在JuMP中使用VariableRef实现矩阵值映射报错如何解决

JuMP 不允许将优化变量作为数组的索引值使用：你代码中C是自定义的整数优化变量，在模型构建阶段没有确定取值，属于VariableRef类型，无法直接用来定位A矩阵的元素位置，因此抛出索引类型错误。

不能直接用C做索引，需要新增二进制指示变量拆解约束逻辑，实现步骤如下：

• 新增三维二进制指示变量z[i,j,k]，取值为1时代表C[i,j] = k，否则为0
• 添加约束保证每个C[i,j]的取值唯一：

# k的取值范围为0到A的第二维度最大值，对应你C的取值范围
max_k = size(A, 2)
@variable(model, z[i=1:m, j=1:n, k=0:max_k], binary=true)
@constraint(model, [i=1:m, j=1:n], sum(z[i,j,k] for k in 0:max_k) == 1)
@constraint(model, [i=1:m, j=1:n], C[i,j] == sum(k * z[i,j,k] for k in 0:max_k))

• 用大M法重写原来的映射约束：只有当k != 0且z[i,j,k] == 1时，才触发A[i,k] == B[i,j]的约束：

# M取值需要足够大，覆盖A、B元素的最大可能差值，可根据你实际变量的上下界计算
M = 1e6
@constraint(model, [i=1:m, j=1:n, k=1:max_k], A[i,k] - B[i,j] ≤ M * (1 - z[i,j,k]))
@constraint(model, [i=1:m, j=1:n, k=1:max_k], B[i,j] - A[i,k] ≤ M * (1 - z[i,j,k]))

额外注意：你当前定义A、B变量时上下界都写为了lb_X[i,j]，相当于直接固定了A、B的取值，不符合优化变量定义逻辑，需要根据实际需求修改为对应的上界参数。

内容的提问来源于stack exchange，提问作者Adi