import gurobipy as gp import numpy as np # 定义参数 c_p = 225 tau = 13500 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="C") # 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() model.getObjective().getValue()遇到了AttributeError: Unable to retrieve attribute 'x'

这个错误可能是因为你尝试在模型求解之前访问变量 `x` 的值。在 Gurobi 中，变量的值只能在模型求解之后访问。你可以在模型求解后使用 `x.X` 来访问变量 `x` 的最优解。例如，你可以尝试以下代码：

# 求解模型
model.optimize()

# 访问变量 x 的最优解
print(f'x 的最优解为：{x.X}')

相关问题

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。

import gurobipy as gp import numpy as np # 定义参数 c_p = 225 tau = 13500 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="C") # 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)遇到了AttributeError: Unable to retrieve attribute 'objVal'

该错误通常发生在使用旧版本的 Gurobi 求解器时，因为 objVal 属性在旧版本中已被弃用。

您可以使用以下替代方法之一来获取最优解：

1. 使用 `model.getObjective().getValue()` 来获取目标函数值。
2. 使用 `model.objBound` 来获取最优解的上限。
3. 使用 `model.objBoundC` 来获取最优解的下限。

请注意，如果模型没有找到最优解，则这些方法将返回 None。