问题描述
根据a related question中的提示,将字典用作gekko的源输入,我做了以下工作;
import pandas as pd
from gekko import GEKKO
my_vars = ['x1','x2','x3']
# stored as dictionaries
Cost = {'x1':100,'x2':125,'x3':80}
Min = {'x1':0,'x2':0,'x3':0}
Max = {'x1':70,'x2':40,'x3':15}
LP = GEKKO(remote=False)
va = LP.Array(LP.Var,(len(my_vars))) # array
vd = {} # dictionary
for i,xi in enumerate(my_vars):
vd[xi] = va[i]
vd[xi].lower = Min[xi]
vd[xi].upper = Max[xi]
# Cost function
LP.Minimize(LP.sum([Cost[xi]*vd[xi] for xi in my_vars]))
# This also works as a dictionary
LP.Equation(LP.sum([vd[xi] for xi in my_vars])==100)
LP.solve(disp=True)
for xi in my_vars:
print(xi,vd[xi].value[0])
print ('Cost: ' + str(LP.options.OBJFCNVAL))
成功了。
但是假设我的数据帧格式的变量系数为LHS,标准数据为RHS,
例如;
Coef = [['x1',33,8.8,0.2,0.1],['x2',24,4.5,2,0.5],['x3',82,'','']]
LHS = pd.DataFrame(Coef,columns=['Name','p1','p2','p3','p4'])
LHS.set_index('Name')
and
goals = [['p1',30],['p2',5],['p3',0.7],['p4',0.2]]
RHS = pd.DataFrame(goals,columns=['property','goal'])
我想在for循环中使用LHS和RHS数据动态构造约束。 我做了如下,
for i in range(len(RHS)):
LP.Equation(LP.sum([LHS.iloc[list(my_vars).index(xi),i]*vd[xi] for xi in my_vars]) >= RHS.iloc[i,1])
但是有错误。
APMonitor,版本0.9.2
APMonitor优化套件
--------- APM Model Size ------------
每个时间步包含
对象:6
常数:0
变量:28
中间体:0
连接数:24
式:22
残渣:22
@error:模型表达式***错误 函数字符串的语法:无效元素:x1位置:7 v9-((((x1)*(v1))) ?
回溯(最近通话最近一次):
文件“”,第1行,在 LP.solve(disp = True)
文件 “ /opt/anaconda3/envs/py37/lib/python3.7/site-packages/gekko/gekko.py”, 2130行,在解决 引发异常(apm_error)
异常:@error:模型表达式***函数语法错误 字符串:无效元素:x1
位置:7 v9-((((x1)*(v1))) ?
我的代码有什么问题?
解决方法
要正确准备Pandas数据框,需要做几件事。这是一个将所有内容组合在一起并给出成功解决方案的脚本。
import pandas as pd
from gekko import GEKKO
my_vars = ['x1','x2','x3']
# stored as dictionaries
Cost = {'x1':100,'x2':125,'x3':80}
Min = {'x1':0,'x2':0,'x3':0}
Max = {'x1':70,'x2':40,'x3':15}
Coef = [['x1',33,8.8,0.2,0.1],\
['x2',24,4.5,2.0,0.5],\
['x3',82,0.0,0.0]]
LHS = pd.DataFrame(Coef,\
columns=['Name','p1','p2','p3','p4'])
LHS = LHS.set_index('Name')
print(LHS.head())
goals = [['p1',30],['p2',5],['p3',0.7],['p4',0.2]]
RHS = pd.DataFrame(goals,columns=['property','goal'])
RHS = RHS.set_index('property')
print(RHS.head())
LP = GEKKO(remote=False)
va = LP.Array(LP.Var,(len(my_vars))) # array
vd = {} # dictionary
for i,xi in enumerate(my_vars):
vd[xi] = va[i]
vd[xi].lower = Min[xi]
vd[xi].upper = Max[xi]
for yi in LHS.columns.values:
LP.Equation(LP.sum([LHS[yi][xi]*vd[xi] for xi in my_vars]) \
>= RHS['goal'][yi])
# Cost function
LP.Minimize(LP.sum([Cost[xi]*vd[xi] for xi in my_vars]))
LP.solve(disp=False)
print('\n---Solution---')
for xi in my_vars:
print(xi,vd[xi].value[0])
print ('Total Cost: ' + str(LP.options.OBJFCNVAL))
Pandas数据框显示常量。
p1 p2 p3 p4
Name
x1 33 8.8 0.2 0.1
x2 24 4.5 2.0 0.5
x3 82 0.0 0.0 0.0
goal
property
p1 30.0
p2 5.0
p3 0.7
p4 0.2
该问题的解决方案如下:
---Solution---
x1 0.40506330168
x2 0.31898731988
x3 0.10947823632
Total Cost: 89.138004059
对于小型到中型的问题都可以。但是,如果您遇到大规模的线性规划(LP)问题,则可能需要考虑Gekko中一些更有效的方法来解决LP问题。不用自己建立方程式:
for yi in LHS.columns.values:
LP.Equation(LP.sum([LHS[yi][xi]*vd[xi] for xi in my_vars]) \
>= RHS['goal'][yi])
您可以使用axb
函数让Gekko为您完成此操作(请参见示例linear programming problems)。
A = np.array(LHS.values).T
b = np.array(RHS.values)
LP.axb(A,b,x=va,etype='>=',sparse=False)
Gekko可以利用A
和b
常数矩阵中的稀疏性来为100,000多个变量提供有效的解决方案。 Gekko使用非线性规划(NLP)求解器来找到LP问题的解决方案,因此这也可能会限制求解的速度,尤其是在您拥有1M +变量的情况下。