非线性预处理转换

pyomo.contrib.preprocessing 是一个贡献的预处理转换库，旨在操作非线性和混合整数非线性程序（NLPs 和 MINLPs），以及广义析取程序（GDPs）。

以下预处理转换是可用的。然而，根据它们的实用性，一些可能会在以后被弃用或合并。

`var_aggregator.VariableAggregator`	聚合通过等式约束链接的模型变量。
`bounds_to_vars.ConstraintToVarBoundTransform`	将约束更改为变量的边界。
`induced_linearity.InducedLinearity`	重新表述具有诱导线性性的非线性约束。
`constraint_tightener.TightenConstraintFromVars`	已弃用。
`deactivate_trivial_constraints.TrivialConstraintDeactivator`	停用无关紧要的约束。
`detect_fixed_vars.FixedVarDetector`	检测那些实际上是固定的但未被视为固定的变量。
`equality_propagate.FixedVarPropagator`	传播变量固定以处理类型为 \(x = y\) 的等式。
`equality_propagate.VarBoundPropagator`	传播类型为 \(x = y\) 的等式的变量边界。
`init_vars.InitMidpoint`	将非固定变量初始化为其边界的中间点。
`init_vars.InitZero`	将非固定变量初始化为零。
`remove_zero_terms.RemoveZeroTerms`	在约束中查找 \(0 v\) 并将其移除。
`strip_bounds.VariableBoundStripper`	从变量中去除边界。
`zero_sum_propagator.ZeroSumPropagator`	传播仅正（或负）变量之和的固定到零。

变量聚合器

以下代码片段展示了在具体Pyomo模型上使用变量聚合转换的示例：

>>> from pyomo.environ import *
>>> m = ConcreteModel()
>>> m.v1 = Var(initialize=1, bounds=(1, 8))
>>> m.v2 = Var(initialize=2, bounds=(0, 3))
>>> m.v3 = Var(initialize=3, bounds=(-7, 4))
>>> m.v4 = Var(initialize=4, bounds=(2, 6))
>>> m.c1 = Constraint(expr=m.v1 == m.v2)
>>> m.c2 = Constraint(expr=m.v2 == m.v3)
>>> m.c3 = Constraint(expr=m.v3 == m.v4)
>>> TransformationFactory('contrib.aggregate_vars').apply_to(m)

要查看转换的结果，您可以使用以下命令

>>> m.pprint()

class pyomo.contrib.preprocessing.plugins.var_aggregator.VariableAggregator(**kwds)[source]

聚合通过等式约束链接的模型变量。

之前：

\[\begin{split}x &= y \\ a &= 2x + 6y + 7 \\ b &= 5y + 6 \\\end{split}\]

之后：

\[\begin{split}z &= x = y \\ a &= 8z + 7 \\ b &= 5z + 6\end{split}\]

警告

待办事项：目前尚不清楚“大写E”表达式此时会发生什么。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

update_variables(model)[源代码]

更新被聚合替换的变量的值。

待办事项：降低成本

显式约束到变量边界

>>> from pyomo.environ import *
>>> m = ConcreteModel()
>>> m.v1 = Var(initialize=1)
>>> m.v2 = Var(initialize=2)
>>> m.v3 = Var(initialize=3)
>>> m.c1 = Constraint(expr=m.v1 == 2)
>>> m.c2 = Constraint(expr=m.v2 >= -2)
>>> m.c3 = Constraint(expr=m.v3 <= 5)
>>> TransformationFactory('contrib.constraints_to_var_bounds').apply_to(m)

class pyomo.contrib.preprocessing.plugins.bounds_to_vars.ConstraintToVarBoundTransform(**kwds)[source]

将约束更改为变量的边界。

寻找形式为 \(k*v + c_1 \leq c_2\) 的约束。如果结果是一个更紧的界限，则将变量 \(v\) 的下界更改为 \((c_2 - c_1)/k\)。同样，对下界也执行相同的操作。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:

tolerance (NonNegativeFloat, default=1e-13) – 边界相等的容差 (\(LB = UB\))
detect_fixed (bool, default=True) – 如果为True，当\(| LB - UB | \leq tolerance\)时，固定变量。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

诱导线性重构

class pyomo.contrib.preprocessing.plugins.induced_linearity.InducedLinearity(**kwds)[source]

重新表述具有诱导线性性的非线性约束。

找到连续变量 \(v\)，其中 \(v = d_1 + d_2 + d_3\)，其中 \(d\) 是离散变量。这些连续变量可能非线性地参与其他表达式，然后可能被诱导为线性。

整体算法流程可以总结为：

有效检测离散变量以及暗示离散性的约束条件。
确定每个有效离散变量的有效值集合
查找有效离散变量参与的非线性表达式。
适当地重新表述非线性表达式。

注意

任务1和任务2必须包含范围考虑（Disjuncts）

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:

equality_tolerance (NonNegativeFloat, default=1e-06) – 等式约束的容差。
pruning_solver (default='glpk') – 在修剪可能值时使用的求解器。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

约束边界收紧器

这个转换是由Sunjeev Kale在卡内基梅隆大学开发的。

class pyomo.contrib.preprocessing.plugins.constraint_tightener.TightenConstraintFromVars[源代码]

已弃用。

根据变量边界收紧约束的上下界。

遍历每个变量，并使用从变量边界推断出的值来收紧约束边界。

目前，这仅适用于线性约束。

自版本5.7起已弃用：约束收紧转换的使用已被弃用。其功能可以通过pyomo.contrib.fbbt.compute_bounds_on_expr(constraint.body)部分复制。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

简单约束停用

class pyomo.contrib.preprocessing.plugins.deactivate_trivial_constraints.TrivialConstraintDeactivator(**kwds)[source]

停用无关紧要的约束。

平凡约束的形式为 \(k_1 = k_2\) 或 \(k_1 \leq k_2\)，其中 \(k_1\) 和 \(k_2\) 是常数。这些约束通常在变量被固定时出现。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:

tmp (bool, default=False) – 如果为True，则存储一组转换后的约束，以便将来可以恢复转换。
ignore_infeasible (bool, default=False) – 如果为True，则跳过不可行的简单约束，而不是抛出InfeasibleConstraintException异常。
return_trivial (default=[]) – 一个列表，停用的 trivialconstraints 将被附加到该列表中（副作用）
tolerance (NonNegativeFloat, default=1e-13) – 约束违反的容忍度

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

revert(instance)[source]

恢复由转换停用的约束。

Parameters:: instance – 之前停用了简单约束的模型实例。

固定变量检测

class pyomo.contrib.preprocessing.plugins.detect_fixed_vars.FixedVarDetector(**kwds)[source]

检测那些实际上是固定的但未被视为固定的变量。

对于模型中的每个变量\(v\)，检查其下界\(v^{LB}\)是否在其上界\(v^{UB}\)的某个容差范围内。如果是，则将变量固定为\(v^{LB}\)的值。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:

tmp (bool, default=False) – 如果为True，则存储转换后的变量集及其旧值，以便可以恢复它们。
容差 (非负浮点数, 默认=1e-13) – 边界相等性的容差 (LB == UB)

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

revert(instance)[source]: 恢复由转换固定的变量。

固定变量等式传播器

class pyomo.contrib.preprocessing.plugins.equality_propagate.FixedVarPropagator(**kwds)[source]

传播变量固定以处理类型为 \(x = y\) 的等式。

如果 \(x\) 是固定的且 \(y\) 不是固定的，那么这个转换将把 \(y\) 固定为 \(x\) 的值。

这种转换也可以作为临时转换执行，转换后的变量会被保存，以后可以取消固定。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:: tmp (bool, default=False) – 如果为True，则存储转换后的变量集及其旧状态，以便以后可以恢复。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

revert(instance)[source]: 恢复由转换固定的变量。

变量边界等式传播器

class pyomo.contrib.preprocessing.plugins.equality_propagate.VarBoundPropagator(**kwds)[源代码]

传播类型为 \(x = y\) 的等式的变量边界。

如果 \(x\) 有一个更紧的边界，那么 \(y\)，这个转换将调整 \(y\) 的边界以匹配 \(x\) 的边界。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:: tmp (bool, default=False) – 如果为True，则存储转换后的变量集及其旧状态，以便以后可以恢复。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

revert(instance)[source]: 恢复变量边界。

变量中点初始化器

class pyomo.contrib.preprocessing.plugins.init_vars.InitMidpoint(**kwds)[source]

将非固定变量初始化为其边界的中间点。

如果变量没有边界，将值设为零。
如果变量缺少一个边界，将值设置为现有边界的值。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

变量零初始化器

class pyomo.contrib.preprocessing.plugins.init_vars.InitZero(**kwds)[source]

将非固定变量初始化为零。

如果将变量值设置为零会违反边界，则将变量值设置为相关边界值。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

零项移除器

class pyomo.contrib.preprocessing.plugins.remove_zero_terms.RemoveZeroTerms(**kwds)[source]

在约束中查找 \(0 v\) 并将其移除。

目前仅限于处理形式为\(x_1 = 0 x_3\)的线性约束，这是由于固定\(x_2 = 0\)而产生的。

注意

待办事项：支持非线性表达式

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

变量边界移除器

class pyomo.contrib.preprocessing.plugins.strip_bounds.VariableBoundStripper(**kwds)[源代码]

从变量中去除边界。

以下关键字参数是为 apply_to 和 create_using 函数指定的。

Keyword Arguments:

strip_domains (bool, default=True) – 同时去除离散变量的域
reversible (bool, default=False) – 边界剥离是否是临时的。如果是，存储信息以便恢复。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型

revert(instance)[源代码]: 恢复由转换更改的变量边界和域。

零和传播器

class pyomo.contrib.preprocessing.plugins.zero_sum_propagator.ZeroSumPropagator(**kwds)[source]

传播仅正（或负）变量之和的固定到零。

如果 \(z\) 被固定为零，并且 \(z = x_1 + x_2 + x_3\) 且 \(x_1\), \(x_2\), \(x_3\) 都是非负或都是非正，那么 \(x_1\), \(x_2\), 和 \(x_3\) 将被固定为零。

apply_to(model, **kwds): 将转换应用于给定的模型。

create_using(model, **kwds): 使用此转换创建一个新模型