首页 文章

用Pyomo解决MINLP问题 . 是否有关于'Starting feasible solution'的任何设置？

提问于
浏览 次
0

我的环境是：Python 3.5.2，Anaconda 4.2.0（32位），Pyomo 4.4.1（VOTD）（W7上的CPython 3.5.2），男爵17.3.31

我目前正在与Pyomo和Baron进行优化作为求解器 . 为了测试，使用minlp问题 . 我可以通过运行main.py代码获得最佳解决方案，如下所示 . 每次运行代码时，在第一次运行之后，我将获得与第一次运行相同的解决方案 . 结果将显示：

启动解决方案是可行的，值为xxxxx执行本地搜索解决边界LP启动多重启动本地搜索完成本地搜索

每次开始可行的解决方案都是一样的 .

但是，在我重新启动内核（重新启动Spyder）并再次运行该文件后，它可能会获得不同的解决方案 . 为什么？有没有重置优化过程的方法？如何在不重新启动内核的情况下获得各种解决方案？

我做了一些尝试：imp.reload（pyomo.environ），imp.reload（pyomo.opt）......等等

请帮忙 . 谢谢 .

主文件main.py如下：

from pyomo.environ import *
from pyomo.opt import SolverFactory
from minlp import model


instance = model.create_instance()
instance.dual = Suffix(direction=Suffix.IMPORT)
minlpopt = SolverFactory("baron")
results = minlpopt.solve(instance, tee=True)
print('Objective Fucntion: ' + str(instance.obj()))

模型文件minlp.py如下：

from pyomo.environ import *

# SETS ========================================================================
model = ConcreteModel()

model.y1 = Var(within=Binary)
model.y2 = Var(within=Binary)
model.y3 = Var(within=Binary)
model.x1 = Var(within=PositiveReals, bounds=(0,2))
model.x2 = Var(within=PositiveReals, bounds=(0,2))
model.x3 = Var(within=PositiveReals, bounds=(0,1))


# RULE ========================================================================
def obj_rule(model):
    return (5 * model.y1 + 6 * model.y2 + 8 * model.y3 + 10 * model.x1 \
            - 7 * model.x3 - 18 * log(model.x2 + 1) \
            - 19.2 * log(model.x1 - model.x2 + 1) + 10)
model.obj = Objective(rule=obj_rule, sense=minimize)


def c1_rule(model):
    return (0.8 * log(model.x2 + 1) + 0.96 * log(model.x1 - model.x2 + 1) \
            - 0.8 * model.x3) >= 0
model.c1 = Constraint(rule=c1_rule)

def c2_rule(model):
    return (log(model.x2 + 1) + 1.2 * log(model.x1 - model.x2 + 1) - model.x3 \
            - 2 * model.y3) >= -2
model.c2 = Constraint(rule=c2_rule)

def c3_rule(model):
    return model.x2 - model.x1 <= 0
model.c3 = Constraint(rule=c3_rule)

def c4_rule(model):
    return model.x2 - 2 * model.y1 <= 0
model.c4 = Constraint(rule=c4_rule)

def c5_rule(model):
    return model.x1 - model.x2 - 2 * model.y2 <= 0
model.c5 = Constraint(rule=c5_rule)

def c6_rule(model):
    return model.y1 + model.y2 <= 1
model.c6 = Constraint(rule=c6_rule)
python optimization pyomo

1 回答

  • 1

    如果将 keepfiles=True 添加到 solve() 调用，它将打印出发送给Baron的临时 .bar 文件（请注意，我们也支持Baron的NL文件接口，这需要 baron_ampl 求解器） . 此外，通过使用模型上的对象的原始名称来编写文件，添加 symbolic_solver_labels=True 将使该文件更容易阅读 .

    我建议在每次迭代时为不同的运行区分这些文件 . 例如，如果第一次迭代的 .bar 文件对于两次不同的运行是相同的，但是在该迭代之后解决方案是不同的，这意味着非确定性行为在Baron内部（可能有一个Baron选项来控制它） . 否则，在代码中查找迭代顺序可能在运行之间发生更改的位置，这可能会导致某些操作的不同结果（例如，迭代字典键的位置） .

    Pyomo求解器的默认行为通常足以使输出文件对于等效的模型看起来相同 . 如果不是这种情况，很可能是因为对象没有以相同的顺序添加到父块 . 在这种情况下，您可以尝试将 file_determinism=3 添加到 solve() 调用基于文件的解算器 . 这将导致在写入文件之前进行一些额外的排序，这可确保输出文件始终看起来相同 .

    回复于

相关问题