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

如何在 PuLP 中约束每项任务仅由一名员工承担

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“工作时长”解耦，解决整数规划中无法直接对连续变量做逻辑比较的难题。

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“工作时长”解耦，解决整数规划中无法直接对连续变量做逻辑比较的难题。

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）不应被拆分给多名员工并行执行——例如，“ActionA”必须由且仅由一名员工全权负责，而非由两人各做4小时。初学者常试图用 vars[action][m] > 0 这类布尔表达式直接建模“是否被分配”，但 PuLP 的 LpVariable 不支持与整数的直接比较（会报 TypeError: '>' not supported between instances of 'LpVariable' and 'int'），根本原因在于线性规划模型中所有约束必须是线性的、可求导的代数表达式，而逻辑判断是非线性的。

正确解法是采用混合整数规划（MIP）建模范式：引入两类变量协同建模：

二元变量 assign[action, person] ∈ {0,1}：表示该员工是否被分配到该任务（1 = 是，0 = 否）；
连续变量 hours[action, person] ≥ 0：表示该员工在该任务上实际投入的工时。

二者通过大M约束（Big-M constraint） 关联：

hours[action, person] <p>其中 M 是足够大的常数（如 M = 2 * max(max_work.max(), max_hours.max())），确保当 assign=0 时强制 hours=0；当 assign=1 时，hours 可自由取 [0, M] 内值（再由其他约束进一步收紧）。</p><p>在此基础上，“每项任务至多一人承担”就转化为简洁的线性约束：  </p><pre class="brush:php;toolbar:false;">for action in actions.index:
    prob.addConstraint(
        pulp.lpSum(assign[action, person] for person in people.index) <p>完整实现推荐使用 pulp.LpVariable.matrix() 配合 Pandas MultiIndex 管理变量，提升可读性与可维护性。以下为精简可运行示例：</p><pre class="brush:php;toolbar:false;">import pandas as pd
import pulp

# 定义任务与人员数据
actions = pd.DataFrame({
    'value': [5, 2, 1, 1],
    'max_work': [8, 4, 12, 24]
}, index=pd.Index(['A','B','C','D'], name='action'))

people = pd.DataFrame({
    'max_hours': [7, 7, 6, 5, 5]
}, index=pd.RangeIndex(1, 6, name='person'))

# 构建决策变量矩阵（自动创建 MultiIndex）
assign = pulp.LpVariable.matrix(
    'assign', (actions.index, people.index), cat='Binary'
)
hours = pulp.LpVariable.matrix(
    'hours', (actions.index, people.index), lowBound=0, cat='Continuous'
)

# 转为 DataFrame 方便聚合
combos = pd.DataFrame({
    'assign': pd.DataFrame(assign, index=actions.index, columns=people.index).stack(),
    'hours':  pd.DataFrame(hours,  index=actions.index, columns=people.index).stack(),
})
combos['value'] = combos['hours'] * actions['value'].align(combos)[0]

# 创建问题
prob = pulp.LpProblem('PlanningActions', pulp.LpMaximize)
prob.setObjective(pulp.lpSum(combos['value']))

# 约束1：每人总工时 ≤ 其可用时间
for person in people.index:
    prob.addConstraint(
        pulp.lpSum(hours[a][person] for a in actions.index) <p><strong>关键注意事项：</strong>  </p>