分段
#!/usr/bin/env python3.7版权所有2019，Gurobi Opt狗万app足彩imization，LLC本例考虑了以下可分离的凸问题：###最小化f（x）-y+g（z）#服从x+2y+3z<=4#x+y>=1#x，y，z<=1###其中f（u）=exp（-u）和g（u）=2u^2-4u。它通过用分段线性函数逼近f和g来建立和求解一个更简单的LP模型。然后，通过对f的近似求反，将模型#转换为MIP，f对应于一个非凸分段线性函数，并再次求解。从数学导入表达式定义f（u）：返回表达式（-u）定义g（u）：返回2*u*u-4*u尝试：#创建一个新模型m=gp.model（）#创建变量lb=0.0ub=1.0x=m.addVar（lb，ub，name='x'）y=m.addVar（lb，ub，name='y'）z=m.addVar（lb，ub，name='z'）#为y.setObjective（-y）设置目标#为x和z NPT=101添加分段线性目标函数ptu=[]ptu=[]ptg=[]范围内i（NPT）：ptu.append（lb+（ub-lb）*i/（npts-1））ptf（ptu[i]）ptg.append（g（ptu[i]）m.setPWLObj（x，ptu，ptf）m.setPWLObj（z，ptu，ptg）#Add约束：x+2y+3z<=4m.addconstruct（x+2*y+3*c04）<=c04#添加约束：x+y>=1 m.addConstr（x+y>=1，'c1'）#将模型优化为LP m.Optimize（）print（'IsMIP:%d'%m.IsMIP）用于m.getVars（）中的v:print（'%s%g'（v.VarName，v.x））print（'Obj:%g'%m.ObjVal）print（''）#为范围内的i（npts）中的x求反分段线性目标函数：ptf[i]=-ptf[i]m.setpwj（x，ptu，ptu，ptf）#将模型优化为MIP m.Optimize（）打印（'IsMIP:%d'%m.IsMIP）用于m.getVars（）中的v:print（'%s%g'（v.VarName，v.X））打印（'Obj:%g'%m.ObjVal），gp.GurobiError除外，如e:print（'Error code'+str（e.errno）+'：“+str（e）），AttributeError:print除外（'遇到属性错误'）
