LazyOACallback_cplex

(类来自 pyomo.contrib.mindtpy.single_tree)

class pyomo.contrib.mindtpy.single_tree.LazyOACallback_cplex

基础类：object

CPLEX 中用于调用 Lazy 回调的固有类。

__init__()

方法

__init__()
add_lazy_affine_cuts(mindtpy_solver, config, opt)	使用MCPP添加仿射切割。
add_lazy_no_good_cuts(var_values, ...[, ...])	添加无优切割。
add_lazy_oa_cuts(target_model, dual_values, ...)	线性化非线性约束；通过CPLEX固有函数self.add()添加OA切割。对于非凸问题，请开启'config.add_slack'。
copy_lazy_var_list_values(opt, from_list, ...)	此函数将变量值从一个列表复制到另一个列表。
handle_lazy_main_feasible_solution(main_mip, ...)	此函数在主MIP的分支定界过程中被调用，更准确地说，是在找到一个可行解并且LazyCallback被激活时调用。
handle_lazy_subproblem_infeasible(fixed_nlp, ...)	解决可行性NLP子问题，并根据指定的策略添加切割。
handle_lazy_subproblem_optimal(fixed_nlp, ...)	此函数将固定NLP子问题的最优解复制到MIP主问题（解释见下文），更新边界，添加OA和不良切割，如果已改进则存储当前解。
handle_lazy_subproblem_other_termination(...)	处理在给定既不是最优也不可行的解决方案的情况下，解决NLP子问题的最新迭代结果。

成员文档

add_lazy_affine_cuts(mindtpy_solver, config, opt)

使用MCPP添加仿射切割。

通过CPLEX固有函数self.add()添加仿射切割。

Parameters:

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

add_lazy_no_good_cuts(var_values, mindtpy_solver, config, opt, feasible=False)

添加无优切割。

通过Cplex固有函数self.add()添加无良好切割。

Parameters:

• var_values (list) – 当前解的变量值，用于生成切割。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

• 可行的 (bool, 可选) – 整数组合是否产生可行或不可行的非线性规划问题，默认为 False。

Raises:

ValueError – 二进制变量的值不是0或1。

add_lazy_oa_cuts(target_model, dual_values, mindtpy_solver, config, opt, linearize_active=True, linearize_violated=True)

将非线性约束线性化；通过CPLEX内置函数self.add()添加OA切割。 对于非凸问题，请开启‘config.add_slack’。松弛变量将始终用于非线性等式约束。

Parameters:

• target_model (Pyomo 模型) – MIP 主问题。

• dual_values (list) – 每个约束的对偶值。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

• linearize_active (bool, optional) – 是否线性化活动的非线性约束，默认为 True。

• linearize_violated (bool, optional) – 是否线性化违反的非线性约束，默认为 True。

copy_lazy_var_list_values(opt, from_list, to_list, config, skip_stale=False, skip_fixed=True)

此函数将变量值从一个列表复制到另一个列表。 必要时将值四舍五入为二进制/整数。 对于非负实数，必要时将其设置为零。

Parameters:

• opt (SolverFactory) – cplex_persistent 求解器。

• from_list (list) – 提供要复制的值的变量列表。

• to_list (list) – 需要设置值的变量列表。

• config (ConfigBlock) – MindtPy 的具体配置。

• skip_stale (bool, optional) – 是否跳过过时的变量，默认为 False。

• skip_fixed (bool, optional) – 是否跳过固定变量，默认为 True。

handle_lazy_main_feasible_solution(main_mip, mindtpy_solver, config, opt)

此函数在主MIP的分支定界过程中调用，更准确地说，是在找到一个可行解并且LazyCallback被激活时调用。将结果复制到工作模型并更新上界或下界。在LP-NLP中，上界或下界在解决主问题时更新。

Parameters:

• main_mip (Pyomo 模型) – MIP 主问题。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

handle_lazy_subproblem_infeasible(fixed_nlp, mindtpy_solver, config, opt)

解决可行性NLP子问题，并根据指定的策略添加切割。

Parameters:

• fixed_nlp (Pyomo 模型) – 整数变量固定的 NLP 模型。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

handle_lazy_subproblem_optimal(fixed_nlp, mindtpy_solver, config, opt)

此函数将固定NLP子问题的最优解复制到MIP主问题（解释见下文），更新边界，添加OA和不良切割，如果改进了当前解，则存储当前解。

Parameters:

• fixed_nlp (Pyomo 模型) – 整数变量固定的 NLP 模型。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

• opt (SolverFactory) – cplex_persistent 求解器。

handle_lazy_subproblem_other_termination(fixed_nlp, termination_condition, mindtpy_solver, config)

处理在给定既不是最优也不可行的解决方案的情况下，解决NLP子问题的最新迭代结果。

Parameters:

• fixed_nlp (Pyomo 模型) – 整数变量固定的 NLP 模型。

• termination_condition (Pyomo TerminationCondition) – 固定NLP子问题的终止条件。

• mindtpy_solver (object) – mindtpy 求解器类。

• config (ConfigBlock) – MindtPy 的具体配置。

Raises:

ValueError – MindtPy 无法处理固定 NLP 子问题的终止条件。