1
C[4,5]=1
C[5,6]=1

# 1-D 约束：设备尺寸与边界
for i in range(7):
    # 根据朝向计算w和d
    m.Equation(w[i,0]==ax[i,0]*o[i,0]+by[i,0]*(1- o[i,0]))
    m.Equation(d[i,0]==ax[i,0]+by[i,0]- w[i,0])
    # 设备完全在10x10区域内
    m.Equation(x[i,0] >= w[i,0]/2)
    m.Equation(y[i,0] >= d[i,0]/2)
    m.Equation(x[i,0] + w[i,0]/2 <= 10)
    m.Equation(y[i,0] + d[i,0]/2 <= 10)

# 2-D 约束：设备不重叠
M = 10  # 大M值，对应区域边界
for i in range(7):
    for j in range(7):
        if i != j:
            # X方向不重叠约束
            m.Equation(x[i,0] - x[j,0] + M*(1-zx[i,j]) >= (w[i,0]+w[j,0])/2)
            # Y方向不重叠约束
            m.Equation(y[i,0] - y[j,0] + M*(1-zy[i,j]) >= (d[i,0]+d[j,0])/2)

# 二进制变量逻辑约束：确保至少一个方向不重叠
for i in range(7):
    for j in range(i+1,7):
        m.Equation(zx[i,j] + zx[j,i] + zy[i,j] + zy[j,i] >= 1)
        m.Equation(zx[i,j] + zx[j,i] <= 1)
        m.Equation(zy[i,j] + zy[j,i] <= 1)

# 设备间距离计算（使用绝对值简化）
for i in range(7):
    for j in range(i+1,7):
        # 计算X方向距离
        dx = m.Var(lb=0)
        m.Equation(dx == m.abs2(x[i,0] - x[j,0]) - (w[i,0]+w[j,0])/2)
        # 计算Y方向距离
        dy = m.Var(lb=0)
        m.Equation(dy == m.abs2(y[i,0] - y[j,0]) - (d[i,0]+d[j,0])/2)
        # 总距离（仅当设备不重叠时为正）
        m.Equation(Dist[i,j] == m.max2(dx,0) + m.max2(dy,0))

# 总成本定义：累加所有有管道连接的设备对成本
cost_sum = sum(C[i,j]*Dist[i,j] for i in range(7) for j in range(i+1,7))
m.Equation(COST == cost_sum)

# 目标函数：最小化总成本
m.Minimize(COST)

# 选择求解器（APOPT适用于MIP问题）
m.options.SOLVER = 1
m.solve(disp=True)

# 输出结果
print("设备X坐标：", [x[i,0].value[0] for i in range(7)])
print("设备Y坐标：", [y[i,0].value[0] for i in range(7)])
print("最小总成本：", COST.value[0])

关键修改说明 #

1. 修复循环逻辑：将所有嵌套在for循环中的while替换为if，确保约束正确遍历所有设备对。
2. 修正目标函数：通过Gekko等式定义COST为所有管道连接设备对的距离成本之和，而非普通Python赋值。
3. 简化距离计算：使用Gekko的m.abs2和m.max2函数直接计算设备间的净距离，移除冗余的R/L/A/B变量，降低模型规模。
4. 移除冗余约束：删除不必要的三四层传递性约束，减少模型复杂度，提升求解效率。
5. 优化结果输出：将数组输出转换为更易读的数值列表，方便查看求解结果。

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