我需要访问目标函数之外的决策变量。我有以下内容。

tc_var = {}
for index in index_f_a:
    tc_var[index] = m.Var(value=25, name='tc_var_{}'.format(index), lb=15, ub=45, integer=False)

def k1(i, z, j, a):
    a_dif = tce[(i, z, j, a)] - tc_var[(i, j)].VALUE
    return a_dif if a_dif > 0 else 0


m.Minimize(m.sum([k1(i, z, j, a)*KCA for i, z, j, a in index_f_h_a_v]))

在另一个问题中，有人告诉我们在目标中使用 .value 仅使用初始值。我怎样才能以正确的方式做到这一点（访问价值决策）？

谢谢。

如果我不使用 .value，则会出现以下错误：

解决了

def k1(i, z, j, a):
    d = m.Var(lb=0)
    s = m.Var(lb=0)
    m.Minimize(1e-3*s)
    m.Equation(d == (tce[(i, z, j, a)] - tc_var[(i, j)])*KCA + s)
    return d

m.Minimize(
m.sum([k1(i, z, j, a) for i, z, j, a in index_f_h_a_v]))

对于条件语句，请使用m.if3()函数如：

def k1(i, z, j, a):
    d = m.Intermediate(tce[(i, z, j, a)] - tc_var[(i, j)])
    a_dif = m.if3(d,0,d)
    return a_dif

这添加了一个二元决策变量，因此APOPT解算器（m.options.SOLVER=1）必须用于求解混合整数解。如果有许多二元决策变量，则求解可能需要更长的时间。另一种方法是使用松弛变量s以便d保持积极的态度，例如：

def k1(i, z, j, a):
    d = m.Var(lb=0)
    s = m.Var(lb=0)
    m.Minimize(1e-3*s)
    m.Equation(d==tce[(i, z, j, a)] - tc_var[(i, j)]+s)
    return d

这种方法的问题在于最小化s可能会干扰其他竞争目标。这1e-3可以通过调整来调整优化问题。