PATHNLP 求解器
介绍
PATHNLP 是 GAMS 中用于求解非线性规划（NLP）问题的高效求解器，基于成熟的 PATH 算法框架构建。PATH 算法最初由 Steven Dirkse 和 Michael Ferris 开发，用于求解混合互补问题（MCP），其核心是采用非光滑 Newton 方法与路径跟踪（Path Following）技术相结合的全局化策略。
PATHNLP 将 NLP 问题的最优性条件（KKT 条件）转化为一个互补问题，然后利用 PATH 算法进行求解。这种方法在处理具有良好结构的大规模 NLP 问题时尤为高效，能够充分利用问题的稀疏性和结构特征。
主要特点：
- 基于 PATH 算法：继承 PATH 求解器在互补性问题上的成熟算法框架，针对 NLP 问题的 KKT 系统进行了专门优化。
- 高效稳健：采用非光滑 Newton 方法与路径跟踪策略相结合，在各类非线性规划问题上表现出色的收敛性能。
- 大规模问题处理能力：能够有效处理包含数千个变量和约束的大规模 NLP 问题，利用稀疏矩阵技术实现高效求解。
- 与 GAMS 深度集成：完全支持 GAMS 建模语言的全部 NLP 语法特性，无缝衔接建模与求解流程。
- 广泛的应用领域：适用于经济均衡分析、工程设计优化、能源系统规划、金融风险管理等众多领域。
适用问题类型：PATHNLP 适用于光滑非线性规划问题，包括带有非线性目标函数和/或非线性约束的优化模型。对于具有良好稀疏结构的大规模 NLP 问题，PATHNLP 通常能提供出色的求解性能。需要注意的是，PATHNLP 要求问题的一阶和二阶导数连续（即 C² 光滑性），对于非光滑问题可能需要考虑其他求解器。
目录
介绍
PATHNLP 求解器的核心算法基于 PATH 算法的路径跟踪思想。对于一般非线性规划问题：
min f(x)
s.t. g(x) ≤ 0
h(x) = 0
xL ≤ x ≤ xU
PATHNLP 通过构造该问题的 KKT 条件并将其转化为混合互补问题（MCP）进行求解。算法的主要步骤包括：
- KKT 系统构建：将 NLP 问题的一阶最优性条件表达为互补形式。
- 路径跟踪：利用非光滑 Newton 方法沿路径搜索满足互补条件的解。
- 线搜索与全局化：通过适当的 merit 函数和线搜索策略保证算法的全局收敛性。
- 恢复机制：当算法遇到数值困难时，自动触发恢复步骤以提升鲁棒性。
PATHNLP 特别适合以下类型的 NLP 问题：
- 目标函数和约束条件均为光滑函数的问题
- 具有稀疏雅可比矩阵和 Hessian 矩阵的大规模问题
- 变量的上下界约束较多的问题
- 需要从多个初始点进行求解以提高找到全局最优解概率的问题
用法
在 GAMS 中使用 PATHNLP 求解 NLP 问题非常简单。只需在 GAMS 模型中通过选项语句指定求解器为 PATHNLP 即可：
option nlp = pathnlp; ! 将 NLP 求解器设置为 PATHNLP
指定求解器后，使用 solve 语句求解模型：
solve mymodel using nlp minimizing z;
以下是一个完整的 GAMS 示例模型，演示如何使用 PATHNLP 求解一个简单的非线性规划问题：
* ROSENBRC.gms — Rosenbrock 函数极小化示例
* 使用 PATHNLP 求解器
option nlp = pathnlp;
variables x1, x2, obj;
equations
rosenbrock "Rosenbrock 香蕉函数"
constraint1 "非线性约束";
rosenbrock..
obj =e= 100 * sqr(x2 - sqr(x1)) + sqr(1 - x1);
constraint1..
sqr(x1) + sqr(x2) =g= 0.5;
x1.l = -2;
x2.l = 2;
model rosen / all /;
solve rosen using nlp minimizing obj;
display x1.l, x2.l, obj.l;
求解器选项：可以通过 GAMS 的 option 语句或命令行参数来调整 PATHNLP 的行为：
option nlp = pathnlp;
option reslim = 3600; ! 设置求解时间限制（秒）
option iterlim = 5000; ! 设置迭代次数限制
也可以通过 GAMS 的 pathnlp.opt 文件传递更详细的控制参数（参见下文"选项"章节）。
选项
PATHNLP 提供了丰富的选项用于控制求解过程。这些选项可以通过 GAMS 的选项文件（pathnlp.opt）进行设置，或在 GAMS 模型中使用 $onecho > pathnlp.opt 机制嵌入。
以下表格列出了 PATHNLP 的主要选项：
| 选项名称 |
默认值 |
说明 |
limiter |
1000 |
迭代次数上限，用于控制 PATH 算法主循环的最大迭代次数。 |
convergence_tolerance |
1.0e-6 |
收敛容限，当互补条件残差低于此值时算法判定收敛。 |
crash_tolerance |
1.0e-6 |
用于判断变量是否在边界的容限值。 |
major_iteration_limit |
200 |
主迭代次数上限（PATH 算法的 Newton 迭代）。 |
minor_iteration_limit |
200 |
次迭代次数上限（线性搜索内的迭代）。 |
pivot_tolerance |
1.0e-6 |
枢轴容限值，用于 LU 分解中的枢轴选择。 |
output_level |
1 |
输出详细程度：0=无输出，1=标准输出，2=详细输出。 |
scale |
1 |
是否启用自动缩放：0=不缩放，1=启用缩放。 |
start_perturbation |
自动 |
初始扰动量，用于处理退化问题，帮助算法远离奇异点。 |
perturbation |
自动 |
迭代过程中使用的扰动量。 |
loglevel |
3 |
GAMS 日志输出级别，控制输出到 GAMS 日志文件的信息量。 |
在 GAMS 模型中使用选项文件的示例：
$onecho > pathnlp.opt
convergence_tolerance 1.0e-8
major_iteration_limit 500
output_level 0
$offecho
option nlp = pathnlp;
mymodel.optfile = 1;
solve mymodel using nlp minimizing z;
此外，用户还可以通过 GAMS 的 option 语句设置通用求解器选项，如：
option reslim = 3600; — 求解时间限制（秒）option iterlim = 10000; — 迭代次数限制option domlim = 100; — 允许的定义域错误次数上限
对于高级用户，PATHNLP 还支持通过 pathnlp.opt 文件传递更底层的 PATH 算法参数。详细参数说明可参考 GAMS 官方文档中的 PATH 求解器章节。
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
