Python 在构造更复杂的目标函数时，古洛比误差因子必须是常数

当我使用一个相当直接的成本函数作为优化目标函数时，gurobi给出了一个答案，但当我使用

math.log（）

函数或甚至使用

I**2

而不是

I*I

将事情复杂化时，它会产生一个类似于以下其中一个的错误：

GurobiError:除数必须是常量

TypeError:需要浮点数

TypeError:不支持**或pow（）的操作数类型：'Var'和'int'

我试图将

math.log（（m-I）/I）

重新格式化为

math.log（m-I）-math.log（I）

这会产生浮点值是必需的错误。将

i*i

更改为

i**2

会产生不支持的错误

现在我的问题是：在Gurobi中创建一个更复杂的函数是不可能的吗？或者我在别的地方犯了错误

这是我的模型的剪贴画

from gurobipy import *
import pandas as pd
import numpy as np
import time
import math

start_time = time.time()


# example NL (i, 20, 0.08, -6.7, 301)
def cost(i, j, k, l, m):
    cost = (j - l)*i + k*i*i - l*(m - i) * (math.log((m - i) / i ))
    return cost


def utility(i, j, k, l):
    utility = j + k*i + l*i*i
    return utility

"""
def cost(i, j, k, l):
    cost = j + k*i + .5*l*i*i
    return cost
"""

# assign files to use as input and as output
outputfile = 'model1nodeoutput.csv'
inputfile = 'marketclearinginput.xlsx'

# define dataframes
dfdemand = pd.read_excel(inputfile, sheetname="demand", encoding='utf8')
dfproducer = pd.read_excel(inputfile, sheetname="producer", encoding='utf8')

m = Model("1NodeMultiPeriod")

dofprod = [m.addVar(lb=3.0, ub=300, name=h) for h in dfproducer['name']]
dofdem = [m.addVar(lb=3.0, ub=300, name=h) for h in dfdemand['name']]

# Integrate new variables
m.update()

# Set objective
m.setObjective(quicksum([utility(i, j, k, l) for i, j, k, l
                        in zip(dofdem, dfdemand['c'], dfdemand['a'], dfdemand['b'])]) -
               quicksum([cost(i, j, k, l, m) for i, j, k, l, m
                        in zip(dofprod, dfproducer['c'], dfproducer['a'], dfproducer['b'], dfproducer['Pmax'])]),
               GRB.MAXIMIZE)

# Set constraints
# Set constraints for producers
for i, j, k in zip(dofprod, dfproducer['Pmin'], dfproducer['Pmax']):
    m.addConstr(i >= j)
    m.addConstr(i <= k)
# Set constraints for demand
for i, j, k in zip(dofdem, dfdemand['Pmin'], dfdemand['Pmax']):
    m.addConstr(i >= j)
    m.addConstr(i <= k)
# Build the timestamp list, pd or np unique both possible, pd faster and preserves order
# Timestamps skips the first 3 symbols (example L1T2034 becomes 2034)
timestamps = pd.unique([i.varName[3:] for i in dofprod])
# Set constraint produced >= demanded (this should be te last constraint added for shadow variables)
for h in timestamps:
    m.addConstr(quicksum([i for i in dofprod if i.varName.endswith(h)]) >=
                quicksum([i for i in dofdem if i.varName.endswith(h)]))


m.optimize()

从gurobipy导入*
作为pd进口熊猫
将numpy作为np导入
导入时间
输入数学
开始时间=time.time（）
#示例NL（i，20，0.08，-6.7，301）
def成本（i、j、k、l、m）：
成本=（j-l）*i+k*i*i-l*（m-i）*（数学日志（（m-i）/i））
退货成本
def实用程序（i、j、k、l）：
效用=j+k*i+l*i*i
返回实用程序
"""
def成本（i、j、k、l）：
成本=j+k*i+5*l*i*i
退货成本
"""
#指定要用作输入和输出的文件
outputfile='model1nodeoutput.csv'
inputfile='marketclearinginput.xlsx'
#定义数据帧
dfdemand=pd.read\u excel（输入文件，sheetname=“demand”，encoding='utf8'）
dfproducer=pd.read\u excel（输入文件，sheetname=“producer”，encoding='utf8'）
m=模型（“1节点多时段”）
dofprod=[m.addVar（lb=3.0，ub=300，name=h）表示dfproducer['name']]中的h
dofdem=[m.addVar（lb=3.0，ub=300，name=h），用于dfdemand中的h['name']]
#整合新变量
m、 更新（）
#设定目标
m、 setObjective（quicksum（[实用程序（i，j，k，l））用于i，j，k，l
在zip中（dofdem、dfdemand['c']、dfdemand['a']、dfdemand['b']））-
quicksum（[成本（i，j，k，l，m）为i，j，k，l，m
在zip中（dofprod、dfproducer['c']、dfproducer['a']、dfproducer['b']、dfproducer['Pmax']），
GRB（最大化）
#设置约束条件
#为生产者设置约束条件
对于拉链中的i、j、k（dofprod、dfproducer['Pmin']，dfproducer['Pmax']）：
m、 addConstr（i>=j）
m、 addConstr（i=j）
m、 addConstr（i=required）（这应该是为阴影变量添加的最后一个约束）
对于时间戳中的h：
m、 addConstr（quicksum（[i代表dofprod中的i，如果i.varName.endswith（h）]）>=
quicksum（[i表示dofdem中的i，如果i.varName.endswith（h）]）
m、 优化（）

您的问题可能与Gurobi quicksum（）函数有关。或许可以尝试sum（）。

您能详细说明一下吗？使用sum而不是quicksum不会改变任何事情！您能找到除数必须为常量的解决方案吗？我也有同样的问题！