本文介绍在pyomo中实现“优化变量数组的最大值与最小值之差不小于给定阈值s”的线性建模方法，通过引入二元选择变量和big-m技巧将非线性逻辑转化为混合整数线性约束，兼容minlp求解器（如couenne、cbc）。

在Pyomo中直接使用 max() 或 min() 函数对变量表达式求极值是严格禁止的——因为这些操作本质上是非光滑、非线性的，且在模型构建阶段变量值未知，Pyomo无法将其编译为有效的数学规划表达式。类似地，基于变量值的 if 判断（如 model.x[i] > model.x[j]）也会触发 PyomoException: Cannot convert non-constant Pyomo expression to bool 错误。因此，必须采用线性化建模技巧来等价重构该逻辑。

核心思路是：不显式计算全局 max/min，而是确保至少存在一对索引 (i, j)，使得 x[i] − x[j] ≥ S。这可通过以下两步实现：

1. 引入二元变量 selected[i, j] ∈ {0, 1}：表示是否“选中”变量对 (i, j) 来承担分离责任；
2. 用 Big-M 约束激活/屏蔽该对的分离条件：

   x[i] - x[j] ≥ S * selected[i, j] - M * (1 - selected[i, j])

   当 selected[i, j] = 1 时，约束退化为 x[i] − x[j] ≥ S；
   当 selected[i, j] = 0 时，右侧变为 −M，因 M 足够大（如取变量上界差），该约束自动满足，不起作用。

最后，添加一个覆盖约束，强制至少一对被选中：

sum(selected[i, j] for i in S for j in S) ≥ 1

✅ 关键注意事项：M 必须合理设定：建议取 M = max_upper_bound − min_lower_bound（如所有 x[i] ∈ [0, U]，则 M = U）。过大导致数值不稳定，过小可能使可行域被错误裁剪；避免使用 range(N)，改用 Pyomo Set（如 m.S = pyo.Set(initialize=range(25))），提升可读性与维护性；此方法引入 O(N²) 个二元变量和约束，对大规模 N（如 >100）需权衡性能；若仅需近似或松弛，可考虑分段线性化或启发式预筛选；本建模方式生成的是混合整数线性约束（MILP），完全兼容 CBC、GLPK、Gurobi 等求解器；Couenne 亦可处理（因其支持 MINLP，但此处已线性化）。

以下为完整可运行示例（适配原问题中 N = 25, S = delta）：

import pyomo.environ as pyo

delta = 5.0  # 最小分离要求 S
M = 100.0    # Big-M 上界（需根据实际变量范围调整）
N = 25

m = pyo.ConcreteModel()
m.S = pyo.Set(initialize=range(N))  # 推荐：用 Set 替代 range

# 决策变量
m.x = pyo.Var(m.S, domain=pyo.NonNegativeReals, bounds=(0, None))
m.selected = pyo.Var(m.S, m.S, domain=pyo.Binary)

# 目标函数（示例：最小化总和）
m.obj = pyo.Objective(expr=sum(m.x[i] for i in m.S), sense=pyo.minimize)

# 成对分离约束：激活时强制 x[i] - x[j] >= delta
@m.Constraint(m.S, m.S)
def separation_constraint(m, i, j):
    return m.x[i] - m.x[j] >= delta * m.selected[i, j] - M * (1 - m.selected[i, j])

# 至少一对必须被选中
m.requirement_met = pyo.Constraint(
    expr=sum(m.selected[i, j] for i in m.S for j in m.S) >= 1
)

# 求解（推荐使用支持整数的求解器）
solver = pyo.SolverFactory('cbc')  # 或 'gurobi', 'glpk'
results = solver.solve(m, tee=True)
print(f"Optimal objective: {pyo.value(m.obj)}")
m.x.display()

该方案规避了所有非法操作，将原始不可建模的 max(x) − min(x) ≥ S 转化为标准 MILP 结构，稳健、可验证、且易于扩展（例如加入 x[i] ≥ 0 等边界约束）。对于绝大多数工程优化场景，这是当前 Pyomo 生态中最实用、最可靠的实现路径。