如何在 PuLP 中约束每项任务仅由一名员工执行-Python教程-PHP中文网

本文介绍如何使用 PuLP 建模「每项任务最多分配给一名员工」的逻辑约束，通过引入二元分配变量与大M法（Big-M）将“是否参与”与“实际工时”解耦，解决整数规划中无法直接对决策变量做逻辑比较（如 var > 0）的核心难点。

本文介绍如何使用 pulp 建模「每项任务最多分配给一名员工」的逻辑约束，通过引入二元分配变量与大m法（big-m）将“是否参与”与“实际工时”解耦，解决整数规划中无法直接对决策变量做逻辑比较（如 `var > 0`）的核心难点。

在资源调度类优化问题中，一个常见但易被忽视的关键约束是：单个任务（action）只能由至多一名员工承担。这看似简单，但在数学规划建模中无法通过 vars[action][m] > 0 这类条件判断实现——因为 PuLP 的 LpVariable 是符号变量，不支持与整数的直接比较运算，会触发 TypeError: '>' not supported between instances of 'LpVariable' and 'int'。

正确做法是采用变量分离 + 大M约束（Big-M formulation）：

引入二元变量 assign[action][person] ∈ {0,1} 表示“该员工是否被分配到该任务”；
同时保留连续变量 hours[action][person] ≥ 0 表示实际分配的工时；
用线性约束 hours ≤ assign × M 将二者关联（当 assign = 0 时强制 hours = 0；当 assign = 1 时允许 hours ≤ M）；
最后对每个 action 施加 ∑ assign[action][*] ≤ 1，即“最多一人被分配”。

以下为完整可运行示例（基于 Pandas + PuLP）：

import pandas as pd
import pulp

# 定义任务（actions）
actions = pd.DataFrame(
    index=pd.Index(name='action', data=('A', 'B', 'C', 'D')),
    data={
        'value': (5, 2, 1, 1),      # 单位工时价值
        'max_work': (8, 4, 12, 24), # 该任务最多可投入总工时
    }
)

# 定义员工（people）
people = pd.DataFrame(
    index=pd.RangeIndex(name='person', start=1, stop=6),
    data={
        'max_hours': (7, 7, 6, 5, 5),  # 每人可用最大工时
    }
)

# 构建所有 (action, person) 组合，并定义两类变量：
# - 'assign': 二元变量，表示是否分配（0/1）
# - 'hours': 连续变量，表示实际分配工时（≥0）
combos = pd.DataFrame({
    'assign': pulp.LpVariable.matrix(
        name='assign', indices=(actions.index, people.index),
        cat=pulp.LpBinary
    ),
    'hours': pulp.LpVariable.matrix(
        name='hours', indices=(actions.index, people.index),
        cat=pulp.LpContinuous, lowBound=0
    )
}).stack([0, 1]).to_frame('val').unstack(-1).swaplevel(axis=1)

# 重命名列便于操作
combos.columns = ['assign', 'hours']
combos['value_per_hour'] = actions['value'].reindex(combos.index.get_level_values('action'))
combos['value'] = combos['hours'] * combos['value_per_hour']

# 按员工/任务聚合总工时
people['total_hours'] = combos['hours'].groupby('person').sum()
actions['total_work'] = combos['hours'].groupby('action').sum()

# 创建优化问题
prob = pulp.LpProblem(name='PlanningActions', sense=pulp.LpMaximize)
prob.setObjective(pulp.lpSum(combos['value']))

# 【核心约束1】每人最多承担一项任务（可选，依业务而定）
# for person, group in combos['assign'].groupby('person'):
#     prob.addConstraint(pulp.lpSum(group)  0.5][['assign', 'hours', 'value']])

print("\n=== 员工总工时使用情况 ===")
print(people[['max_hours', 'total_hours']])

print("\n=== 任务完成情况 ===")
print(actions[['value', 'max_work', 'total_work']])

✅ 关键要点总结：