Python pyomo的抽象模型与具体模型？“怎么做？”；选择权[选择权]；在寻找最佳解决方案方面有什么不同？

我有一个抽象模型和一个具体模型来解决同一个问题，但它们的表现不同。主要是关于变量的初始值和ipopt的公差

当我将变量model.x初始化为10和opt.options[“tol”]=1E-64时： 具体模型可以找到最优解，而抽象模型“求解到可接受的水平”。（但他们找到的解决方案实际上是相同的）

当我将变量model.x初始化为100和opt.options[“tol”]=1E-64时： 具体模型可以找到最佳解决方案，而抽象模型有时“已解决到可接受的水平”，有时“无法加载状态不好的SolverResults对象：错误”

如果我只使用ipopt的默认公差值，无论我如何初始化变量模型，ConcreteModel和AbstractModel都可以找到相同的最佳解决方案。x

所以我想知道opt.options[“tol”]是如何起作用的？为什么在这种情况下，ConcreteModel总是能够找到最优解，而AbstractModel却不能

变数

model.x = Var(model.Crops, model.Inputs, initialize = 100, within=NonNegativeReals)

抽象模型的求解脚本

instance = model.create_instance(data="AbstractCDFarm.dat")
opt = SolverFactory("ipopt")
opt.options["tol"] = 1E-64
results = opt.solve(instance, tee=True) 
instance.display()

具体模型的求解脚本

opt = SolverFactory('ipopt')
opt.solve(model, tee=True) 
opt.options["tol"] = 1E-64
results = opt.solve
model.display()

---

您为ConcreteModel调用了两次solve，您看到的输出似乎是针对默认Ipopt公差的，而不是针对1E-64公差的。你为什么设定这么低的容忍度？1E-64比机器精度小，因此收敛到的公差非常小。

不，我有两种不同的型号。这里我只是展示了两个模型的脚本。公差值究竟告诉我们什么？但您可以看到，在1E-64的低公差下，具体模型仍然能够找到最佳解决方案。为什么抽象模型不能呢？仔细检查你的脚本。在问题中发布的ConcreteModel脚本中，在设置解算器公差之前，调用

opt.solve（model，tee=True）

。因此，您在屏幕上看到的具有默认Ipopt公差1E-8的输出。阅读这里的Ipopt选项：我将公差线移到了求解线之前，它也给出了“求解到可接受水平”。谢谢你的提示！