import gurobipy as gp import numpy as np # 定义参数 c_p = 22 tau = 135000 C_re = 20 C_se = 30 h = 3.25 q = 0.2 e = 18.98 S = 10 T = 20 expr2_1 = (C_req+C_se)e m = np.full((1, T), 3) z = np.around((1-1np.random.rand(T, S)) * 3) # 创建模型 model = gp.Model() # 创建变量 x = model.addVar(lb=0, name='x') k = model.addVar(lb=0, name='k') y = model.addVars(S, lb=0, name='y') a = model.addVars(T,S, vtype=gp.GRB.BINARY, name="a") # a = model.addVars(T, S, lb=0, name='a') b = model.addVars(T, S, lb=0, name='b') # 创建约束 for s in range(S): expa = c_p * x + e * h * x + (1/S) * gp.quicksum(y[t] for t in range(S)) model.addConstr(expa <= tau, name=f'c1_{s}') expb1=gp.quicksum(3a[t,s] for t in range(T)) expb2=gp.quicksum((expr2_1-a[t,s]+b[t,s])*z[t,s] for t in range (T)) expb = expb1+expb2 model.addConstr(y[s] >= expb, name=f'c2_{s}') # expc = gp.quicksum(abs(expr2_1-a[t,s]+b[t,s]) for t in range (T)) expc = gp.quicksum((expr2_1 - a[t, s] + b[t, s]) for t in range(T)) model.addConstr(expc <= k, name=f'c3_{s}') # 创建目标 model.setObjective(k, gp.GRB.MINIMIZE) # 求解 model.optimize() print("Optimal Objective Value", model.objVal) for var in model.getVars(): print(f"{var.varName}: {round(var.X, 3)}")为什么修改数值，x的最优解都是0

在模型中，约束c1_s 中的表达式中包含了变量x和y，而约束c2_s 中的表达式中又包含了变量a和b。这些变量之间是互相影响的，可能存在因为某些变量取值不合理导致整个模型无法求解的情况。因此，我们需要检查每个变量的取值范围和约束条件是否正确，以及是否存在逻辑或算法上的错误。

此外，在定义z数组时，代码中可能存在语法错误。应该修改为：

z = np.around((1 - np.random.rand(T, S)) * 3)

这样才能正确生成随机矩阵。

相关问题

import gurobipy as gp import numpy as np import math delta = 0.005 S = 10 # 历史数据个数 T = 20 # T个阶段 c_p = 225 tau = 13500 # 预期收益目标 z_bar = 1 # 需求上届 C_re = 20 C_se = 30 h = 3.25 # 超储成本 zbar = 1 # 需求上届 q = 0.2 # 维修率 sigma = 0.1 # 标准差 z_hat = np.around((1 - 1 * np.random.rand(S, T)) * zbar) # 假设历史数据 i = np.arange(1, T + 1) # [1,2,...,n] e_sigma = np.logspace(1, T - 1, T, base=np.exp(-sigma)) # 创建模型 model = gp.Model() # 创建变量 x = model.addVar(lb=0, vtype=gp.GRB.CONTINUOUS, name="x") k = model.addVar(lb=0, vtype=gp.GRB.CONTINUOUS, name="k") eta1 = model.addVar(T, vtype=gp.GRB.BINARY, name="eta1") eta2 = model.addVar(T, vtype=gp.GRB.BINARY, name="eta2") y = {} for s in range(S): y[s] = model.addVar(lb=0, vtype=gp.GRB.CONTINUOUS, name="y_" + str(s)) e = gp.quicksum([math.exp(-delta * t) for t in range(1, T + 1)]) # 添加约束 for s in range(S): lhs = gp.dot(eta1[s], z_bar) + (gp.dot((C_re * q + C_se), e) - eta1[s] + eta2[s]) @ z_hat[s] / S model.addConstr(y[s] >= lhs) model.addConstr(gp.norm2((C_re * q + C_se) @ e - eta1[s] + eta2[s]) <= k) model.addConstr(c_p @ x + gp.quicksum([gp.exp(-delta * t) * h @ x for t in range(1, T + 1)]) + gp.quicksum([y[s] / S for s in range(S)]) <= tau) # 添加目标 model.setObjective(gp.abs_(k), sense=gp.GRB.MINIMIZE) # 求解 model.optimize()

这是一个使用Gurobi进行优化的Python脚本，主要是解决一个决策问题。具体来说，它建立了一个数学模型，通过一些变量和约束条件来描述一个决策问题，并且最小化一个目标函数。在这个模型中，有一些变量可以调整，例如x、k和eta1等等，这些变量会影响目标函数的值。同时，还有一些约束条件，例如y的约束条件，这些约束条件限制了变量的取值范围，使得问题更加严谨。最终，通过使用Gurobi的求解器，可以得到一个最优解，用于指导实际决策。

import gurobipy as gp import numpy as np # 定义参数 c_p = 22 tau = 135000 C_re = 20 C_se = 30 h = 3.25 q = 0.2 e = 18.98 S = 10 T = 20 expr2_1 = (C_re*q+C_se)*e m = np.full((1, T), 3) z = np.around((1-1*np.random.rand(T, S)) * 3) # 创建模型 model = gp.Model() # 创建变量 x = model.addVar(lb=0, name='x') k = model.addVar(lb=0, name='k') y = model.addVars(S, lb=0, name='y') a = model.addVars(T,S, vtype=gp.GRB.BINARY, name="a") # a = model.addVars(T, S, lb=0, name='a') b = model.addVars(T, S, lb=0, name='b') # 创建约束 for s in range(S): expa = c_p * x + e * h * x + (1/S) * gp.quicksum(y[t] for t in range(S)) model.addConstr(expa <= tau, name=f'c1_{s}') expb1=gp.quicksum(3*a[t,s] for t in range(T)) expb2=gp.quicksum((expr2_1-a[t,s]+b[t,s])*z[t,s] for t in range (T)) expb = expb1+expb2 model.addConstr(y[s] >= expb, name=f'c2_{s}') # expc = gp.quicksum(abs(expr2_1-a[t,s]+b[t,s]) for t in range (T)) expc = gp.quicksum((expr2_1 - a[t, s] + b[t, s]) for t in range(T)) model.addConstr(expc <= k, name=f'c3_{s}') # 创建目标 model.setObjective(k, gp.GRB.MINIMIZE) # 求解 model.optimize() print("Optimal Objective Value", model.objVal) for var in model.getVars(): print(f"y有什么问题{var.varName}: {round(var.X, 3)}")

这是一个线性规划问题的Python代码，使用了Gurobi库进行求解。变量x、y、k和a、b分别对应模型中的决策变量和辅助变量。约束条件包括三个方面：第一个约束限制了某个表达式不超过给定的值；第二个约束限制了某个表达式大于等于另外两个表达式之和；第三个约束限制了某个表达式的总和不超过一个给定的值。目标函数是最小化某个变量的值。最后使用model.optimize()函数进行求解，并输出最优目标函数值和每个变量的取值。