不知道大家在写CPLEX的时候遇到过这个问题没有？
其实有过经验的小伙伴都知道该怎么处理了，但是小编决定还是写一下避免刚入行的小伙伴们踩坑。
这个错误呢查了ibm knowledge center显示如下：
里面讲了一堆想必大家也懒得去看了，我来讲讲这类问题的解决方案吧~出现这个错误的原因不是编程上的问题，而是建模方式上的问题。简单来说就是目标函数或者约束上出现了非线性的数学表达式。
那么什么是线性和非线性呢？我这里引一下百度知道上一个非常通俗易懂的解释：
两个变量之间的关系是一次函数关系的——图象是直线，这样的两个变量之间的关系就zhi是“线性关系”；如果不是一次函数关系的——图象不是直线，就是“非线性关系”。比如说y=kx 就是线形的 而y=x^2就是非线形的线形的图形一般是一条直线。
“非线性”的意思就是“所得非所望”。一个线性关系中的量是成比例的：十枚橘子的价钱是一枚的十倍。非线性意味着批发价格是不成比例的：一大箱橘子的价钱比一枚的价钱乘以橘子的个数要少。这里重要的观念是“反馈”——折扣的大小反过来又影响顾客购买的数量。
也就是说你的模型中很可能出现了多个变量相乘的情况，例如下面这种情景：
要解决这个问题，首先就得想你的模型给linearlized了。而最常用的做法就是“大M”法了，通过增加一个充分大的数，将多个相乘的变量给拆开，从而达到线性化的目的。
不过像上图那种情况就非常麻烦（其实是我建模建错了），今天就先不讨论。举个简单的例子，VRP的arc-flow模型中货物流常见的约束如下：
其中 Q j k Q_j^k Qjk和 x i , j k x_{i,j}^k xi,jk为决策变量， Q j k Q_j^k Qjk表示车辆 k k k离开客户 j j j以后的载重量，而 x i , j k x_{i,j}^k xi,jk为1表示车辆走过边( i , j i, j i,j)，否则为0。这条约束的含义是非常明了的，如果车辆经过边( i , j i, j i,j)，那么该车辆离开客户 j j j的载重量必须大于等于车辆离开客户 i i i的载重量加上客户 j j j的需求量，这是货物流平衡。
可以看到不等式右边出现了变量和变量相乘的情况，这就造成了我们刚刚说的“非线性”问题，那么这个模型放进cplex中肯定会报“not convex”的错误。为了让cplex能求解该模型，我们需要将非线性的约束转成线性的。
常见的一个办法是引入一个充分大的数，我们都喜欢叫它大M。当然这个数具体要多大，是不是越大越好，也不一定，后面我再讲。
先观察约束(8)右端的式子，发现只有当 x i , j k x_{i,j}^k xi,jk为1时，才需要 Q j k ≥ Q i k + q i Q_j^k \ge Q_i^k + q_i Qjk≥Qik+qi，当 x i , j k x_{i,j}^k xi,jk为0时， Q j k Q_j^k Qjk就无所谓了。这是一个非常明显的if else约束。因此可以考虑将 x i , j k x_{i,j}^k xi,jk提取出来，和一个大M相乘：
Q j k ≥ Q i k + q j + M ( x i , j k − 1 ) Q_j^k \ge Q_i^k + q_j +M(x_{i,j}^k-1) Qjk≥Qik+qj+M(xi,jk−1)
我们现在来检验上面这个约束含义是否和之前的保持一致。首先当 x i , j k x_{i,j}^k xi,jk为1时， M ( x i , j k − 1 ) = 0 M(x_{i,j}^k-1)=0 M(xi,jk−1)=0,约束变成 Q j k ≥ Q i k + q j Q_j^k \ge Q_i^k + q_j Qjk≥Qik+qj，这个没问题。然后当 x i , j k x_{i,j}^k xi,jk为0时， M ( x i , j k − 1 ) = − M M(x_{i,j}^k-1)=-M M(xi,jk−1)=−M，这个约束就被松弛掉了，也就是说 Q j k Q_j^k Qjk取其定义域内任意值都能满足，也和之前的保持一致。
这样，我们就将两个相乘的变量通过一个大M将其拆开了。将其他非线性约束改成非线性约束，就能放进CPLEX跑了。当然了，小编才疏学浅，目前只知道这种方法，不过已经够小编用了，就没继续往下深究。关于大M法将if else类的约束线性化，我这里贴一个知乎上的回答：
如果有多个变量相乘，那可能就得引入多个大M。不过呢，到这里还没有结束。下面我们聊聊关于大M的取值与CPLEX的精度可能造成的BUG。这种BUG是非常可怕的，如果不了解这一点，可能要走很多很多弯路哦，而且书本上才不会告诉你这些。
还是下面这条式子：
Q j k ≥ Q i k + q j + M ( x i , j k − 1 ) Q_j^k \ge Q_i^k + q_j +M(x_{i,j}^k-1) Qjk≥Qik+qj+M(xi,jk−1)
关键就在于CPLEX可能会存在精度损失，比如为0-1的决策变量有可能求解之后是这样的：
也就是说当 x = 0.9999999995343387 x=0.9999999995343387 x=0.9999999995343387或者当 x = 1.0000000004656613 x=1.0000000004656613 x=1.0000000004656613，本应该为0的 M ( x i , j k − 1 ) M(x_{i,j}^k-1) M(xi,jk−1)此刻都不是0了。那么这就很有可能造成约束失效，从而使模型无法满足所有约束。
不过注意，我上面说的是有可能造成约束失效，而非一定。 x = 0.9999999995343387 x=0.9999999995343387 x=0.9999999995343387和 x = 1.0000000004656613 x=1.0000000004656613 x=1.0000000004656613，它们和1相差的值都在小数点的后九位。也就是说当M设置得足够大的时候（比如 1 0 10 10^{10} 1010）， M ( x i , j k − 1 ) M(x_{i,j}^k-1) M(xi,jk−1)也会足够大，大到影响约束原本的作用。而当M不那么大的时候（比如 1 0 5 10^{5} 105）， M ( x i , j k − 1 ) M(x_{i,j}^k-1) M(xi,jk−1)也是小数点后4位，对原约束可以认为是没有影响的。
当然这个没有影响是相对于 Q j k Q_j^k Qjk和 q j q_j qj而言，因为他们要求为整数并且大于等于0，就相当于你有1000万，那么丢几块钱对你来说除了有点小小的不爽以外，基本上也是没影响的。
那么M取什么值比较合适呢，这就需要大家去做一个简单的bound了，简单判断下影响约束的一个upper bound或者lower bound，只需要大致估算一个值即可。比如上面那个货物流平衡，可以取 M = 2 V c a p M = 2V_{cap} M=2Vcap，其中 V c a p V_{cap} Vcap为车辆的容量。
好了，以上就是今天分享的内容了。可以关注我们，不定时分享一下小编踩过的雷，这样你就不会在漫漫科研路上踩到相同的雷啦。
来都来了，不点个再看吗？