如何在Pyomo目标函数中使用min和max函数

核心问题原因 #

Pyomo基于符号代数构建优化模型，Python原生的数值计算函数（如np.min）、自定义if-else分支逻辑都无法直接作用于Pyomo变量，必须通过线性化方法转换为标准的线性/整数规划约束实现min/max逻辑。

针对你的场景的示例实现 #

假设变量P是定义在集合I上的连续变量，UC是提前计算好的固定参数（派生值不参与优化的前提下），要实现目标函数Max( sum(P[i]*UC[i] for i in I) - sum( (P[i] - min_P) * UC[i] for i in I ) )，其中min_P是所有P[i]的最小值，实现代码如下：

import pyomo.environ as pyo

# 1. 初始化模型
model = pyo.ConcreteModel()
# 定义P的索引集合，可根据你的场景调整集合范围
model.I = pyo.Set(initialize=[1,2,3,4,5])
# 提前计算好的UC派生值，示例数值可替换为你的实际计算结果
UC_dict = {1:0.8, 2:1.2, 3:0.5, 4:1.5, 5:0.9}
model.UC = pyo.Param(model.I, initialize=UC_dict)

# 2. 定义决策变量
# 假设P的取值范围是0到100，可根据你的业务调整上下界
model.P = pyo.Var(model.I, domain=pyo.NonNegativeReals, bounds=(0, 100))
# 新增辅助变量表示所有P的最小值
model.min_P = pyo.Var(domain=pyo.NonNegativeReals, bounds=(0, 100))

# 3. 线性化min(P)的约束
# 大M取值需大于P的最大可能值，这里取100和P的上界一致
M = 100
# 约束1：min_P小于等于所有P[i]
def min_lower_rule(model, i):
    return model.min_P <= model.P[i]
model.min_lower_con = pyo.Constraint(model.I, rule=min_lower_rule)

# 若UC全部为正数，因为目标为最大化，模型会自动驱动min_P取可行的最大值（即等于最小的P[i]），无需额外约束
# 若UC存在负值，需补充以下二进制变量约束保证min_P等于最小的P[i]：
# model.b = pyo.Var(model.I, domain=pyo.Binary)
# def min_upper_rule(model, i):
#     return model.P[i] - model.min_P <= M * (1 - model.b[i])
# model.min_upper_con = pyo.Constraint(model.I, rule=min_upper_rule)
# def sum_b_rule(model):
#     return sum(model.b[i] for i in model.I) == 1
# model.sum_b_con = pyo.Constraint(rule=sum_b_rule)

# 4. 定义目标函数
def obj_rule(model):
    term1 = sum(model.P[i] * model.UC[i] for i in model.I)
    term2 = sum( (model.P[i] - model.min_P) * model.UC[i] for i in model.I )
    return term1 - term2
model.obj = pyo.Objective(rule=obj_rule, sense=pyo.maximize)

# 5. 求解模型
solver = pyo.SolverFactory('cbc') # 可替换为gurobi、cplex等你使用的求解器
result = solver.solve(model)

# 输出结果
print("最优目标值：", pyo.value(model.obj))
print("各P变量取值：")
for i in model.I:
    print(f"P[{i}] = {pyo.value(model.P[i])}")
print("min_P取值：", pyo.value(model.min_P))

补充说明 #

• 如果你要实现的是逐元素的min逻辑（比如对每个P[i]取和某个固定值的min），不需要引入全局辅助变量，直接对每个元素单独做线性化即可
• 大M的取值只要略大于变量的最大可能差值即可，不要设置过大，避免数值求解不稳定
• 如果你的UC也是优化派生的变量而非固定参数，只需要把UC对应的参数改为Var，同步调整约束逻辑即可

内容的提问来源于stack exchange，提问作者Shah Rohit