Pyomo迭代模型问题：变量无法随时间更新至目标值

问题根源 #

• 初始值未约束：给model.x设置的initialize=x_init只是变量的初始猜测值，并非约束条件，求解器可自由修改所有x[t]的取值。
• 目标函数定义错误：当前目标是最小化delx[t]的总和，若delx未限制符号，求解器会倾向于让delx取负值来降低总和，这与“最小化每时间步变化量”的需求不符——应最小化变化量的绝对值（或平方）才符合逻辑。
• 结束约束重复添加：循环中每次t=T都会覆盖con_end约束，虽最终结果不受影响，但写法冗余。

修复后的代码 #

# 定义变量x的初始值和终值
x_init = 10
x_final = 50

# 时间步数量
T = 10

# 创建模型
from pyomo.environ import ConcreteModel, Set, Var, NonNegativeIntegers, Objective, Constraint, SolverFactory, NonNegativeReals

model = ConcreteModel()

# 定义时间步集合
model.T = Set(initialize=range(1, T+1))

# 定义变量x，设置初始猜测值
model.x = Var(model.T, within=NonNegativeIntegers, initialize=x_init)

# 定义变化量变量及绝对值变量
model.delx = Var(model.T)
model.delx_abs = Var(model.T, within=NonNegativeReals)

# 目标函数：最小化所有时间步变化量的绝对值之和
model.obj = Objective(expr=sum(model.delx_abs[t] for t in model.T), sense=minimize)

# 约束：固定初始值
model.con_init = Constraint(expr=model.x[1] == x_init)

# 约束：固定终值
model.con_end = Constraint(expr=model.x[T] == x_final)

# 约束：关联相邻时间步与变化量，实现绝对值逻辑
for t in model.T:
    if t < T:
        # 相邻时间步的差值等于delx[t]
        model.add_component(f'con_link_{t}', Constraint(expr=model.x[t+1] - model.x[t] == model.delx[t]))
        # 用两个约束模拟绝对值
        model.add_component(f'con_abs_pos_{t}', Constraint(expr=model.delx_abs[t] >= model.delx[t]))
        model.add_component(f'con_abs_neg_{t}', Constraint(expr=model.delx_abs[t] >= -model.delx[t]))

# 求解模型
solver = SolverFactory('glpk')
solver.solve(model)

# 输出每个时间步的x值
for t in model.T:
    print(f"x[{t}] = {model.x[t].value:.2f}")

关键修改说明 #

1. 新增初始值约束：通过con_init固定x[1] = x_init，确保变量从设定的初始值开始迭代。
2. 修正目标逻辑：引入delx_abs变量表示变化量的绝对值，用两个线性约束模拟绝对值关系，目标改为最小化绝对值之和，贴合“最小化每时间步变化量”的需求。若追求平滑变化，可直接将目标改为sum(model.delx[t]**2 for t in model.T)，无需绝对值变量，求解效率更高。
3. 优化约束结构：将初始、终值约束放在循环外，避免重复创建相同约束。
4. 放开变化量符号限制：移除delx的非负限制，兼容变量双向变化的场景。

内容的提问来源于stack exchange，提问作者zanga