如何在GEKKO中实现分段函数alpha_beta用于非线性优化求解？

核心说明 #

numpy的np.piecewise仅支持数值运算，无法处理GEKKO的符号决策变量，需要用GEKKO内置的条件函数m.if3实现分段逻辑，该函数支持自动微分，完全兼容优化求解流程。

实现代码 #

def alpha_beta_gekko(m, x):
    a = 0.0019727939
    b = 0.0078887
    Lmin, Lnom, Lmax = 0.8035, 2.3811, 3.084
    # 区间外返回0，区间内返回1
    in_range = m.if3(x - Lmin, 0, m.if3(x - Lmax, 1, 0))
    # 区间内分段计算二次函数值
    range_val = m.if3(x - Lnom, 
                      a * (x - Lnom)**2 + 0.006226,
                      b * (x - Lnom)**2 + 0.006226)
    return in_range * range_val

调用方式 #

目标函数中直接替换原alpha_beta调用即可，示例：

m.Minimize(k*(w1*abs(x0-L10)+w2*abs(x1-L20))+β*Dindf[0]*(w1*alpha_beta_gekko(m,x0)+w2*alpha_beta_gekko(m,x1)+w1*alpha_beta_gekko(m,x2)+w2*alpha_beta_gekko(m,x3)) +\
                k*(w1*abs(x2-x0) + w2*abs(x3-x1)+w1*abs(x4-x2) + w2*abs(x5-x3)))

注意事项 #

• 建议给对应决策变量设置边界约束，比如x.LOWER = Lmin、x.UPPER = Lmax，缩小求解搜索空间，提升收敛效率
• 若你的求解场景对整数变量敏感，也可以预先在[Lmin, Lmax]区间内采样足够多的点，用GEKKO的m.pwl()方法拟合该分段函数，完全规避二进制变量

内容的提问来源于stack exchange，提问作者Jian ZUO