我是第一次使用 gekko，我想知道是否有任何解决方案可以用 gekko max( min (function1, function2)) 解决 max min 优化问题。我发现只有最大化和最小化功能。否则是否有任何其他 python 求解器或解决方案使用 scipy 或其他用于 python 中的优化问题？
2 回答
慕森王
TA贡献1777条经验 获得超3个赞
这可以在没有特殊函数的情况下完成：
maximize z z <= f1 z <= f2
（这是数学符号，不是 Python/Gekko）。
所以你只需要一个额外的变量 z 和两个不等式。这是一个标准公式，因此了解这一点很有好处。
这种公式的缺点是我们现在处理约束中的附加非线性函数，而不是目标中的非线性函数。这可能会对性能和可靠性产生影响。一个优点是这可以防止不可微分问题。
慕桂英546537
TA贡献1848条经验 获得超10个赞
这是一个简单的示例，其中变量之和必须等于 15。目标是最大化变量的最小值。
max min(x1,x2,x3)
s.t. x1 + x2 + x3 = 15
最大最小或最小最大问题的标准方法是用附加变量重新表述问题Z。
max Z
s.t. x1 + x2 + x3 = 15
Z <= x1
Z <= x2
Z <= x3
这是maximinGekko 中重新表述的问题。
from gekko import GEKKO
m = GEKKO(remote=False)
m.options.SOLVER = 1
x1,x2,x3,Z = m.Array(m.Var,4)
m.Maximize(Z)
m.Equation(x1+x2+x3==15)
m.Equations([Z<=x1,Z<=x2,Z<=x3])
m.solve()
print('x1: ',x1.value[0])
print('x2: ',x2.value[0])
print('x3: ',x3.value[0])
print('Z: ',Z.value[0])
这给出了解决方案：
x1: 5.0
x2: 5.0
x3: 5.0
Z: 5.0
我已在您的原始问题中添加了一些缺少的常量（默认值=1）以获得成功的解决方案。
from gekko import GEKKO
m = GEKKO(remote=True)
alpha = m.Var(0,lb=0,ub=1)
Ps = m.Var(5,lb=0,ub=10)
Pr = m.Var(0,lb=0,ub=10)
PP = m.Var(5,lb=0,ub=10)
PD=4; to=0.1; NP=20; grp=1; gpp=1; Nr = 1; gsr=1; gpr=1; gss=1; grs=1; Ns=1
m.Equation(grp*Pr>=(gpp*PP/((1+(gpp*PP/NP))**(1-to)-1))-NP)
def FDF1(alpha,Ps):
return (gsr*(1-alpha)*Ps)/(gpr*Pp+Nr)
def FDF2(alpha,Ps,Pr):
return (gss*Ps+grs*Pr+2*(np.sqrt(grs*gss*alpha*PP*Pr)))/(Ns)
Func_FDF1 = 1/2*m.log((gsr*(1-alpha)*Ps)/gpr*PP+Nr)
Func_FDF2 = 1/2*m.log(1+(gss*Ps+grs*Pr+2*(m.sqrt(grs*gss*alpha*PP*Pr)))/(Ns))
m.Maximize(Func_FDF2) #===> min(Func_FDF1, Func_FDF2)
m.solve()
print('')
print('Results')
print('Ps: ' + str(Ps.value))
print('Pr: ' + str(Pr.value))
print('alpha: ' + str(alpha.value))
这给出了解决方案：
Results
Ps: [10.0]
Pr: [10.0]
alpha: [1.0]
要解决 maximin 问题，可以添加Z变量
from gekko import GEKKO
m = GEKKO(remote=True)
alpha = m.Var(0,lb=0,ub=1)
Ps = m.Var(5,lb=0,ub=10)
Pr = m.Var(0,lb=0,ub=10)
PP = m.Var(5,lb=0,ub=10)
PD=4; to=0.1; NP=20; grp=1; gpp=1; Nr = 1; gsr=1; gpr=1; gss=1; grs=1; Ns=1
m.Equation(grp*Pr>=(gpp*PP/((1+(gpp*PP/NP))**(1-to)-1))-NP)
def FDF1(alpha,Ps):
return (gsr*(1-alpha)*Ps)/(gpr*Pp+Nr)
def FDF2(alpha,Ps,Pr):
return (gss*Ps+grs*Pr+2*(np.sqrt(grs*gss*alpha*PP*Pr)))/(Ns)
Func_FDF1 = 1/2*m.log((gsr*(1-alpha)*Ps)/gpr*PP+Nr)
Func_FDF2 = 1/2*m.log(1+(gss*Ps+grs*Pr+2*(m.sqrt(grs*gss*alpha*PP*Pr)))/(Ns))
# max min(Func_FDF1, Func_FDF2)
Z = m.Var()
m.Maximize(Z)
m.Equation(Z<=Func_FDF1)
m.Equation(Z<=Func_FDF2)
m.solve()
print('')
print('Results')
print('Ps: ' + str(Ps.value))
print('Pr: ' + str(Pr.value))
print('alpha: ' + str(alpha.value))
现在给出了最大化Func_FDF1和的最小值的解决方案Func_FDF2。
Results
Ps: [10.0]
Pr: [10.0]
alpha: [0.63999999961]
添加回答
举报
0/150
提交
取消