Python 如何在Gekko中使用分层条件约束

我正在try 使用"IF3"在Gekko中实现条件逻辑，但我不确定如何在不同的粒度级别成功地实现第二层条件.

"x1"是二进制值(0/1)的向量，用于控制何时应在元素i上使用替代rhs值来约束x2和x3.

"x2"是一个浮点向量，我想根据上面"x1"中的二进制值使元素i的下限和上限动态.如果元素i的x1值= 1，我想使用"window_lnuc_min_promo_price"(相同长度的向量)作为下限，而使用"window_lnuc_max_promo_price"作为上限.如果元素i的x1值= 0，我想使用"min_promo_price"作为下限，使用"max_promo_price"作为上限.

类似地，"x3"是一个浮点向量，我想应用相同的逻辑，但只是在x1中的元素i = 1时使用来自"window_lnuc"的值，当元素i = 0时使用来自"lnuc"的值.

最后，我想限制X1可以= 1的次数(在下面的例子中是4).这意味着备选值总共限制为4次.

我认为我遇到的问题是，因为x1是一个范围为0—1的变量，所以优化器正在更改"lnuc_weeks"中的默认"0"值(我不希望它这样做).我希望优化器基本上保留"lnuc_weeks"中为0的任何内容，并且只从"lnuc_weeks"中初始= 1的元素中 Select 最多4个值.

可能有一个更好的方式来写这篇文章，但任何帮助/反馈都是值得赞赏的.完整的解决方案是有点长的显示输出的可重复性，但希望以上/以下充分描述的问题.

x1 = m.Array(m.Var,(n), integer=True) #LNUC weeks

i = 0
for xi in x1:
    xi.value = lnuc_weeks[i]
    xi.lower = 0
    xi.upper = 1
    i += 1

x2 = m.Array(m.Var,(n)) #Blended SRP

i = 0
for xi in x2:
    xi.value = blended_srp[i]
    xi.lower = m.if3((x1[i]) - 1, min_promo_price[i], window_lnuc_min_promo_price[i])
    xi.upper = m.if3((x1[i]) - 1, max_promo_price[i], window_lnuc_max_promo_price[i])
    i += 1

x3 = m.Array(m.Var,(n)) #Blended NUC

i = 0
for xi in x3:
    xi.value = blended_nuc[i]
    xi.lower = m.if3((x1[i]) - 1, lnuc[i], window_lnuc[i])
    xi.upper = 10
    i += 1


#Limit max lnuc weeks
m.Equation(sum(x1)<=4)