数学建模 | 几种非线性表达式线性化的技巧（附Python+Gurobi代码，上）

最新推荐文章于 2024-09-22 20:00:24 发布

随心390

最新推荐文章于 2024-09-22 20:00:24 发布

阅读量2.9k

点赞数 19

分类专栏：优化算法文章标签：数学建模 python

本文链接：https://blog.csdn.net/weixin_40730979/article/details/135321203

版权

优化算法专栏收录该内容

17 篇文章

订阅专栏

hello，大家好。各位可点击左下方阅读原文，访问公众号官方店铺。谨防上当受骗，感谢各位支持！如果链接无法访问，公众号后台回复代码商店，即可获取官方店铺最新链接。

Hello，各位小伙伴。前一段时间在实际工作中遇到这样两个问题：

1.在构建的数学模型中，存在两个0-1决策变量相乘的情况，如 $x_i \in \left\{ 0,1\right\}$ ， $x_j \in \left\{ 0,1\right\}$ ， $z_{ij} = x_i x_j$ ，那么一个很容易想到的解决方案为如何将 $z_{ij} = x_i x_j$ 这个非线性表达式线性化处理。

2.在构建的数学模型中，存在1个0-1决策变量和1个连续决策变量相乘的情况，如 $\in \left\{ 0,1\right\}$ ， $\in \left[ 0,20 \right]$ ， $z = x y$ ，这个问题也是同样的想法，如何将 $z = x y$ 这个非线性表达式线性化处理。

上述两个问题，应该是在构建数学模型过程中，经常会遇到的问题。但是本着想寻找更多非线性表达式线性化技巧的精神，通过查阅网上优质资料以及相关书籍，共整理了10个常见的非线性表达式线性化技巧。

分段函数
绝对值函数
MaxMin/MinMax函数
逻辑或
MaxMax/MinMin函数
两个0-1变量的乘积形式
1个0-1变量和1个连续变量的乘积形式
分式目标函数形式
Max/Min函数
混合整数

线性化的主要手段其实就两点：一是引入0-1变量，二是引入很大的整数M。

（https://zhuanlan.zhihu.com/p/552076713）

本次推文只讲解分段函数、绝对值函数、MaxMin/MinMax函数、两个0-1变量的乘积形式、1个0-1变量和1个连续变量的乘积形式5个线性化技巧。

分段函数
绝对值函数
MaxMin/MinMax函数
两个0-1变量的乘积形式
1个0-1变量和1个连续变量的乘积形式

分段函数

分段函数 $f (x)$ 的数学表达式如下：
$\begin{cases}f_1(x) & 0<x \leq a \\ f_2(x) & a<x \leq b \\ f_3(x) & b<x \leq c\end{cases}$
如果要对分段函数 $f (x)$ 进行线性化处理，则需要引入0-1辅助变量 $y$ 和一个很大的正整数 $M$ 。
$\begin{gathered} f(x)=f_1(x) y_1+f_2(x) y_2+f_3(x) y_3 \\ \text { s.t. } \quad 0<x \leq M\left(1-y_1\right)+a \\ ay_2<x \leq M\left(1-y_2\right)+b \\ by_3<x \leq M\left(1-y_3\right)+c \\ y_1, y_2, y_3 \in\{0,1\} \\ y_1+y_2+y_3=1 \end{gathered}$

【举例】
$\begin{gathered} \min f(x) \\ f(x)=\left\{\begin{array}{cc} -x+2 & 0<x \leq 1 \\ -\frac{1}{2} x+\frac{5}{4} & 1<x \leq 3 \\ x-3 & 3<x \leq 5 \end{array}\right. \\ \text { s.t. } x>0 \end{gathered}$
将分段函数 $f (x)$ 进行线性化处理，需要引入0-1辅助变量 $y$ 和一个很大的正整数 $M$ ，线性化处理后的模型如下：
$\begin{gathered} \min f(x)=(-x+2) \times y_1+\left(-\frac{1}{2} x+\frac{5}{4}\right) \times y_2+(x-3) \times y_3 \\ \text { s.t. } 0<x \leq M\left(1-y_1\right)+1 \\ y_2<x \leq M\left(1-y_2\right)+3 \\ 3 y_3<x \leq M\left(1-y_3\right)+5 \\ y_1+y_2+y_3=1 \\ y_1, y_2, y_3 \in\{0,1\} \end{gathered}$
很明显，当 $x = 3$ 时， $f (x)$ 取最小值 $- 0.25$ 。

现在我们用python+gurobi对上述模型进行求解，代码如下：

from gurobipy import *

model = Model('non-linear model')
x = model.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, name='x')
y1 = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='y1')
y2 = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='y2')
y3 = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='y3')

bigM = 10000
epsilon = 1e-5
model.setObjective((-1 * x + 2) * y1 + (-0.5 * x + 1.25) * y2 + (x - 3) * y3, GRB.MINIMIZE)

model.addConstr(x <= bigM * (1 - y1) + 1, name='c1')
model.addConstr(x <= bigM * (1 - y2) + 3, name='c2')
model.addConstr(x - y2 >= epsilon, name='c2')
model.addConstr(x - 3 * y3 >= epsilon, name='c3')
model.addConstr(x <= bigM * (1 - y3) + 5, name='c3')
model.addConstr(y1 + y2 + y3 == 1, name='c4')

model.setParam(GRB.Param.LogFile, 'gurobi.log')

modelName = 'nlTol1.lp'
model.write(modelName)
model.optimize()
solName = 'nlTol1.sol'
model.write(solName)

print('x:', x.x)
print('y1:', y1.x)
print('y2:', y2.x)
print('y3:', y3.x)

求解结果为：

Optimal solution found (tolerance 1.00e-04)
Best objective -2.500000000000e-01, best bound -2.500000000000e-01, gap 0.0000%
x: 3.0
y1: 0.0
y2: 1.0
y3: 0.0

该结果与当 $x = 3$ 时， $f (x)$ 取最小值 $- 0.25$ 的结果保持一致。

绝对值函数

将如下数学模型进行线性化处理：
$\begin{aligned} & \min \sum_i c_i\left|x_i\right| \\ & A x=b \\ & x_i \text { free, } c_i \geq 0, \forall i \end{aligned}$
**线性化方法1：**引入 $y_i$ 替代 $\left|x_i\right|$
$\begin{gathered} y_i=\left|x_i\right| \\ \downarrow \\ y_i \geq x_i, \quad y_i \geq-x_i \\ \downarrow \\ \begin{aligned} & \min \sum_i c_i\left|y_i\right| \\ & A x=b \\ & y_i \geq x_i, y_i \geq-x_i \\ & x_i \text { free, } c_i \geq 0 \end{aligned} \end{gathered}$
但是使用 $y_i$ 替代 $\left|x_i\right|$ 这种方法可能会导致最终求解结果存在 $y_i \neq\left|x_i\right|$ 的情况，关于这种情况具体的解决方案详见非线性优化 | 非线性问题线性化以及求解的详细案例及Python+Gurobi求解。

线性化方法2：引入 $u_i$ 和 $v_i$ 替代 $\left|x_i\right|$

$\forall x, \exists u, v \geq 0 \text {, 使得 } x=u-v,|x|=u+v \text {, 其中 } u=\frac{|x|+x}{2}, v=\frac{|x|-x}{2}$

因此原模型线性化为如下的模型
$\begin{aligned} & \min \sum_i c_i\left(u_i+v_i\right) \\ & A(u-v)=b \\ & u, v \geq 0 \end{aligned}$
【举例】
$\begin{aligned} & \min \left|x_1\right|+\left|x_2\right| \\ & \text { s.t. } x_1+x_2=0 \end{aligned}$
此处，我们使用方法2对该模型进行线性化处理：

则原模型转化为：
$\begin{array}{ll} \min & u_1+v_1+u_2+v_2 \\ \text { s.t. } & u_1-v_1+u_2-v_2=0 \\ & u_1 \geq 0, u_2 \geq 0 \\ & v_1 \geq 0, v_2 \geq 0 \end{array}$
很明显，当 $x_1=0$ 且 $x_2=0$ 时， $f (x)$ 取最小值 $0$ 。

python+gurobi对上述线性模型进行求解，代码如下：

from gurobipy import *

model = Model('non-linear model')
u1 = model.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, name='u1')
u2 = model.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, name='u2')
v1 = model.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, name='v1')
v2 = model.addVar(lb=0, ub=GRB.INFINITY, vtype=GRB.CONTINUOUS, name='v2')

model.setObjective(u1+v1+u2+v2, GRB.MINIMIZE)

model.addConstr(u1-v1+u2-v2 == 0, name='c1')

model.setParam(GRB.Param.LogFile, 'gurobi.log')

modelName = 'nlTol2.lp'
model.write(modelName)
model.optimize()
solName = 'nlTol2.sol'
model.write(solName)

print('u1:', u1.x)
print('v1:', v1.x)
print('u2:', u2.x)
print('v2:', v2.x)

求解结果为：

Optimal objective  0.000000000e+00
u1: 0.0
v1: 0.0
u2: 0.0
v2: 0.0

该结果与当 $x_1=0$ 且 $x_2=0$ 时， $f (x)$ 取最小值 $0$ 的结果保持一致。

MaxMin/MinMax函数

将 $\max \left(\min _{k \in K} \sum_i c_{k i} x_i\right)$ 函数线性化后的表达式如下：
$\begin{gathered} \max z \\ z \leq \sum_i c_{k i} x_i, \quad \forall k \in K \end{gathered}$
该形式下的线性化方法是：用 $z$ 替代 $\min _{k \in K} \sum_i c_{k i} x_i$ 函数，这样 $\leq \sum_i c_{k i} x_i,\forall k \in K$ ，又由目标函数是取最大的 $z$ ，从而限制住不 $z$ 会无限小下去，而只会取满足条件的 $z$ 。

同理，将 $\min \left(\max _{k \in K} \sum_i c_{k i} x_i\right)$ 函数线性化后的表达式如下：
$\begin{gathered} \min z \\ z \geq \sum_i c_{k i} x_i, \quad \forall k \in K \end{gathered}$
【举例】