Pyomo中如何获取已求解Concrete模型的ACTIVE constraints

有两类成熟的实现方案，分别适配不同的求解场景：

方法1：基于对偶值判断（适配连续优化场景） #

对于线性规划、二次规划、非线性凸规划等连续优化问题，活跃约束的核心特征是对应对偶变量值不为0，你可以通过Pyomo的Suffix组件接收求解器返回的对偶值完成筛选：

1. 求解前先给模型声明对偶后缀，用于接收求解器回传的对偶信息
2. 正常完成模型求解
3. 遍历所有约束，以浮点容差为阈值筛选对偶值非0的约束，即为活跃约束

参考实现代码：

from pyomo.environ import *

# --- 以下为你原有模型搭建逻辑 ---
# model = ConcreteModel()
# [... 定义变量、目标、约束 ...]
# --- 原有逻辑结束 ---

# 声明对偶后缀，方向为IMPORT代表从求解器导入值到模型
model.dual = Suffix(direction=Suffix.IMPORT)

# 正常调用求解器求解
solver = SolverFactory('你的求解器名称，如ipopt/gurobi/cplex')
solver.solve(model, tee=True)

# 筛选活跃约束
active_cons = []
tol = 1e-6  # 浮点误差容差，可根据求解精度调整，常规场景用1e-6即可
# 遍历模型中所有激活状态的约束组件
for con in model.component_objects(Constraint, active=True):
    # 索引类约束需要遍历每个索引位的单条约束
    for idx in con:
        single_con = con[idx]
        dual_val = model.dual[single_con]
        # 对偶值绝对值大于容差即判定为活跃约束
        if abs(dual_val) > tol:
            active_cons.append( (con.name, idx, dual_val) )

方法2：基于约束松弛量判断（适配所有优化场景，含整数规划） #

混合整数规划类问题求解器通常不返回有实际意义的对偶值，此时可以直接计算最优解下每条约束的松弛量，松弛量为0（小于浮点容差）的约束即为活跃约束：

• 对于带上下界的不等式约束，若最优解代入后左侧表达式值等于上界/下界，说明约束被触达，属于活跃约束
• 等式约束在可行解处一定满足左右相等，天然属于活跃约束

参考实现代码：

active_cons = []
tol = 1e-6

for con in model.component_objects(Constraint, active=True):
    for idx in con:
        single_con = con[idx]
        # 计算约束左侧表达式代入最优解后的数值
        body_val = value(single_con.body)
        # 检查是否触达上界
        if single_con.upper is not None and abs(body_val - value(single_con.upper)) < tol:
            active_cons.append( (con.name, idx, "触达上界") )
        # 检查是否触达下界
        if single_con.lower is not None and abs(body_val - value(single_con.lower)) < tol:
            active_cons.append( (con.name, idx, "触达下界") )

注意事项 #

• 浮点容差不要设置过小（如小于1e-9），否则可能因为求解器的计算精度误差漏掉本应活跃的约束；也不要设置过大（如大于1e-3），否则会把非活跃约束误判为活跃，常规场景1e-6是通用选择
• 如果只需要筛选某个子块（Block）下的活跃约束，把遍历入口从model.component_objects换成对应Block实例的component_objects方法即可
• 对偶判断法仅适用于连续优化问题，整数规划场景请用松弛量判断法

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