在不使用 for 循环的情况下检索 Pyomo 解决方案

Posted 2023-02-18

【中文标题】在不使用 for 循环的情况下检索 Pyomo 解决方案

【英文标题】：Retrieving Pyomo solution without using for loop

【发布时间】：2018-07-06 14:57:25

【问题描述】：

我正在努力寻找一种有效的方法来检索优化问题的解决方案。该解决方案包含大约 200K 个变量，我希望在 pandas DataFrame 中使用这些变量。在网上搜索后，我发现访问变量的唯一方法是通过一个看起来像这样的 for 循环：

instance = M.create_instance('input.dat') # reading in a datafile
results = opt.solve(instance, tee=True)
results.write()
instance.solutions.load_from(results)

for v in instance.component_objects(Var, active=True): 
    print ("Variable",v)
    varobject = getattr(instance, str(v))
    for index in varobject:
        print ("   ",index, varobject[index].value)

我知道我可以使用这个 for 循环将它们存储在数据框中，但这非常低效。 我发现了如何使用访问索引

import pandas as pd
index = pd.DataFrame(instance.component_objects(Var, active=True))

但我不知道如何获得解决方案

【问题讨论】：

您可以通过model.some_var.pprint() 单独检查变量。您需要将.pprint() 添加到末尾，然后您可能会看到带有所有索引的变量。

【参考方案1】：

其实有一个非常简单优雅的解决方案，使用pandas.DataFrame.from_dict方法结合Var.extract_values()方法。

from pyomo.environ import *
import pandas as pd
m = ConcreteModel()
m.N = RangeSet(5)
m.x = Var(m.N, rule=lambda _, el: el**2)  # x = [1,4,9,16,25]

df = pd.DataFrame.from_dict(m.x.extract_values(), orient='index', columns=[str(m.x)])
print(df)

产量

    x
1   1
2   4
3   9
4  16
5  25

请注意，对于Var，我们可以同时使用get_values() 和extract_values()，它们的作用似乎相同。对于Param，只有extract_values()。

【讨论】：

非常感谢！拉格朗日乘数的提取呢？

【参考方案2】：

当然您可以使用instance.some_var.pprint() 将其打印到屏幕上。 但是，如果您有一个由大集合索引的变量。您也可以将其写入 单独的文件。以下代码将结果写入 .txt 文件：

f = open('Result.txt', 'a')
instance.some_var.pprint(f)
f.close()

【参考方案3】：

我遇到了与 Jasper 相同的问题，并尝试了建议的解决方案。通过这样做，我注意到，编写结果的部分花费了大部分时间。也许 Jasper 的情况也是如此。

results.write()
instance.solutions.load_from(results)

所以如果可以的话，我建议取消这两行。也许有人建议如何加快速度？或者另一种方法。

我在这篇文章中也看到了（Pyomo：将结果保存到 CSV 文件）推荐使用“for 循环”方法。一位 pyomo 开发人员表示：“我认为在选项 2 中，索引和变量 slice 可能以不同的顺序进行迭代，这会使您的结果数组无效。”

【参考方案4】：

为了简化代码并在很大程度上避免 for 循环，我在 urbs project 中找到了 pyomoio 模块，它取代了 pandaspyomo.py 的略微弃用的代码。它依赖于每个 pyomo 对象的iteritem() 方法，优雅地处理多个维度。它可以将集合、参数、变量提取为pandas对象。

如果我建立一个小型 pyomo 模型

from pyomo.environ import *
import pyomoio as po
import pandas as pd

# Define a model with 200k values
m = ConcreteModel()
m.ix = RangeSet(200000)
def idem(model, i):
    return i
m.a = Param(m.ix, rule=idem)

一行代码就能读入参数

%%timeit
a_po = po.get_entity(m, 'a')

# 110 ms ± 1.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

但是，如果我将它与原始问题中的方法进行比较，它没有快，甚至慢一点：

%%timeit
val = []
ix = []
varobject = getattr(m, 'a')
for index in varobject:
    ix.append(index)
    val.append(varobject[index])
a = pd.Series(index=ix, data=val)
# 92.5 ms ± 1.57 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)