参数值不会在PySP回调的Pyomo模型中更新

Question

我使用PySP（Pyomo）来解决一个随机优化问题。我为我的问题创建了一个具体的模型，并根据中给出的农民示例定义了场景

https://github.com/Pyomo/pysp/blob/main/examples/farmer/concrete/ReferenceModel.py

在上面的示例中，为每个场景调用pysp_instance_creation_callback()函数。在函数中，为每个场景克隆一个模型实例，以便使用instance.Yield.store_values(Yield[scenario_name])为每个场景更新场景变量（本例中为Yield）

我采用了类似的方法来解决我的问题。然而，在我的例子中，对于每个场景，未知的大小都不同于农民的例子，在农民的例子中，场景只针对三种作物（小麦、糖、玉米）。比如我的场景是这样的

Scenario1 = {123, 124, 118}
Scenario2 = {117, 10}
Scenario3 = {118, 120, 125, 126}
Scenario4 = {0, 125}
...

我的代码片段与下面的代码片段类似（为了简单起见，我只提到了有用的约束和变量）

# Variable:
model.nEdges = 129
model.x_ij = range(0, model.nEdges)  # line switching variable range
model.xij = Var(model.x_ij, bounds=(0, 1), within=Binary)

# Scenario parameter:
model.Fault = Param(mutable=True, initialize={123,124,118}, within=Any)

# Constraint:
for key, ite in model.Fault.items():
    for faulty in ite.value:
        model.c.add(model.xij[faulty] == 0)

# Scenarios:
Fault = {}
Fault['Scenario1'] = {123, 124, 118}
Fault['Scenario2'] = {120, 124, 118}
Fault['Scenario3'] = {1, 125}

# callback function to update the model parameter
def pysp_instance_creation_callback(scenario_name, node_names):
    instance = model.clone()
    instance.Fault.store_values(Fault[scenario_name])
    return instance

然而，这种方法对我不起作用。model.Fault值在初始化时对每个场景保持不变，即{123124118}。虽然如果我检查每个场景的实例值，即instance.Fault.value，那么这些值似乎正在更新（instance.Fault.value给出了与不同场景一致的不同值），但是在检查实际模型的输出lp文件时，约束没有按预期更新，最终解决方案与前面提到的每个场景相同。我不知道如何解决这个问题，我已经陷入这个问题好几天了。有人能帮我吗

Answer 1

简而言之，您没有正确使用Param。可变参数用于保存表达式树中出现的标量值（用于目标或约束）。您将一个复杂的数据结构放入Param中，然后在创建原始模型时使用间接数据（作为另一个变量的索引）对其进行迭代。这不起作用的原因是model.clone()复制了当前存在的模型，它复制了原始约束。添加到model.c的约束实际上独立于可变参数Fault，因此Pyomo无法在更改约束中的值时知道更新约束的内容/方式

对于这种特定情况，更好的方法是修复变量，而不是创建额外的约束：

model.xij = Var(model.x_ij, bounds=(0, 1), within=Binary)

# Scenarios:
Fault = {}
Fault['Scenario1'] = {123, 124, 118}
Fault['Scenario2'] = {120, 124, 118}
Fault['Scenario3'] = {1, 125}

# callback function to update the model parameter
def pysp_instance_creation_callback(scenario_name, node_names):
    instance = model.clone()
    for faulty in Fault[scenario_name]:
        instance.xij[faulty].fix(0)
    return instance

Answer 2

在开始之前，我应该指出PySP不再处于积极的开发中。mpi公司正在进行新的开发

回到您的问题：PySP假设模型的“形状”对于每个场景都是相同的，因此您必须进行更多的编码以使该假设有效。mpi sppy的情况大致相同，尽管它有一些机制允许根据场景的不同，VAR的概率为零。mpi sspy的问题比PySP小一些，参数在不同场景之间会改变大小，但它确实有一些组件假设模型的形状可以由任意场景确定（PySP使用ReferenceModel，因此它强烈假设形状不会改变）