本文介绍如何在不启用 poolsearchmode 的前提下，通过用户自定义割平面（no-good constraints）强制 gurobi 每次求解返回全新整数解，并给出可直接运行的 python + gurobi 实现方案。
本文介绍如何在不启用 poolsearchmode 的前提下，通过用户自定义割平面（no-good constraints）强制 gurobi 每次求解返回全新整数解，并给出可直接运行的 python + gurobi 实现方案。
在 Gurobi 中直接用 != 或集合比较（如 set(...) != set(i)）构建约束是不可行的——因为 Gurobi 的约束表达式必须是线性（或分段线性、二次等）的数学表达式，而 Python 的 set、list、==/!= 操作符属于运行时逻辑，无法被 Gurobi 解析为有效约束；你遇到的错误（“unhashable type: 'GenExpr'”或类似）正是源于试图将未求值的决策变量表达式 y[x].X（注意 .X 是解值，仅在优化后才存在）提前用于构造 Python 集合。
正确做法是：在每次获得一个新整数解后，主动添加一条“no-good constraint”，该约束确保后续解与已生成解至少在一个变量取值上不同。假设你的阵容由二元变量 y[p] ∈ {0,1} 表示球员 p 是否入选（p in players），且已有解集 created_lineups = [s1, s2, ..., sk]，其中每个 si 是一个 frozenset 或 tuple 形式的已选球员 ID 列表，则可在每次求解成功后添加如下约束：
# 假设 y 是 dict: {player_id: Var}，created_lineups 是 list of frozenset 或 tuple
for lineup in created_lineups:
# 对每个历史阵容，添加约束：当前解不能完全等于它
# 即：sum_{p in lineup} (1 - y[p]) + sum_{p not in lineup} y[p] >= 1
# 等价于：至少有一个位置取值不同
m.addConstr(
quicksum(1 - y[p] for p in lineup) +
quicksum(y[p] for p in players if p not in lineup)
>= 1,
name=f"no_good_{len(m.getConstrs())}"
)
✅ 关键说明：
- 此约束是线性整数约束，Gurobi 完全支持；
- quicksum 比 Python sum() 更高效，推荐使用；
- lineup 应为 frozenset 或 tuple（不可变），避免哈希问题；若原始 created_lineups 是列表，请统一转换：created_lineups = [frozenset(sol) for sol in created_lineups]；
- 不要在建模阶段就写 y[p].X ——.X 只在 m.optimize() 后有效，建模时只能操作变量对象 y[p]。
⚠️ 注意事项：
- No-good 约束会随迭代增多而拖慢求解速度，建议设置合理上限（如最多生成 10 个解）；
- 若变量规模大（如 500+ 球员），可考虑更紧致的约束形式（如只禁止核心球员组合），或改用 PoolSearchMode=2 + PoolSolutions 配合后处理去重；
- 确保每次添加约束后调用 m.update()（Gurobi ≥ 9.5 通常自动更新，但显式调用更稳妥）；
- 添加约束后务必重新调用 m.optimize()，而非复用旧解。
综上，避免重复解的本质不是“检查是否相等”，而是“主动排除已知解空间”。这一范式稳健、可证明、且与 Gurobi 的 MIP 求解器深度兼容，是生产环境中生成多样化最优解的标准实践。
