距离objective优化

Question

我正在为重新优化模型建模，我想包含一个约束以减少初始解决方案与重新优化解决方案之间的距离。我正在进行人员调度，为此我想惩罚与初始解决方案不同的重新优化解决方案中的每项分配。

在我开始之前，我是优化模型的新手，我建立约束的方式可能是错误的。

#1 Extract the data from the initial solution of my main variable

ModelX_DictExtVal = model.x.extract_values()

# 2 Create a new binary variable which activate when the main variable `ModelX_DictExtVal[x,s,d]` of the initial 
#solution is =1 (an employee n works days d and sifht s) and the value of `model.x[n,s,d]` of the reoptimized solution are different.  

model.alpha_distance = Var(model.N_S_D, within=Binary)

#3 Model a constraint to activate my variable.

def constraint_distance(model, n, s, d):
    v = ModelX_DictExtVal[n,s,d]
    if v == 1 and ModelX_DictExtVal[n,s,d] != model.x[n,s,d]:
        return model.alpha_distance[n,s,d] == 1
    elif v == 0:
        return model.alpha_distance[n,s,d] == 0
        
model.constraint_distance = Constraint(model.N_S_D, rule = constraint_distance)

#4 Penalize in my objective function every time the varaible is equal to one

ObjFunction = Objective(expr = sum(model.alpha_distance[n,s,d] * WeightDistance
                        for n in model.N for s in model.S for d in model.D))

问题：我不确定我在第 3 部分中做了什么，并且在 v == 1 时出现索引错误。

ERROR: Rule failed when generating expression for constraint
    constraint_distance with index (0, 'E', 6): ValueError: Constraint
    'constraint_distance[0,E,6]': rule returned None

我想知道，因为我正在重复使用相同的模型进行重新优化，如果模型在重新优化阶段保持 model.x [n, s, d] 初始解的值来进行比较 ModelX_DictExtVal [n, s, d]! = model.x [n, s, d] 而不是新作业...

Answer 1

你怀疑第 3 部分是对的。:)

因此您有一些“初始值”，可以是原始计划（优化前）或其他一些初步优化。如果我理解你的问题，你的决策变量是二进制的，由 [n,s,d] 索引。

在您的约束中，您不能使用基于决策变量比较测试的 if-else 结构。该变量的值 在约束建立时是未知的 ，对吧？

不过，您走在正确的轨道上。所以，您真正想要做的是让您的 alpha_distance（或 penalty）变量捕获任何更改，并在有更改的地方指示 1。这是一个绝对值操作，但可以用 2 个约束来捕获。考虑（在伪代码中）：

penalty = |x.new - x.old|    # is what you want

所以引入2约束，（完全由[n,s,d]索引）：

penalty >= x.new - x.old
penalty >= x.old - x.new

然后，就像您现在所做的那样，将 penalty 包含在您的 objective 中，可选择乘以权重。

如果这没有意义，请回复...

距离objective优化

Distance objective optimisation

python

optimization

model

pyomo