Pyomo线性优化目标函数除零错误的处理方案问询

针对你遇到的monthly_demand[c,t] = 0触发除零错误、需将对应theta[c]设为0的需求，以下是几种可行方案：

方案1：筛选有效计算对+约束限制 #

步骤1：定义有效(c,t)集合 #

先筛选出所有monthly_demand[c,t] > 0的城市-时段对，避免无效项进入求和：

model.valid_city_month = Set(initialize=[(c, t) for c in model.cities for t in model.months if model.monthly_demand[c,t] > 0])

步骤2：改写目标函数 #

基于有效集合构建目标函数，彻底规避除零场景：

model.objective = Objective(expr=sum(1/model.monthly_demand[c,t] * model.theta[c] for (c,t) in model.valid_city_month))

步骤3：添加theta约束 #

通过约束确保存在零需求时段的城市，其theta[c]强制为0：

def enforce_theta_zero(model, c):
    if any(model.monthly_demand[c,t] == 0 for t in model.months):
        return model.theta[c] == 0
    return Constraint.Skip  # 无零需求时段的城市不受约束
model.theta_zero_constraint = Constraint(model.cities, rule=enforce_theta_zero)

方案2：直接在求和中加入条件判断 #

如果不想额外定义集合，可直接在求和表达式中加入条件筛选，跳过零需求项：

model.objective = Objective(expr=sum(
    (1/model.monthly_demand[c,t] * model.theta[c]) if model.monthly_demand[c,t] > 0 else 0
    for c in model.cities for t in model.months
))

注意：此方案仍需配合上述enforce_theta_zero约束，否则存在零需求时段的城市theta[c]可能非零，不符合业务逻辑。

方案3：重构变量逻辑（更贴合业务） #

如果业务中是分时段控制购电决策，建议将theta[c]改为分时段变量theta[c,t]，此时逻辑更清晰：

1. 定义分时段变量：

model.theta = Var(model.cities, model.months, domain=NonNegativeReals)

2. 添加约束：当monthly_demand[c,t] = 0时，theta[c,t] = 0：

def theta_time_based_zero(model, c, t):
    if model.monthly_demand[c,t] == 0:
        return model.theta[c,t] == 0
    return Constraint.Skip
model.theta_time_constraint = Constraint(model.cities, model.months, rule=theta_time_based_zero)

3. 改写目标函数：

model.objective = Objective(expr=sum(1/model.monthly_demand[c,t] * model.theta[c,t] for (c,t) in model.valid_city_month))

避坑提示 #

不要用极小值（如0.000001）替代零需求，这可能引发求解器数值收敛问题，或导致结果偏离实际业务逻辑。

内容的提问来源于stack exchange，提问作者akkha