Optimization Gekko-最优调度的不可行解，与gurobi的比较
我对古洛比有点熟悉，但过渡到盖柯似乎有一些优势。不过我遇到了一个问题，我将用我想象中的苹果园来说明。5周的收获期（Optimization Gekko-最优调度的不可行解，与gurobi的比较,optimization,time,schedule,gekko,Optimization,Time,Schedule,Gekko,我对古洛比有点熟悉，但过渡到盖柯似乎有一些优势。不过我遇到了一个问题，我将用我想象中的苹果园来说明。5周的收获期（#horizon:T=5）即将到来，我的——非常微薄的——农产品将是： [3.0,7.0,9.0,5.0,4.0] 我为自己保留的一些苹果[2.0,4.0,2.0,4.0,2.0]，剩下的农产品我将以以下价格在农贸市场出售：[0.8,0.9,0.5,1.2,1.5]。我有6个苹果的储藏空间，所以我可以提前计划，在最有利的时候出售苹果，从而最大限度地提高我的收入。我尝试使用以下模型确定
#horizon:T=5[3.0,7.0,9.0,5.0,4.0][2.0,4.0,2.0,4.0,2.0][0.8,0.9,0.5,1.2,1.5]m=GEKKO（）
m、 时间=np.linspace（0,4,5）
乌节=m.Param（[3.0,7.0,9.0,5.0,4.0]）
需求=m.Param（[2.0,4.0,2.0,4.0,2.0]）
价格=m.Param（[0.8,0.9,0.5,1.2,1.5]）
###操纵变量
#在市场上销售
卖出=毫伏（磅=0）
sell.DCOST=0
sell.STATUS=1
#拯救苹果
存储输出=m.MV（值=0，磅=0）
存储\u out.DCOST=0
存储输出状态=1
存储单位=毫伏（磅=0）
存储\u in.DCOST=0
存储状态=1
###存储空间
存储=m.Var（lb=0，ub=6）
###约束条件
#存储更改
m、 方程（storage.dt（）==存储输入-存储输出）
#平衡方程
m、 等式（销售+入库+需求==出库+果园）
#目标：在[0,4]中t的argmax总和（卖出[t]*价格[t]）
m、 最大化（销售*价格）
m、 选项。IMODE=6
m、 options.NODES=3
m、 选项。解算器=3
m、 选项。最大值=1000
m、 解决（）
demand[0]设置为3.0，而不是2.0（即等于orchard[0]
），则该模型确实产生了一个成功的解决方案
为什么会这样
即使是“成功”的输出值也有点奇怪：存储空间一次也没有使用，并且存储输出
在最后一个时间步中没有得到适当的约束。显然，我没有正确地制定约束条件。我应该怎么做才能得到与gurobi输出相当的实际结果（参见下面的代码）
Gurobi模型通过demand=[3.0,4.0,2.0,4.0,2.0]
解决。请注意，Gurobi还通过demand=[2.0,4.0,2.0,4.0,2.0]
生成了一个解决方案。这对结果的影响很小：以t=0售出的n个苹果变成了1
T=5
m=gp.Model（）
###地平线（五周）
###供应、需求和价格数据
乌节=[3.0,7.0,9.0,5.0,4.0]
需求=[3.0,4.0,2.0,4.0,2.0]
价格=[0.8,0.9,0.5,1.2,1.5]
###操纵变量
#在市场上销售
sell=m.addVars（T）
#拯救苹果
存储输出=m.addVars（T）
m、 addConstr（存储输出[0]==0）
存储=m.addVars（T）
#存储空间
存储=m.addVars（T）
m、 范围（t）内t的addConstrs（（存储[t]=0））
m、 addConstr（存储[0]==0）
#存储更改
#m、 addConstr（存储[0]==（0-存储输出[0]*增量t+存储输入[0]*增量t））
m、 范围（1，t）内的t的addConstrs（存储[t]==（存储[t-1]-存储[t]+存储[t]）
#平衡方程
m、 范围（t）内的t的addConstrs（销售[t]+需求[t]+存储[t]==（存储[t]+果园[t]）
#目标：argmax sum（a_卖出[t]*a_价格[t]-b_买入[t]*b_价格[t]）
obj=t范围内t的总价格（价格[t]*卖出[t]）
m、 设定目标（目标，总目标最大化）
m、 优化（）
输出：
sell storage_out storage_in storage
0 0.0 0.0 0.0 0.0
1 3.0 0.0 0.0 0.0
2 1.0 0.0 6.0 6.0
3 1.0 0.0 0.0 6.0
4 8.0 6.0 0.0 0.0
您可以通过以下方式获得成功的解决方案：
m.options.NODES=2
问题在于，它是在用节点=3
求解主节点点之间的平衡方程。您的微分方程具有线性解，因此节点=2
应该足够精确
以下是改进解决方案的两种其他方法：
- 在将库存移入或移出存储时设置一个小的惩罚。否则，解算器可以使用
storage\u in=storage\u out
找到大的任意值
- 我使用了
m.Minimize（1e-6*存储入）
和m.Minimize（1e-6*存储出）
- 因为初始条件通常是固定的，所以我在开始时使用零值只是为了确保计算第一个点
- 如果以整数单位出售和存储，我也会切换到整数变量。如果想要使用
solver=1
的整数解，则需要切换到APOPT解算器
这是修改后的脚本
从gekko导入gekko
将numpy作为np导入
m=GEKKO（远程=False）
m、 时间=np.linspace（0,5,6）
乌节=m.Param（[0.0,3.0,7.0,9.0,5.0,4.0]）
需求=m.Param（[0.0,2.0,4.0,2.0,4.0,2.0]）
价格=m.Param（[0.0,0.8,0.9,0.5,1.2,1.5]）
###操纵变量
#在市场上销售
sell=m.MV（磅=0，整数=True）
sell.DCOST=0
sell.STATUS=1
#拯救苹果
存储器输出=m.MV（值=0，磅=0，整数=True）
存储\u out.DCOST=0
存储输出状态=1
存储器_in=m.MV（磅=0，整数=True）
存储\u in.DCOST=0
存储状态=1
###存储空间
存储=m.Var（lb=0，ub=6，整数=True）
###约束条件
#存储更改
m、 方程（storage.dt（）==存储输入-存储输出）
#平衡方程
m、 等式（销售+入库+需求==出库+果园）
#目标：在[0,4]中t的argmax总和（卖出[t]*价格[t]）
m、 最大化（销售*价格）
m、 最小化（1e-6*存储空间）
m、 最小化（1e-6*存储输出）
m、 选项。IMODE=6
m、 options.NODES=2
m、 选项。解算器=1
m、 选项。最大值=1000
m、 解决（）
打印（‘出售’）
打印（销售价值）
打印（'存储输出'）
打印（存储输出值）
打印（'存储在'）
打印（存储单位值）
打印（'存储'）
打印（存储值）
再次感谢John，这确实非常有用！
sell storage_out storage_in storage
0 0.0 0.0 0.0 0.0
1 3.0 0.0 0.0 0.0
2 1.0 0.0 6.0 6.0
3 1.0 0.0 0.0 6.0
4 8.0 6.0 0.0 0.0
Successful solution
---------------------------------------------------
Solver : APOPT (v1.0)
Solution time : 0.058899999999999994 sec
Objective : -17.299986
Successful solution
---------------------------------------------------
Sell
[0.0, 0.0, 4.0, 1.0, 1.0, 8.0]
Storage Out
[0.0, 0.0, 1.0, 0.0, 0.0, 6.0]
Storage In
[0.0, 1.0, 0.0, 6.0, 0.0, 0.0]
Storage
[0.0, 1.0, 0.0, 6.0, 6.0, 0.0]