Optimization 异常：@错误：方程定义方程在gekko优化中没有等式（=）或不等式（>；，<；）

我正在研究一个成本最小化问题。我尝试了一次又一次，但总是出现以下错误：

“异常：@错误：方程定义

---

没有等式（=）或不等式（>，的方程问题在目标函数中

m.Obj(((((()(((()x1-x）*1.3+x）*0.014428）+(a1-x1）*1.5*0.014428)+\
（（（x2-x）*1.3+x）*0.014428）+（（a2-x2）*1.5*0.014428）+\
（（x3-x）*1.3+x）*0.014428）+（a3-x3）*1.5*0.014428）+\
（（x4-x）*1.3+x）*0.014428）+（a4-x4）*1.5*0.014428）+\
（（（x5-x）*1.3+x）*0.014428）+（（a5-x5）*1.5*0.014428()()))）

当

x1

-

x5

作为gekko变量的单个值与

a1

-

a5

作为numpy数组的多个值之间存在大小不匹配时。您可以通过切换到

a1[0]

-

a5[0]

的单个值来解决此问题

#对于a1-a5和a1[0]-a5[0]的第一个值
m、 最小化（（（x1-x）*1.3+x）*0.014428）+（a1[0]-x1）*1.5*0.014428）+\
（（x2-x）*1.3+x）*0.014428）+（a2[0]-x2）*1.5*0.014428）+\
（（（x3-x）*1.3+x）*0.014428）+（（a3[0]-x3）*1.5*0.014428）+\
（（x4-x）*1.3+x）*0.014428）+（a4[0]-x4）*1.5*0.014428）+\
（（（x5-x）*1.3+x）*0.014428）+（（a5[0]-x5）*1.5*0.014428(‘)))）

您还可以在循环中使用多个最小化函数，这些函数与作为单个值的

a1[i]

-

a5[i]

不同

#适用于a1-a5的所有值
y=[x1，x2，x3，x4，x5]
a=[a1、a2、a3、a4、a5]
对于范围（5）中的i：
对于范围内的j（len（a1））：
m、 最小化（（a[i][j]-y[i]）*1.5*0.014428）

以下是包含两个选项的完整脚本：

从gekko导入gekko
将numpy作为np导入
a1=np.数组（[9354212895715055162915138111167849，
101090, 169190, 127892, 162915, 138111, 167849,
101090, 169190, 127892 ])
a2=np.数组（[139431126870212250412326910130390893，
99909,  96047,  97409, 122504, 123269, 101303,  90893,
99909,  96047,  97409 ])
a3=np.数组（[13371121702126504226691080390893，
99009,  91047,  97409,  122504, 123269, 101303,  90893,
99909,  96047,  97409])
a4=np.阵列（[57428、16631、1567、1264、1462、1434、，
107626, 106313,  90475, 100726, 442378, 407667,
95518, 128901, 124170, 122504, 123269, 101303,  90893,
99909,  96047,  97409 ])
a5=np.阵列（[148428、166371、132867、510264、145462、648634、，
107626, 195313,  90475, 105726, 122504, 123269, 101303,  90893,
99909,  96047,  97409])
#定义变量
sa1=-np.sort（-a1）
sa2=-np.sort（-a2）
sa3=-np.sort（-a3）
#马克斯8。
a1max8=sa1[7]
a2max8=sa2[7]
a3max8=sa3[7]
#最大和最小定义
a1min=np.min（a1）
a1max=np.max（a1）
a2min=np.min（a2）
a2max=np.max（a2）
a3min=np.min（a3）
a3max=np.max（a3）
a4min=np.min（a4）
a4max=np.max（a4）
a5min=np.min（a5）
a5最大值=np最小值（a5）
#初始化模型
m=GEKKO（远程=False）
#初始化变量
x、 x1，x2，x3，x4=[m.Var（）表示范围（5）中的i]
x=m.Var（lb=2000，ub=7000，name='x'）
x1=m.Var（lb=a1min，ub=a1max，name='x1'）
x2=m.Var（lb=a2min，ub=a2max，name='x2'）
x3=m.Var（lb=a3min，ub=a3max，name='x3'）
x4=m.Var（lb=a4min，ub=a4max，name='x4'）
x5=m.Var（lb=a5min，ub=a5max，name='x5'）
m、 方程（x1>=a1max8）
m、 方程（x2>=a2max8）
m、 方程（x3>=a3max8）
#对于a1-a5和a1[0]-a5[0]的第一个值
m、 最小化（（（x1-x）*1.3+x）*0.014428）+（a1[0]-x1）*1.5*0.014428）+\
（（x2-x）*1.3+x）*0.014428）+（a2[0]-x2）*1.5*0.014428）+\
（（（x3-x）*1.3+x）*0.014428）+（（a3[0]-x3）*1.5*0.014428）+\
（（x4-x）*1.3+x）*0.014428）+（a4[0]-x4）*1.5*0.014428）+\
（（（x5-x）*1.3+x）*0.014428）+（（a5[0]-x5）*1.5*0.014428(‘)))）
#对于a1-a5的所有值
y=[x1，x2，x3，x4，x5]
a=[a1、a2、a3、a4、a5]
对于范围（5）中的i：
对于范围内的j（len（a1））：
m、 最小化（（a[i][j]-y[i]）*1.5*0.014428）
m、 options.IMODE=3
m、 解决（）
打印（'结果'）
打印（'x:'+str（x.value））
打印（'x1:'+str（x1.value））
打印（'x2:'+str（x2.值））
打印（'x3:'+str（x3.value））
打印（'x4:'+str（x4.value））
打印（'x5:'+str（x5.value））

另一个选项是切换到

IMODE=2

并将

a1

-

a5

声明为

m.Param（）

声明为：

m.options.IMODE=2
a1p=m.Param（a1）
a2p=m.Param（a2）
a3p=m.Param（a3）
a4p=m.Param（a4）
a5p=m.Param（a5）

IMODE=2

在多个数据集上使用相同的方程式进行操作。我现在推荐其他选项，但如果您希望您的代码能够更高效地处理大规模问题，这是一个选项

对编辑的响应

结果是正确的。您提出的问题是一个线性规划问题，因此解决方案保证是最优的。当满足时，解算器会报告一个成功的解决方案。变量达到其上限的原因是您有22个

-x1

（以及其他变量）。如果您试图执行回归以适应

a1

值，则可能需要修改目标函数，例如

sum（（a1-x1）**2）

Results
x: [7000.0]
x1: [169190.0]
x2: [1394312.0]
x3: [133712.0]
x4: [1264.0000155]
x5: [50000.0]