首先明确一点：即使是全局求解器，也不一定总能输出严格的全局最优解，尤其是在处理复杂的混合整数非线性规划（MINLP）问题时，会受到问题复杂度、求解器参数设置等多种因素影响。结合你提供的求解器日志，我们来拆解问题出在哪里：

从日志里看到的关键线索 #

先看日志最后阶段的核心信息：

Cbc0010I After 400 nodes, 13 on tree, -10.5219 best solution, best possible -10.5235 (1.72 seconds)
Cbc0001I Search completed - best objective -10.52192111756512, took 3256 iterations and 479 nodes (1.80 seconds)

这里的best possible是求解器计算出的全局下界，best solution是当前找到的最好可行解。两者的相对差值仅约0.015%，说明Couenne已经非常接近全局最优了，但没有完全收敛到严格的全局最优值。

可能的原因 #

1. 求解器的终止条件触发 #

Couenne默认会设置一些终止阈值，比如：

• 最优性间隙（Optimality Gap）：当下界和当前最好解的相对差距小于某个预设值（比如默认的0.1%）时，求解器会认为已经足够接近全局最优，提前停止搜索。你的日志里最后间隙远小于常规默认值，大概率是触发了这个条件。
• 时间/迭代次数限制：如果求解器达到了预设的最大CPU时间或迭代次数，也会停止搜索，哪怕还没找到严格的全局最优。你的求解仅耗时1.8秒，很可能是间隙条件先满足了。

2. 问题的非凸性复杂度 #

你的问题有6个整数变量，重构后变量数达到54。如果模型里的非线性约束或目标函数存在强非凸性，Couenne在分支定界过程中很难快速收紧所有分支的下界，或者在某些分支里容易陷入局部最优，导致无法完全收敛到真正的全局最优。

3. 凸化切割的局限性 #

Couenne依赖凸化切割来收紧下界，但如果你的问题里某些非线性项的凸化效果不够紧，或者切割生成的效率不高，会导致下界收敛缓慢。日志里提到Couenne convexifier cuts was tried 939 times and created 3190 cuts of which 548 were active，虽然生成了不少切割，但可能还是不足以完全消除下界和最优解之间的微小差距。

解决建议 #

1. 调整Couenne的求解参数 #

在Pyomo里可以通过solver.options修改参数，强制求解器更接近全局最优：

from pyomo.environ import SolverFactory

solver = SolverFactory('couenne')
# 设置最大CPU时间为5分钟，给求解器更多搜索时间
solver.options['max_cpu_time'] = 300
# 把允许的最优性间隙降到0.01%，要求更严格的收敛
solver.options['allowable_gap'] = 0.0001
# 开启所有切割策略，帮助收紧下界
solver.options['cut_generator'] = 'all'

2. 优化模型公式 #

检查你的模型，看看有没有可以简化的地方：

• 把一些非线性项替换成凸近似（如果可行）；
• 移除冗余约束，减少问题复杂度；
• 对变量设置更合理的上下界，帮助求解器更快缩小搜索范围。

3. 尝试其他全局求解器 #

不同全局求解器的凸化和分支策略不同，比如BARON、SCIP（开启全局求解模式），可能在你的问题上能收敛到严格的全局最优。

内容的提问来源于stack exchange，提问作者hamta