我想在请求的功率曲线上优化CHP工厂的运行。 因此，我定义了功率曲线，CHP工厂应尽可能地遵循该功率曲线。 必须应用多个界限和约束条件来代表CHP工厂的实际运行。 例如，这包括CHP可以打开或关闭，并且在打开时，其功率调制只能设置为特定百分比范围。

这是一个带有简短说明的最小工作示例：

import scipy.optimize as opt
import numpy as np

x = np.arange(200)  # dummy x vector
poly_profile = np.array(  # 7th degree polynome fit of profile
    [-2.14104340e-11,  1.85108903e-08, -6.66697810e-06,  1.29239710e-03,
     -1.45110876e-01,  9.40324129e+00, -3.24548750e+02,  4.60006330e+03])
poly_fun = np.poly1d(poly_profile)  # make poly fun
profile = poly_fun(x[65:196])
x0 = np.zeros_like(profile)  # all zeros as starting values

def optifun(x, profile):  # define minimization fun
    return - np.sum(profile * x)

bnds_hi = opt.Bounds(0.3, 1)  # upper bounds
bnds_lo = opt.Bounds(0, 0)  # lower bounds

res = opt.minimize(
    optifun, x0, args=(profile), bounds=bnds_hi,
    constraints={'type': 'eq', 'fun': lambda x:  np.sum(x*40) - 2000},
    method='SLSQP')
plt.plot(res.x)
plt.plot(profile)

所以这些是我要使用的界限：

• (x == 0) or (0.3 <= x <= 1) ，对于数组x中的任何值
  这意味着总CHP功率的调制度x可以为0（关闭）或>0.3且<= 1 。 但是我可以指定下限或上限。 仅指定上限将无法“关闭CHP”，而将下限设置为bnds_lo = opt.Bounds(0, 1)
  将使热电联产工厂能够在不切实际的运行点（功率调制的0％至30％之间）下运行。
  有什么方法可以按照最小工作示例中指定的范围进行这项工作？ 具体来说：是否可以同时设置两种边界，例如bounds=[bnds_lo, bnds_hi] ？
  我猜这是一个混合整数线性编程问题，但是COBYLA或SLSQP是否应该能够解决这个问题？ 如果不是：是否有任何解决方法？

我想使用的约束：

• np.sum(x*40) - 450
  将热量输出限制为一定的热量存储容量。 这里40是热输出功率，而450是剩余存储容量。 这相当容易实现。

• 限制CHP工厂的启动次数。 作为一个例子，让我们假设

   bnds_lo = opt.Bounds(0, 1) # lower bounds res = opt.minimize( optifun, x0, args=(profile), bounds=bnds_lo, constraints={'type': 'eq', 'fun': lambda x: np.sum(x*40) - 1000}, method='SLSQP') 

  这导致了热电联产工厂运行的三个阶段。 有什么办法可以限制这个？ 我正在考虑添加一个特定的约束函数，该函数在前导0之后对正差值进行计数，但是我无法进行类似的工作（例如，由于大多数x并不完全为0，因为边界设置为(0, 1) ，但其他问题也可能是原因）...

• 设置CHP工厂的最小连续运行时间。 这意味着至少有5个连续的x != 0应该是有利的。 我考虑过尝试与上一点类似的操作（限制启动次数），但也无法解决一些有用的问题。 到目前为止，这是最不重要的问题。

为了解决这些问题，我也尝试使用scipy.optimize.LinearConstraings和NonlinearConstraings但是method='trust-constr'需要一个jac（据我在github上看，这似乎是一个错误），因此我无法这行得通。

有什么办法可以使这项工作吗？ 特别是指定多个边界非常重要。

提前致谢！

真诚的，斯科蒂

profile * x0在您的代码中给出
“ ValueError：操作数不能与形状（131，）（200，）一起广播”。

只是猜测， x_t是产品onoff_t * xon_t
与onoff_t = 0或1
在0 .. T ？中的每个t处， 0.3 <= xon_t <= 1 0 .. T
即对于T = 5存在2 ^ 5个可能的通onoff序列，00000 00001 00010 .... 11111？

如果是这样，使用固定权重函数w_t最大sum 0:T w_t * onoff_t * xon_t w_t是微不足道的：
其中w_t <= 0 ： onoff_t = 0 ，关闭
其中w_t > 0 ： onoff_t = 1 ，on， xon_t = 1 ，max。
因此，这不是您的问题-请澄清。

如果进一步限制onoff_t仅切换两次，即0 ... 1 ... 0 ...，那么可能的序列数量就足够少，可以按照以下方法尝试全部：

def pulse_generator( T=200, minwidth=5 ):
    """ -> arrays of T floats, 0... 1... 0... """
    for t0 in xrange( 1, T ):
        for t1 in xrange( t0 + minwidth, T ):
            pulse = np.zeros( T )
            pulse[t0:t1] = 1
            yield pulse

for pulse in pulse_generator( T ):
    print "pulse:", pulse
    optimize myfunction( pulse * xon ), 0.3 <= xon <= 1

切换4次，0 ... 1 ... 0 ... 1 ... 0 ...是相似的。 （有多少这样的脉冲对于一个给定T参见维基百科？ 明星和酒吧 -惊人）

1. 将时间0：T分成10个片段，全部运行2 ^ 10 = 1024个开关序列
   1A。 仔细观察最好的-任何模式？
2. 将其边缘移动一半，T / 20。

另请参阅：谷歌“离散优化”多网格 ...和网格搜索 。