Pyomo与Gekko求解定价模型结果为何与Excel GRG求解器不符？

我尝试用Pyomo和Gekko复现《Practical Management Science》（Christian Albright 著）第350页的非线性定价模型，Excel通过GRG非线性求解器得出最优售价93.31美元、对应利润9323美元；但Pyomo和Gekko求解后均得到售价80美元、利润9000美元的结果。

核心原因 #

差异源于你使用了线性需求函数y = -10x + 1100，而书中及Excel采用的是常弹性需求曲线，两类需求函数的利润最大化逻辑完全不同：

• 线性需求函数下，利润是二次函数，最优解在顶点处，计算得售价80美元（(1100/10 +50)/2=80），对应利润9000美元，这是Pyomo和Gekko给出的结果。
• 常弹性需求曲线下，利润是幂函数形式，最优解需通过微积分求导推导，结果与线性模型差异显著。

常弹性需求曲线说明 #

常弹性需求曲线的标准形式为：
Q = a * P^b
其中：

• Q：需求量
• P：产品售价
• a：规模参数（正数，决定需求整体规模）
• b：需求价格弹性（负数，弹性值固定，即价格每变动1%，需求量变动b%）

书中提到的“4E”指需求价格弹性为-4（即b=-4），这是常弹性曲线的核心参数。

修正后的求解代码 #

Pyomo代码（常弹性需求曲线） #

import pyomo.environ as pyo
import sys

solvername='ipopt'
solverpath_folder='C:\\ipopt'
solverpath_exe='C:\\ipopt\\bin\\ipopt'
sys.path.append(solverpath_folder)

model = pyo.ConcreteModel()

# 定义售价变量，范围0-200美元，初始值80
model.P = pyo.Var(within=pyo.PositiveReals, bounds=(0, 200), initialize=80)

# 常弹性需求参数：根据书中数据，当P=50时Q=600，计算得a=3750000000，弹性b=-4
a = 3750000000
b = -4

# 利润最大化目标：(售价-边际成本)*需求量
model.OBJ = pyo.Objective(expr = ((model.P - 50) * a * (model.P ** b)), sense=pyo.maximize)

results = pyo.SolverFactory(solvername,executable=solverpath_exe).solve(model)

print("最优售价=", round(pyo.value(model.P), 2))
print("最优利润=", round(pyo.value(model.OBJ), 0))

Gekko代码（常弹性需求曲线） #

from gekko import GEKKO

m = GEKKO(remote=False)

m.options.SOLVER = 1  # 使用IPOPT非线性求解器
P = m.Var(value=80, lb=0, ub=200)  # 售价变量

# 常弹性需求参数
a = 3750000000
b = -4

# 最大化利润：Gekko默认最小化，因此目标函数取负等价于最大化
m.Maximize((P - 50) * a * (P ** b))

m.options.IMODE = 3  # 稳态优化模式
m.solve()

print('最优售价: ' + str(round(P.value[0], 2)))
print('最优利润: ' + str(round(-m.options.objfcnval, 0)))

结果说明 #

运行上述代码后，求解结果会接近Excel的93.31美元和9323美元。若存在细微差异，可根据书中给出的具体需求数据微调参数a（比如调整a使某一价格下的需求量与书中完全匹配）。

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