Python 在Pyomo中使用ipopt，如何查询当前解决方案是否可行？

我有一个ipopt模型，有时会遇到一些小的数值问题。我有一个修正算法，可以修正它们，但可能会导致其他不等式的小违规。我需要一种方法来确定当前解决方案是否可行，而无需手动查询每个变量的边界和约束。我怎样才能在pyomo内做到这一点

我知道有一种方法可以将不可行的约束记录到标准输出中，但这对我没有帮助。我需要我的代码对这些不可行性做出动态反应，比如在纠正后再运行几次迭代

更多信息： 我有一个（相对）小但高度非线性的问题，用Pyomo建模。当某些变量接近零时，该模型有时会遇到ipopt的数值问题。（我通过max*uvec=vec对全向量中的单位向量进行建模，并带有一些幅值约束，当向量的幅值接近零时，这会变得非常混乱。）幸运的是，可以从几个关键驱动变量计算模型中的所有内容，因此定义类型约束中的数值不可行性很小（例如，定义单位向量）很容易解决，但这种解决可能会导致对主要问题约束的轻微违反

我尝试过的一些事情：

来自pyomo.util.infasible的log_infasible_constraints函数：仅打印到标准输出，我找不到关于该函数的任何文档（以查看是否有允许将其用于我的需要的标志）。（该函数不返回任何内容，因此我不能简单地检查返回字符串长度。）

Update：我找到了源代码，它可以被用来创建一个（笨拙）的解决方案。然而，我怀疑这仍然会错过一些可能导致IPopt考虑一个解决方案不可行的东西（例如其他的容忍标准）。

_是否可行=（results.solver.status==SolverStatus.ok）#（其中opt=SolverFactory（'ipopt'），results=opt.solve（model）） 这仅在解算后立即起作用。如果解算器的迭代次数不足或解算后变量发生变化，则不会显示当前模型的可行性

---

（目前，由于无法查询模型的可行性，我在每次解决后都会盲目地运行校正步骤。）

我经常使用不同的NLP解算器来解决单个问题。IPOPT擅长接近解决方案，但活动集解算器可能会产生更精细的解决方案。在这种情况下，首先使用IPOPT解算，然后使用活动集算法（如CONOPT或SNOPT）重新启动可能是有意义的。我经常使用不同的NLP解算器来解决问题单个问题。IPOPT擅长接近解决方案，但活动集解算器可能会产生更精细的解决方案。在这种情况下，首先使用IPOPT解决问题，然后使用活动集算法（如CONOPT或SNOPT）重新启动可能是有意义的。