Julia/JuMP v 1.10中如何求和

我在下面的帖子中看到了一个过时的答案（） 不幸的是，它已经3岁了，但这正是我想要的。但是，由于sum（）函数在过去几年中发生了更改，因此代码由于一些语法错误而失败

对于我的代码，我发现sum（）函数只对一个索引变量I起作用，但如果我包含另一个变量j，该函数将停止工作。如果有什么不同的话，我也在用jupyter笔记本。有什么想法吗

Using JuMP
ZS = Model(with_optimizer(Gurobi.Optimizer))

P = [[10 -20];
    [30 -40]]

@variable(ZS, x[1,1:2])
@variable(ZS, y[1:2,1])


@objective(ZS, Max, sum(x[i]*P[i,j]*y[j] for i=1:2 for j=1:2)) 


@constraint(ZS, con1, x[1] + x[2] <= 1)
@constraint(ZS, con2, y[1] + y[2] <= 1)

optimize!(ZS)

使用跳转
ZS=模型（带有_优化器（Gurobi.optimizer））
P=[[10-20]；
[30 -40]]
@变量（ZS，x[1,1:2]）
@变量（ZS，y[1:2,1]）
@目标（ZS，Max，sum（x[i]*P[i，j]*y[j]表示i=1:2表示j=1:2））
@约束（ZS，con1，x[1]+x[2]将变量的定义更改为一维，如下所示：

@variable(ZS, x[1:2])
@variable(ZS, y[1:2])

@objective(ZS, Max, sum(x[1,i]*P[i,j]*y[j,1] for i=1:2 for j=1:2)) 

@constraint(ZS, con1, x[1,1] + x[1,2] <= 1)
@constraint(ZS, con2, y[1,1] + y[2,1] <= 1)

julia> P = [10 -20
            30 -40]
2×2 Array{Int64,2}:
 10  -20
 30  -40

所有这些都应该像预期的那样起作用

或者将
x
和
y
保留为二维，并像这样重新定义您的目标和约束：

@variable(ZS, x[1:2])
@variable(ZS, y[1:2])

@objective(ZS, Max, sum(x[1,i]*P[i,j]*y[j,1] for i=1:2 for j=1:2)) 

@constraint(ZS, con1, x[1,1] + x[1,2] <= 1)
@constraint(ZS, con2, y[1,1] + y[2,1] <= 1)

julia> P = [10 -20
            30 -40]
2×2 Array{Int64,2}:
 10  -20
 30  -40

似乎需要更新for循环语法，并将解算器设置为非凸

我还建议对vars、exp等使用匿名标签，以便您可以根据需要更改它们

using JuMP
using Gurobi
ZS = Model(Gurobi.Optimizer)

set_optimizer_attribute(ZS, "NonConvex", 2)

P = [[10 -20];
    [30 -40]]

xs = @variable(ZS, x[1:2])
ys = @variable(ZS, y[1:2])


my_obj = @objective(ZS, Max, sum(x[i]*P[i,j]*y[j] for i in 1:2, j in 1:2)) 


con1 = @constraint(ZS,  x[1] + x[2] <= 1)
con2 = @constraint(ZS, , y[1] + y[2] <= 1)


optimize!(ZS)

使用跳转
使用古罗比
ZS=模型（Gurobi.Optimizer）
设置优化器属性（ZS，“非凸”，2）
P=[[10-20]；
[30 -40]]
xs=@变量（ZS，x[1:2]）
ys=@变量（ZS，y[1:2]）
my_obj=@objective（ZS，Max，sum（x[i]*P[i，j]*y[j]代表1:2中的i，j代表1:2））
con1=@constraint（ZS，x[1]+x[2]谢谢，但是现在我有另一个错误，我认为这与我的目标函数没有正确实现有关，因为它有两个变量x和y。我现在收到这个错误：Gurobi.gurobier（10020，“目标Q不是PSD（需要7.0e+01的对角线调整）”）错误在于你的目标函数不是PSD（即半正定）.Gurobi中的二次解算器支持PSD目标。如果目标不是PSD，则目标函数在可容许域中可能是非凸的，因此具有多个局部极小值。在这种情况下，如果要找到全局极小值，则需要使用一些全局优化例程。如果只需要局部极小值，则可以使用任何一般g辐射优化包。