使用Gekko估计方程组参数报Solution Not Found如何排查解决

报错的核心触发原因之一确实是自由度不足，从运行输出可以看到自由度（DOF）为-120，说明当前模型的方程数量比可优化变量多了120个，属于超定模型，且约束之间存在冲突，导致求解器找不到可行解。

具体问题排查点 #

• 冗余约束冲突
  你添加的比值约束和已经定义的基础方程组完全重复。基础方程组已经定义了ym[j,h] = 线性项 + 误差，天然满足ym[j,h]/ym[j1,h] = (线性项j+误差j)/(线性项j1+误差j1)的等式关系，额外添加该约束相当于给模型强加了多余的硬约束，不仅直接拉低自由度为负，数值计算中的浮点数误差也会导致天然成立的等式出现微小偏差，被求解器判定为不可行。
• 变量定义冗余
  你将误差项error_jh设为可优化的FV类型，实际做最小二乘估计时误差本身就是观测值与预测值的差值，不需要作为独立决策变量求解，额外增加了不必要的变量和计算复杂度。
• 求解器选择不匹配
  你选择的APOPT（SOLVER=1）是混合整数求解器，当前问题为纯连续变量的最小二乘优化，使用IPOPT（SOLVER=3）这类连续优化求解器的收敛性和求解效率会高很多。

修复方案 #

1. 删除冗余的比值约束 #

处理缺失值不需要额外添加该约束，缺失值对应的y原本就没有进入方程组，不会对参数估计造成影响，直接删除所有比值约束相关代码即可。

2. 简化目标函数定义 #

不需要单独定义误差变量，直接将目标函数设为观测值与预测值的差的平方和，参考修改代码：

# 删除原error_jh定义的全部代码
# 方程组与目标函数合并定义
for j, h in zip(index_notnan[0], index_notnan[1]):
    pred = model.sum(beta_jk[j, :]*data_X[h, :])
    model.Minimize((ym[j, h] - pred)**2)

# 删除原单独的model.Minimize代码段

3. 更换适配的求解器 #

将求解器配置修改为：

model.options.SOLVER = 3

4. 可选：调整求解精度 #

如果仍存在收敛问题，可添加精度配置降低求解阈值：

model.options.OTOL = 1e-6
model.options.RTOL = 1e-6

修改后模型自由度将恢复为正（仅30个待估计beta参数，样本量远大于参数数量），即可正常求解。

内容的提问来源于stack exchange，提问作者Xunny