我有一个关于 Gekko 处理代数/隐式循环的具体问题。
我将给出化学工程领域的例子，因为这就是我找到该项目及其其他库的方式。
例如，当涉及到多组分化学平衡计算时，不可能明确地计算出方程式，因为一种物质的浓度可能存在于许多不同的方程式中。
我过去一直在使用其他付费软件，它会根据系统的可解性自动提出解决程序（通过分析依赖性和创建自动代数循环）。
我的问题是：
Gekko 会自动执行此操作吗？
这有点棘手，因为有时需要添加撕裂变量并从一个好的起始值进行迭代。
我知道这条信息可能有点抽象，但我正在尝试决定使用哪个软件来完成我的工作，这是我碰巧发现的一个实用瓶颈。
提前感谢您的宝贵见解。
Python Gekko 使用同时求解策略，以便所有单元一起求解而不是顺序求解。因此，不需要撕裂变量，但与循环有关的大型流程问题可能难以收敛到可行的解决方案。以下是 Python Gekko 中用于帮助高效解决方案和初始化的三种方法。
方法一：中间变量
中间变量有助于降低模型的复杂性。在许多模型中，临时变量的数量超过了常规变量。这种模型缩减通常有助于求解器通过减小问题大小来找到解决方案。中间变量m.Intermediates()在 Python Gekko 中声明为 。中间变量可以在一个部分中定义，也可以在整个模型中的多个声明中定义。中间变量从上到下依次解析。为避免无意覆盖，中间变量可以定义一次。在中间变量的情况下，声明的顺序很关键。如果在定义之前使用了中间值，则会报错，指出存在未初始化的值。以下是有关带有示例问题的中间体的附加信息。
方法二：下块三角分解
对于初始化有问题的大问题，有一种模式可以通过选项激活m.options.COLDSTART=2。此模式执行较低的块三角分解，以自动识别独立块，然后独立并按顺序求解。
这种初始化分解方法在 Mostafa Safdarnejad 的博士论文（第 2 章）或 Safdarnejad, SM, Hedengren, JD, Lewis, NR, Haseltine, E., Initialization Strategies for Optimization of Dynamic Systems, Computers and Chemical Engineering 中进行了讨论, 2015, 卷。78，第 39-50 页，DOI：10.1016/j.compchemeng.2015.04.016。
方法 3：自动模型缩减
模型简化需要更多的预处理时间，但有助于显着减少求解器时间。关于. _ _m.options.REDUCE
初始化的总体策略
此流程图显示了我们用于初始化难题的总体策略，例如带有回收的流程图。
有时它确实意味着打破循环以获得初始化的解决方案。其他时候，上面详述的初始化策略运行良好，不需要重新排列模型。使用同步解决方案策略的优点是自由度交换，例如可以固定下游变量并计算上游变量以满足该值。