在PySCIPOpt主优化模型中调用含子优化模型的函数是否可行？

核心问题说明 #

当前的嵌套调用方式不可行。
优化库的变量实例与所属Model实例强绑定，不允许跨模型引用。你将主模型的变量n直接传入子模型optfunc的约束中，子模型无法识别外部变量的上下文，触发底层内存错误，表现为内核崩溃或程序无响应。单独调用optfunc时传入的是普通数值而非模型变量，因此可以正常运行。

可行改造方案 #

方案1：单模型拆分逻辑（适用于仅拆分代码模块、不需要独立求解子模型的场景） #

不要在子函数中新建独立的Model实例，直接将主模型作为参数传入子函数，所有变量、约束都建立在同一个模型实例上：

def optfunc(mod, x):
    # 直接使用传入的主模型实例，不新建模型
    y = mod.addVar("y", ub = 2, lb = -1)
    consl = mod.addCons(y + x <= 3, "cons")
    # 子函数仅返回新增的变量，不单独执行求解
    return y

主模型代码调整如下：

mainfunc = Model()
n = mainfunc.addVar("n",lb=1,ub=3)
# 将主模型实例和变量一起传入子函数
c = optfunc(mainfunc, n)
const = mainfunc.addCons(n + 0.5 == 1, "cons")
# 目标函数可按需调整，比如要同时优化n和c可写为n + c
mainfunc.setObjective(n, "maximize")
mainfunc.optimize()
sol = mainfunc.getBestSol()
print(mainfunc.getSolVal(sol,n))
# 可直接获取子函数中新增变量的求解结果
print(mainfunc.getSolVal(sol,c))

方案2：双层优化求解（适用于确实需要独立求解子模型的场景） #

如果你需要先基于主模型变量的取值求解子模型，再将子模型输出代入主模型，属于双层优化问题，不能直接传递变量实例，需要调整为迭代求解逻辑：

• 枚举或通过启发式算法给定主模型变量n的候选数值
• 将数值传入optfunc求解得到c的对应取值
• 将c代入主模型验证约束、计算目标值，筛选得到最优解
  也可直接使用支持双层优化的求解器接口实现对应逻辑。

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