optimization - Gekko - 优化调度的不可行解决方案,与 gurobi 进行比较
问题描述
我对 Gurobi 有点熟悉,但由于 Gekko 似乎有一些优势,所以过渡到了 Gekko。不过,我遇到了一个问题,我将使用我想象中的苹果园来说明这一点。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]
我自己保留一些苹果[2.0, 4.0, 2.0, 4.0, 2.0]
,剩余的农产品我将在农贸市场以以下价格出售:[0.8, 0.9, 0.5, 1.2, 1.5]
。我有可容纳 6 个苹果的存储空间,因此我可以提前计划并在最佳时机出售苹果,从而最大限度地提高收入。我尝试使用以下模型确定最佳时间表:
m = GEKKO()
m.time = np.linspace(0,4,5)
orchard = m.Param([3.0, 7.0, 9.0, 5.0, 4.0])
demand = m.Param([2.0, 4.0, 2.0, 4.0, 2.0])
price = m.Param([0.8, 0.9, 0.5, 1.2, 1.5])
### manipulated variables
# selling on the market
sell = m.MV(lb=0)
sell.DCOST = 0
sell.STATUS = 1
# saving apples
storage_out = m.MV(value=0, lb=0)
storage_out.DCOST = 0
storage_out.STATUS = 1
storage_in = m.MV(lb=0)
storage_in.DCOST = 0
storage_in.STATUS = 1
### storage space
storage = m.Var(lb=0, ub=6)
### constraints
# storage change
m.Equation(storage.dt() == storage_in - storage_out)
# balance equation
m.Equation(sell + storage_in + demand == storage_out + orchard)
# Objective: argmax sum(sell[t]*price[t]) for t in [0,4]
m.Maximize(sell*price)
m.options.IMODE=6
m.options.NODES=3
m.options.SOLVER=3
m.options.MAX_ITER=1000
m.solve()
由于某种原因,这是不可行的(错误代码 = 2)。有趣的是,如果设置demand[0] to 3.0, instead of 2.0
(即等于orchard[0]
,模型确实会产生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:存储空间没有被使用一次,并且
storage_out
在最后一个时间步中没有得到适当的限制。显然,我没有正确制定约束。我应该怎么做才能获得与 gurobi 输出相当的实际结果(参见下面的代码)?
output = {'sell' : list(sell.VALUE),
's_out' : list(storage_out.VALUE),
's_in' : list(storage_in.VALUE),
'storage' : list(storage.VALUE)}
df_gekko = pd.DataFrame(output)
df_gekko.head()
> sell s_out s_in storage
0 0.0 0.000000 0.000000 0.0
1 3.0 0.719311 0.719311 0.0
2 7.0 0.859239 0.859239 0.0
3 1.0 1.095572 1.095572 0.0
4 26.0 24.124924 0.124923 0.0
Gurobi 模型用 求解demand = [3.0, 4.0, 2.0, 4.0, 2.0]
。请注意,gurobi 也产生了一个解决方案demand = [2.0, 4.0, 2.0, 4.0, 2.0]
。这对结果只有微不足道的影响:在 t=0 时售出的n 个1
苹果变为.
T = 5
m = gp.Model()
### horizon (five weeks)
### supply, demand and price data
orchard = [3.0, 7.0, 9.0, 5.0, 4.0]
demand = [3.0, 4.0, 2.0, 4.0, 2.0]
price = [0.8, 0.9, 0.5, 1.2, 1.5]
### manipulated variables
# selling on the market
sell = m.addVars(T)
# saving apples
storage_out = m.addVars(T)
m.addConstr(storage_out[0] == 0)
storage_in = m.addVars(T)
# storage space
storage = m.addVars(T)
m.addConstrs((storage[t]<=6) for t in range(T))
m.addConstrs((storage[t]>=0) for t in range(T))
m.addConstr(storage[0] == 0)
# storage change
#m.addConstr(storage[0] == (0 - storage_out[0]*delta_t + storage_in[0]*delta_t))
m.addConstrs(storage[t] == (storage[t-1] - storage_out[t] + storage_in[t]) for t in range(1, T))
# balance equation
m.addConstrs(sell[t] + demand[t] + storage_in[t] == (storage_out[t] + orchard[t]) for t in range(T))
# Objective: argmax sum(a_sell[t]*a_price[t] - b_buy[t]*b_price[t])
obj = gp.quicksum((price[t]*sell[t]) for t in range(T))
m.setObjective(obj, gp.GRB.MAXIMIZE)
m.optimize()
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
解决方案
您可以通过以下方式获得成功的解决方案:
m.options.NODES=2
问题是它正在求解主节点点之间的平衡方程NODES=3
。您的微分方程具有线性解,因此NODES=2
应该足够准确。
以下是改进解决方案的其他几种方法:
- 对将库存移入或移出存储设置小额罚款。否则,求解器可以用 找到大的任意值
storage_in = storage_out
。 - 我用
m.Minimize(1e-6*storage_in)
和m.Minimize(1e-6*storage_out)
。 - 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。
- 如果它们以整数单位出售和存储,我也切换到整数变量。如果你想要一个整数解,你需要切换到 APPT 求解器
SOLVER=1
。
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]
这是修改后的脚本。
from gekko import GEKKO
import numpy as np
m = GEKKO(remote=False)
m.time = np.linspace(0,5,6)
orchard = m.Param([0.0, 3.0, 7.0, 9.0, 5.0, 4.0])
demand = m.Param([0.0, 2.0, 4.0, 2.0, 4.0, 2.0])
price = m.Param([0.0, 0.8, 0.9, 0.5, 1.2, 1.5])
### manipulated variables
# selling on the market
sell = m.MV(lb=0, integer=True)
sell.DCOST = 0
sell.STATUS = 1
# saving apples
storage_out = m.MV(value=0, lb=0, integer=True)
storage_out.DCOST = 0
storage_out.STATUS = 1
storage_in = m.MV(lb=0, integer=True)
storage_in.DCOST = 0
storage_in.STATUS = 1
### storage space
storage = m.Var(lb=0, ub=6, integer=True)
### constraints
# storage change
m.Equation(storage.dt() == storage_in - storage_out)
# balance equation
m.Equation(sell + storage_in + demand == storage_out + orchard)
# Objective: argmax sum(sell[t]*price[t]) for t in [0,4]
m.Maximize(sell*price)
m.Minimize(1e-6 * storage_in)
m.Minimize(1e-6 * storage_out)
m.options.IMODE=6
m.options.NODES=2
m.options.SOLVER=1
m.options.MAX_ITER=1000
m.solve()
print('Sell')
print(sell.value)
print('Storage Out')
print(storage_out.value)
print('Storage In')
print(storage_in.value)
print('Storage')
print(storage.value)
推荐阅读
- python - 当前房间中精灵的碰撞检测
- excel - 在一个单元格中创建一个适用于整列的 if 语句
- json - 为什么在数据库中有特殊字符时 JSON 不正确?
- php - 重定向到主页 Opencart
- node.js - 用于制作聊天机器人的 Node js
- android - 基于电话应用程序的 DHT 网络是否实用?
- model - Yii2如何在模型中设置小数规则
- ios - 如何以编程方式快速从 iPhone 上传 PDF、.txt 等文档?
- python - Django 中隔离 Virtualenv 的含义以及我在系统上安装的 Django 本地副本的范围是什么
- aurelia - 在 Aurelia 中同步加载 xml 文件