如何在 pyomo 中使用/选择/安装混合整数非线性求解器

Posted 2023-02-18

【中文标题】如何在 pyomo 中使用/选择/安装混合整数非线性求解器

【英文标题】：How to use/choose/install a Mixed-Integer Nonlinear solver in pyomo

【发布时间】：2019-09-25 00:20:14

【问题描述】：

在线我可以读到用 pyomo 解决混合整数非线性问题是可能的。但我不明白怎么做。 我用“glpk”和“ipopt”求解器解决了问题，但两者都不适用于我当前的问题（ipopt 不尊重布尔变量）。 （我还重建了问题以避免布尔变量，但如果全局最优值为 0（在一维中），ipopt 只会显示远离 0 的局部最优值。

我找到了这篇论文http://egon.cheme.cmu.edu/Papers/Bernal_Chen_MindtPy_PSE2018Paper.pdf 展示 MindtPy，但我不知道如何安装它。 我阅读了许多可能的求解器，例如 BARON、ANTIGONE、SCIP、LINDOGLOBAL 和 COUENNE。但是我如何在 pyomo 中使用它们，如果可能的话，没有许可证，或者是否有其他可以推荐的解算器，它附带 pyomo 或 anaconda（或易于安装）。 提前非常感谢

【参考方案1】：

MindtPy 在最新版本 (v. 5.6.2) 中与 Pyomo 一起分发。查看示例here，了解如何使用 MindtPy 制定和解决问题。您提到的其他求解器必须手动安装并添加到您的搜索路径中，其中一些确实需要许可证。 COUENNE 是一个免费的开源选项，您可以找到安装说明here。搜索其他求解器的主页，了解他们的许可以及如何访问它们。

【参考方案2】：

我正在为 Pyomo（或 AMPL）开发一个免费的 MINLP 求解器，称为 APOPT。可以下载当前解决NLP problems in Pyomo (MINLP not yet supported)的版本。它将 .nl 问题发送到服务器，然后将 .sol 解决方案返回给 Pyomo。

我有使用 Python Gekko 解决 MINLP 问题的界面。这也是 Pyomo 求解器性能的预览。您可以使用以下方式安装 Gekko：

pip install gekko

或者，如果您在 Jupyter 笔记本中，则可以通过在单元格中运行此命令来安装 Gekko（只需要一次）：

!pip install gekko

这是一个 MINLP 问题的示例：

from gekko import GEKKO
m = GEKKO() # Initialize gekko
m.options.SOLVER=1  # APOPT is an MINLP solver

# optional solver settings with APOPT
m.solver_options = ['minlp_maximum_iterations 500', \
                    # minlp iterations with integer solution
                    'minlp_max_iter_with_int_sol 10', \
                    # nlp sub-problem max iterations
                    'nlp_maximum_iterations 50', \
                    # maximum deviation from whole number
                    'minlp_integer_tol 0.05', \
                    # covergence tolerance
                    'minlp_gap_tol 0.01']

# Initialize variables
x1 = m.Var(value=1,lb=1,ub=5)
x2 = m.Var(value=5,lb=1,ub=5)
# Integer constraints for x3 and x4
x3 = m.Var(value=5,lb=1,ub=5,integer=True)
x4 = m.Var(value=1,lb=1,ub=5,integer=True)
# Equations
m.Equation(x1*x2*x3*x4>=25)
m.Equation(x1**2+x2**2+x3**2+x4**2==40)
m.Obj(x1*x4*(x1+x2+x3)+x3) # Objective
m.solve(disp=False) # Solve
print('Results')
print('x1: ' + str(x1.value))
print('x2: ' + str(x2.value))
print('x3: ' + str(x3.value))
print('x4: ' + str(x4.value))
print('Objective: ' + str(m.options.objfcnval))

它产生以下输出：

Results
x1: [1.3589086474]
x2: [4.5992789966]
x3: [4.0]
x4: [1.0]
Objective: 17.532267301