本文介绍如何在pyomo中高效建模带时序约束的能源分配问题，核心是利用索引集（indexed sets）和稀疏变量定义，为每个请求自动关联其有效时间窗口，并施加总能量满足约束，避免全笛卡尔积带来的计算冗余。
在能源调度、任务分配等混合整数线性规划（MILP）问题中，一个常见挑战是：每个请求（request）仅能在特定时间区间内被服务，且其累计获得的能量必须严格等于（或不低于）其需求量。若直接对所有请求–时间组合定义变量并用条件判断过滤合法时段，不仅语法复杂、易出错，更会导致模型规模爆炸（如1000个请求 × 8760小时 = 876万变量），严重损害求解效率。
Pyomo 提供了更优雅、更高效的解决方案——索引集（Indexed Set）与稀疏变量（Sparse Variable）协同建模。其核心思想是：不预先定义全连接变量，而是先静态构建“合法请求–时段对”的集合，再仅在此子集上声明决策变量。这既保证了建模逻辑清晰，又天然实现变量稀疏化，大幅提升可扩展性。
✅ 正确建模步骤详解
1. 数据预处理：构建请求–时段映射字典
首先，从原始数据中提取每个请求的有效时间窗口（earliest_start, latest_end），并生成 time_slot → [eligible_requests] 的映射（推荐使用 defaultdict(list)）：
from collections import defaultdict
# 示例数据：请求r1可在[0,3]时段供电，r2仅限[2,3]
request_timespan = {'r1': (0, 3), 'r2': (2, 3)}
request_energy_needed = {'r1': 60, 'r2': 10} # 单位：kWh
# 构建：每个时段t有哪些请求可被服务？
eligible_requests = defaultdict(list)
for r, (start, end) in request_timespan.items():
for t in range(start, end + 1): # 注意闭区间：包含end
eligible_requests[t].append(r)
# 输出：{0: ['r1'], 1: ['r1'], 2: ['r1', 'r2'], 3: ['r1', 'r2']}2. Pyomo模型构建：使用索引集与稀疏变量
关键在于以下三处设计：
- m.windows：索引集，类型为 Set(m.T)，表示“每个时段 t 允许服务的请求集合”；
- m.windows_flat：扁平化集合，元素为 (t, r) 元组，仅含合法组合（非全笛卡尔积）；
- m.dispatch[t, r]：仅在此稀疏集上定义变量，内存与计算开销显著降低。
import pyomo.environ as pyo
m = pyo.ConcreteModel()
# Sets
m.T = pyo.Set(initialize=[0, 1, 2, 3])
m.R = pyo.Set(initialize=['r1', 'r2'])
m.windows = pyo.Set(m.T, initialize=eligible_requests, within=m.R) # indexed set
m.windows_flat = pyo.Set(initialize={(t, r) for t in eligible_requests for r in eligible_requests[t]},
within=m.T * m.R)
# Params
m.request_energy = pyo.Param(m.R, initialize=request_energy_needed)
m.supply_limit = pyo.Param(m.T, initialize={t: 20 for t in m.T}) # 每时段最大供电20kW
# Vars （关键：仅在windows_flat上定义！）
m.satisfied = pyo.Var(m.R, domain=pyo.Binary)
m.dispatch = pyo.Var(m.windows_flat, domain=pyo.NonNegativeReals) # 稀疏变量！
# Objective: 最大化满足请求数量（可替换为最大化总能量）
m.obj = pyo.Objective(expr=sum(m.satisfied[r] for r in m.R), sense=pyo.maximize)3. 核心约束：按请求聚合能量，强制满足需求
约束 request_satisfied 是本文重点——它需对每个请求 r，自动找出所有其允许参与的时段 t（即 r ∈ m.windows[t]），并对这些 (t, r) 对上的 dispatch[t, r] 求和，确保总和 ≥ satisfied[r] * energy_needed[r]：
@m.Constraint(m.R)
def request_satisfied(m, r):
# 动态获取请求r的所有可行时段：遍历m.T，检查r是否在m.windows[t]中
feasible_times = [t for t in m.T if r in m.windows[t]]
return sum(m.dispatch[t, r] for t in feasible_times) >= m.satisfied[r] * m.request_energy[r]? 为什么不用 if 过滤？ Pyomo 中约束表达式必须是符号表达式（symbolic expression），不能含 Python 运行时逻辑（如 if t > start_time[r]）。上述写法通过预计算 feasible_times 列表，在模型构建阶段完成逻辑判断，完全符合 Pyomo 语法规范。
4. 补充约束：时段供应上限
同步添加每时段供电总量不超过可用容量的约束：
@m.Constraint(m.T)
def supply_limit(m, t):
return sum(m.dispatch[t, r] for r in m.windows[t]) <= m.supply_limit[t]⚠️ 注意事项与最佳实践
-
时间单位一致性：若 dispatch[t, r] 定义为功率（kW），而 request_energy[r] 是能量（kWh），则需乘以采样周期（如 model.sampling_period_dict[t]）：
sum(m.dispatch[t, r] * m.sampling_period[t] for t in feasible_times) >= ... - 变量命名清晰：避免使用 booked_supply[t] 这类模糊名称，推荐 dispatch[t, r]（明确物理意义）+ total_dispatch[t]（若需汇总）。
- 避免动态创建大量独立约束：不要为每个请求写 ConstraintList + 循环 add()，索引集方案更简洁、更高效、更易维护。
- 调试技巧：调用 m.pprint() 查看实际生成的集合大小与变量维度，验证稀疏性是否生效（如 windows_flat 应远小于 len(m.T)*len(m.R)）。
✅ 总结
通过 索引集（Set(model.T)）预定义时段–请求合法性关系，再结合 稀疏变量（Var(indexed_set)） 和 基于集合成员关系的约束构造（r in m.windows[t]），即可优雅、高效、无错误地实现“按请求动态时间窗求和约束”。该模式是 Pyomo 处理时序依赖问题的标准范式，适用于储能调度、作业车间排程、车辆路径规划等众多场景。掌握此方法，将显著提升你构建大规模优化模型的能力与信心。
