Python Xpress优化器使用where类非线性函数报无效约束的解决方法

1. 直接使用的可行性结论 #

numpy.where 这类Numpy提供的面向数值运算的条件/非线性函数，不能在Xpress求解器的建模流程中直接使用。
原因很简单：Xpress建模阶段操作的是符号化的变量、表达式对象，最终要传给求解器的是结构化的约束矩阵；而numpy.where是针对普通数值数组设计的执行即时判断的函数，处理Xpress的符号对象时无法生成求解器可识别的约束结构，必然触发Invalid constraint（无效约束）报错。

2. 等价替代实现方法 #

numpy.where(condition, res_true, res_false)的本质是二分段条件取值逻辑，完全可以通过Xpress原生支持的二进制辅助变量+大M法实现等价建模，不需要依赖Numpy函数。
以最常见的numpy.where(expr >= 0, val1, val2)逻辑为例（即表达式expr大于等于0时返回val1，否则返回val2），实现步骤如下：

• 第一步：定义1个0-1二进制辅助变量delta，约定delta=1代表条件成立，delta=0代表条件不成立
• 第二步：根据模型中表达式的数值范围，选取一个足够大的常数M（注意M只要大于expr可能取到的最大绝对值即可，不要盲目取1e12这类过大的值，避免引发数值精度问题）
• 第三步：添加约束完成逻辑的等价绑定，参考代码如下：

import xpress as xp

# 初始化模型、定义原有决策变量和expr表达式的代码省略
delta = xp.var(vartype=xp.binary)
z = xp.var() # z用来存储where逻辑的返回值
prob.addVariable(delta, z)

M = 10000 # 按实际模型数值范围调整
# delta=1时强制expr >= 0
prob.addConstraint(expr >= -M * (1 - delta))
# delta=0时强制expr < 0，1e-6为浮点精度容忍值
prob.addConstraint(expr <= M * delta - 1e-6)
# 绑定z的取值：delta=1时z=val1，delta=0时z=val2
prob.addConstraint(z >= val1 - M*(1-delta))
prob.addConstraint(z <= val1 + M*(1-delta))
prob.addConstraint(z >= val2 - M*delta)
prob.addConstraint(z <= val2 + M*delta)

如果是多分支的条件判断，只需要对应增加二进制辅助变量的数量，沿用上述大M逻辑做等价转换即可。所有建模过程中涉及决策变量、表达式的运算，都要使用Xpress原生提供的运算方法，不要混用Numpy的条件判断、非线性函数处理符号对象。

相关报错截图 #

内容的提问来源于stack exchange，提问作者Gheouany Saad