python - 如何根据先前的解决方案在 Python Gekko 中重新初始化优化

Question

我正在循环中使用 Gekko 求解非线性优化问题，并希望使用先前的解决方案来初始化下一个解决方案。我使用下面的代码创建了一个简化的问题来显示该问题。

from gekko import GEKKO
m = GEKKO() # Initialize gekko
# Initialize variables
x1 = m.Var(value=1,lb=1,ub=5)
x2 = m.Var(value=5,lb=1,ub=5)
# Equations
m.Equation(x1==x2*2)
m.Equation(x1**2+x2**2==10)
m.Obj(x1*x2) # Objective
m.options.solver=1

m.solve(disp=False) # Solve
print('Iterations: ' + str(m.options.iterations))
print(x1.value[0], x2.value[0])
print('Objective: ' + str(m.options.objfcnval))

m.solve(disp=False) # Solve again
print('Iterations: ' + str(m.options.iterations))
print(x1.value[0], x2.value[0])
print('Objective: ' + str(m.options.objfcnval))

控制台打印:

  Iterations: 5
  2.8284271334 1.4142135667
  Objective: 4.0000000245
  Iterations: 5
  2.8284271334 1.4142135667
  Objective: 4.0000000245

x1 和 x2 的值返回到尝试“再次求解”之前的初始猜测值 1 和 5。我尝试了x1.value = x1.value，但这返回了RecursionError:超出了最大递归深度。在 Gekko 中初始化先前解决方案中的值的正确方法是什么？

Answer 1

对于稳态解决方案(IMODE=1 或 3)，Gekko 使用先前的 x1.value 和 x2.value，直到它们发生更改。 .value 有两个属性:.value 和 .change。有多种方法可以表明它们已发生变化，包括:

1. 通过以下方式设置先前解决方案中的值:

x1.value = x1.value.value  # = 2.8284271334
x2.value = x2.value.value  # = 1.4142135667

通过以下方式发出信号，表明初始猜测值应更改为新值:

x1.value.change = True
x2.value.change = True

对于两个变量来说这很容易，但对于许多变量来说就更具挑战性。如果您想对所有变量自动执行此操作，您可以在 vi in m._variables 的循环中使用内置变量列表:

from gekko import GEKKO
m = GEKKO() # Initialize gekko
# Initialize variables
x1 = m.Var(value=1,lb=1,ub=5)
x2 = m.Var(value=5,lb=1,ub=5)
# Equations
m.Equation(x1==x2*2)
m.Equation(x1**2+x2**2==10)
m.Obj(x1*x2) # Objective
m.options.solver=1

m.solve(disp=False) # Solve
print('Iterations: ' + str(m.options.iterations))
print(x1.value[0], x2.value[0])
print('Objective: ' + str(m.options.objfcnval))

for vi in m._variables:
    vi.value.change = True

m.solve(disp=False) # Solve again
print('Iterations: ' + str(m.options.iterations))
print(x1.value[0], x2.value[0])
print('Objective: ' + str(m.options.objfcnval))

第二次求解问题时，求解器在 1 次迭代中完成，而不是 5 次迭代。它使用先前的解决方案作为起点。

  Iterations: 5
  2.8284271334 1.4142135667
  Objective: 4.0000000245
  Iterations: 1
  2.8284271247 1.4142135624
  Objective: 4.0