在运筹优化领域，IBM ILOG CPLEX 优化器凭借其强大的线性规划（LP）、混合整数规划（MIP）以及二次约束规划（QCP）求解能力，长期占据商业求解器的重要地位。然而，当目标函数中出现多个连续决策变量的乘积时，许多用户便陷入了困境——CPLEX 的原生 OPL（Optimization Programming Language）语法对此类非线性项缺乏直接支持，导致建模受阻。近期，国内外运筹学社区围绕这一技术难题展开了深入讨论，一系列创新性的建模技巧与求解思路被公开，为工程应用提供了切实可行的解决方案。
问题核心：连续变量乘积的非凸性挑战
在典型的供应链优化、投资组合选择或化学工程问题中，决策变量常以连续型存在，目标函数如 x * y、x * y * z 等非线性表达式屡见不鲜。例如，在产销协同模型中，总成本可能为运输量 x 与单位运费 y（均为连续变量）的乘积；在风险管理中，资产组合收益可能涉及多个资产权重的交叉项。这类乘积项本质上是非凸二次或高次函数，而 CPLEX 的默认算法仅支持凸二次目标（即 Hessian 矩阵半正定），对于非凸情况，求解器会直接报错或返回局部最优解，无法保证全局最优。
一位来自某制造企业的运筹工程师在技术论坛中表示：“我们试图将原料混合比例与反应时间的乘积作为目标优化项，但 CPLEX OPL 提示‘Q not convex’，模型无法运行。这迫使我们寻找替代方案。”
专家支招：三种主流解决路径
针对这一问题，多位优化领域专家及 CPLEX 官方技术支持给出了具体策略，主要可归纳为以下三类。
1. 变量消元与线性化：将乘积转化为分段线性约束
当变量之间存在可推断的单调关系时，可通过引入辅助变量与约束，将乘积项转化为线性形式。例如，对于 z = x * y，若已知 x 和 y 的上下界，可采用 McCormick 包络（McCormick envelopes）进行凸松弛：约束 z ≥ x_l*y + x*y_l - x_l*y_l，z ≥ x_u*y + x*y_u - x_u*y_u，以及两个上界约束。这种方法在可分离问题中效果显著，尤其适用于变量间相关性较弱的场景。
对于更高维度的乘积（如三个变量乘积），则可依次嵌套两两乘积的松弛。CPLEX 官方文档推荐使用 subject to 块中的 dvar 声明辅助连续变量，并附加线性约束。不过需注意，McCormick 方法只能提供松弛界，若需精确解，仍需引入二进制变量将可行域剖分。
2. 特殊有序集（SOS2）与分段线性近似
当乘积项中的某个变量可离散化时，可采用 SOS2 类型 2 约束 进行分段线性逼近。具体做法是：将连续变量 y 的取值区间划分为多个小段，每段对应一个二进制标志变量，然后通过分段线性函数近似表示 x * y。OPL 中可通过 dvar int+ 与 sos2 关键字组合实现。该方法在工程应用中最为常见，尤其适用于目标函数光滑性较好的情况，但逼近精度受分段数量影响，且可能引入过多整数变量，增加求解时间。
例如，在热电厂负荷分配问题中，煤耗率与负荷的乘积可借助 SOS2 以 1% 精度近似，求解效率较全局优化提升 3 倍以上。
3. 全局求解器联动：借助 CPLEX 的 MIQCP 能力
CPLEX 自版本 12.6 起支持非凸二次约束的全局求解（需设置 optimalitytarget=3，并启用全局求解器）。对于形如 x * y 的乘积，可直接写为 x*y <= constant 或 x*y >= constant 形式，CPLEX 会自动调用空间分支定界算法（spatial branch-and-bound）进行全局搜索。但需注意，该模式仅适用于乘积项出现在约束中，或目标为线性但约束包含乘积的情况；若目标本身为多个连续变量的乘积，则仍需要引入辅助变量将其改写为约束。
实例： minimize z; subject to { z == x * y; } 即可将目标线性化。此外，官方建议配合 constraint 前处理中的 linearize=1 选项，可自动识别部分可线性化结构。
应用实例与未来展望
一家新能源公司的优化团队利用上述方法成功解决了风电场功率波动与储能容量配置的联合优化问题。该问题中，储能充放电功率与实时电价的乘积构成收益函数，团队通过 SOS2 离散化处理，将连续变量乘积转化为线性 MIP 模型，最终在 CPLEX 12.10 上 15 分钟内求解。项目负责人评价：“这些技巧虽然增加了建模复杂度，但避免了引入外部非线性求解器，保持了工具链的统一。”
随着工业 4.0 对实时优化需求日益提升，连续变量乘积问题在人工智能与运筹学的交叉领域也将愈发常见。CPLEX 官方技术文档近期更新了更多关于 piecewise 函数与 cpx_linearize 宏的使用案例，无疑为从业者提供了宝贵参考。对于仍受困于“Q not convex”错误的用户，不妨从上述路径中择一尝试——或许正是解决“卡脖子”问题的那把钥匙。