pyomo 的 AbstractModel VS ConcreteModel？ "opt.options["tol"]" 如何在寻找最佳解决方案方面发挥作用？答案

【问题标题】：AbstractModel VS ConcreteModel of pyomo? how does "opt.options["tol"]" make the difference in finding optimal solution?pyomo 的 AbstractModel VS ConcreteModel？ "opt.options["tol"]" 如何在寻找最佳解决方案方面发挥作用？
【发布时间】：2019-06-21 09:48:11
【问题描述】：

我有一个 AbstractModel 和一个 ConcreteModel 解决同样的问题，但它们的表现不同。主要是关于变量的初始值和ipopt的容差。

当我将变量 model.x 初始化为 10 并且 opt.options["tol"] = 1E-64: ConcreteModel 可以找到最优解，而抽象模型“Solved To Acceptable Level”。（但他们找到的解决方案其实是一样的）
当我将变量 model.x 初始化为 100 并且 opt.options["tol"] = 1E-64: ConcreteModel 可以找到最佳解决方案，而抽象模型有时“已解决到可接受的水平”，有时“无法加载状态不佳的 SolverResults 对象：错误”。
如果我只使用ipopt的默认公差值，无论我如何初始化变量model.x，ConcreteModel和AbstractModel都能找到相同的最优解。

所以我想知道 opt.options["tol"] 有何不同？为什么在这种情况下 ConcreteModel 总是能够找到最佳解决方案，而 AbstractModel 却不能？

变量

model.x = Var(model.Crops, model.Inputs, initialize = 100, within=NonNegativeReals)

解决 AbstractModel 的脚本

instance = model.create_instance(data="AbstractCDFarm.dat")
opt = SolverFactory("ipopt")
opt.options["tol"] = 1E-64
results = opt.solve(instance, tee=True) 
instance.display()

ConcreteModel 的求解脚本

opt = SolverFactory('ipopt')
opt.solve(model, tee=True) 
opt.options["tol"] = 1E-64
results = opt.solve
model.display()

【问题讨论】：

标签： python pyomo ipopt

【解决方案1】：

您为 ConcreteModel 调用了两次求解，看起来您看到的输出是针对默认 Ipopt 容差而不是针对 1E-64 的容差。你为什么设置这么低的容忍度？ 1E-64 比机器精度小，因此收敛到的容差非常小。

【讨论】：

不，我有两个分开的模型。这里我只是展示了两个模型的脚本。公差值到底告诉我们什么？但是你可以看到，在 1E-64 的低容差下，具体模型仍然能够找到最优解。为什么没有抽象模型？
仔细检查您的脚本。在您的问题中发布的 ConcreteModel 脚本中，您在设置求解器容差之前调用 opt.solve(model, tee=True)。因此，您在屏幕上看到的输出具有默认的 Ipopt 容差 1E-8。在此处阅读有关 Ipopt 选项的信息：coin-or.org/Ipopt/documentation/…
我在求解线之前移动了公差线，它也给出了“解决到可接受的水平”。感谢您的提示！