优化模型中的非线性项线性化方法（持续更新）

在建立优化问题的模型时，目标函数和约束条件中出现非线性项，会导致模型呈现非线性，即NLP问题，采用商业求解器一般很难求解，故需要对非线性项进行线性化处理。下面用于记录阅读文献时遇到的线性化方法，不做过多定义，分别进行举例说明便于理解。

一、bigM法

1、两个连续变量相乘带来的非线性项

出现在约束中：
如KKT条件的互补松弛约束
$$\lambda (x-y-b)=0$$
$$\lambda \ge 0$$
$$x-y-b\ge 0$$
x,y为连续变量，其中$\lambda$为对偶乘子，b为常数，上述等式约束构成了两个连续变量的相乘，采用bigM法线性化过程如下式所示
$$\lambda \le Mz$$
$$x-y-b\le M(1-z)$$
2、01变量与连续变量相乘带来的非线性项
出现在约束中：
在选址优化问题中经常出现，如发电机定容选址
$$x\le yz$$
x,y为连续变量，z为01变量，非线性项为yz，采用bigM法线性化过程如下式所示
$$n=yz$$
$$x\le n$$
$$-M(1-z)\le n-y\le M(1-z)$$
$$-Mz\le n\le Mz$$
3、用if语句表示约束条件时，一些求解器写约束时可能不支持if判断（非线性项问题，看到了就一并记录）
$$\{\begin{array}{rl}& y\le b\text{ if }x\ge a\\ & y\le c\text{ if }x<a\end{array}$$
为变量，采用bigM法进行表示上述if约束条件
$$\{\begin{array}{rl}& a+(z-1)M\le x<a+zM\\ & y\le b+(1-z)M\\ & y\le c+zM\end{array}$$
上述M都为较大的正值，如何选取合适的M值是bigM法的难点

持续更新，敬请期待！！（哈哈哈哈哈，得多看文献啊，有任何问题欢迎评论区讨论）