在pyomo中无法直接使用python内置的`max()`/`min()`函数对优化变量求极值；本文提供一种基于二元选择变量与big-m法的线性化建模方案，确保`max(x) − min(x) ≥ s`这一非凸约束被正确表达为混合整数线性约束（milp兼容），适用于couenne、cbc等主流求解器。
要强制一组优化变量 x[i]（i ∈ {0, ..., N−1}）满足“其最大值与最小值之差至少为 S”，即 max(x) − min(x) ≥ S，关键在于：该约束本质上是非凸、非光滑且不可微的，在标准MINLP框架下无法直接建模。Pyomo禁止在约束规则中使用运行时未知的变量值进行Python级比较（如 if x[i] > x[j]）或调用 max()/min()，因为这些操作在模型构建阶段（而非求解阶段）即被求值，此时变量尚无确定数值。
正确的解决路径是将其重构为线性混合整数约束（MILP-compatible form），核心思想是：不显式计算 max/min，而是确保存在至少一对索引 (i, j)，使得 x[i] − x[j] ≥ S。这等价于原条件（因为若任意两元素差≥S，则极差必然≥S；反之，若极差≥S，则必存在这样一对）。但需注意——仅添加 ∃i,j: x[i] − x[j] ≥ S 仍不够，因为优化器可能让其他变量自由取值导致目标函数更优却违反“全局极差”语义。因此，需引入二元选择变量 + Big-M 线性化来精确激活该差异约束。
以下是推荐实现（以 N = 5, S = 5 为例）：
import pyomo.environ as pyo
delta = 5 # 所需最小分离量 S
M = 100 # 合理的大M值（应略大于x变量理论最大可能差值，如 Max_value - Min_value）
m = pyo.ConcreteModel()
# 使用 Pyomo Set 替代 range()，提升可读性与可维护性
m.S = pyo.Set(initialize=range(5))
# 决策变量：待优化的 x[i]
m.x = pyo.Var(m.S, domain=pyo.NonNegativeReals)
# 辅助二元变量：selected[i,j] = 1 表示选择第 i 和第 j 个变量构成满足分离要求的候选对
m.selected = pyo.Var(m.S, m.S, domain=pyo.Binary)
# 目标函数（示例：最小化 x 总和）
m.obj = pyo.Objective(expr=sum(m.x[s] for s in m.S))
# 主约束：对每一对 (i, j)，启用“x[i] - x[j] ≥ delta”当且仅当 selected[i,j] == 1
# 否则，约束退化为 x[i] - x[j] ≥ -M（恒成立，因 M 足够大）
@m.Constraint(m.S, m.S)
def delta_met(m, i, j):
return m.x[i] - m.x[j] >= delta * m.selected[i, j] - M * (1 - m.selected[i, j])
# 必选约束：至少有一对 (i, j) 被选中（避免所有 selected[i,j] = 0 导致约束失效）
m.requirement_met = pyo.Constraint(
expr=sum(m.selected[i, j] for i in m.S for j in m.S) >= 1
)✅ 关键要点说明：
- Big-M 选择：M 必须足够大以保证当 selected[i,j] = 0 时，约束 x[i] − x[j] ≥ −M 不构成实际限制（即始终可行）。过大的 M 会削弱约束紧致性，影响求解效率；建议设为 M = upper_bound_of_x - lower_bound_of_x。
- 对称性处理：上述实现包含所有 (i,j) 对（含 i==j）。实践中可排除 i==j（此时 x[i]−x[j]=0 < S，自动使 selected[i,i]=0），或仅遍历 i < j 并约束 |x[i]−x[j]| ≥ S（需额外处理绝对值，略复杂）。
- 求解器兼容性：该模型为 MI(N)LP 形式，支持 CBC（开源）、GLPK、Gurobi、CPLEX 及 Couenne（用于非凸分支）。若使用 Couenne，需确认其支持整数变量；否则推荐 CBC/Gurobi。
- 性能提示：N=25 时，selected 变量达 625 个，约束数亦为 625。虽可行，但可考虑启发式预筛选或分层建模进一步优化规模。
最终，该建模方式将原始不可行的非线性逻辑成功转化为求解器可处理的标准混合整数线性约束，兼顾数学严谨性与工程实用性。
