如何通过for循环在gekko中制作消耗品？

编程问答 2022-06-05

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。

constraintsfor-loopgekkolinear-programmingpython