【原创】在Gurbio优化算例中添加多元分段常数约束的方法

最新推荐文章于 2023-02-20 16:45:03 发布

刘川宝

最新推荐文章于 2023-02-20 16:45:03 发布

阅读量871

点赞数 1

文章标签： python

本文链接：https://blog.csdn.net/ID1368/article/details/123816341

版权

本文介绍了如何在Gurobi优化求解器的9.0以上版本中，通过分次分段再组合的方法构造多元分段常数约束。针对三维决策变量的立方体划分问题，通过定义一元、二元和三元分段标识，结合0-1决策变量，实现了对每个点所在区块的精确表示，并最终求解得出函数值。

摘要由CSDN通过智能技术生成

Gurbio求解器的9.0以上版本，对于求解已经非常友好了。但它仍然不能添加三个或三个以上决策变量相乘的约束。因此使用不能如下图所示的类似一元分段约束的方法：

如果用一个分段值乘以多个0-1决策变量来得到函数值，如：

则这个约束在Gurbio中无法求解。

下面介绍一种分次分段再组合的约束构造方法，对下述一个2*2*2的分为8块的约束进行构造。

三维决策变量的范围是以（0,0,0）和（4,4,4）为对顶角的立方体，将其均匀的分为八块。

首先，在8个块内分别取一个点，他们的坐标为：

X0 = np.array([1, 1, 1, 1, 3, 3, 3, 3])
X1 = np.array([1, 1, 3, 3, 1, 1, 3, 3])
X2 = np.array([1, 3, 1, 3, 1, 3, 1, 3])

定义这8块中的函数值为别为：

Y = np.array([111, 113, 131, 131, 311, 313, 331, 333])

为了方便观察，这里将函数值和他们所在的区块对应了起来。从左至优分别为第0块-第七块。

1、定义模型，设定求解方法（当然这里第二行可以不写）：

HDC = gp.Model("mip1")
HDC.setParam("NonConvex"

关注