如何在 PuLP 中限制每个任务仅由一名员工执行：引入二元分配变量与大M约束-Python教程-PHP中文网

本文详解如何使用 pulp 建模「每个任务最多分配给一名员工」的逻辑约束，通过分离二元分配变量（assign）与连续工作量变量（hours），结合大m法建立线性化关联，解决直接比较 lpvariable 与整数引发的 typeerror。

本文详解如何使用 pulp 建模「每个任务最多分配给一名员工」的逻辑约束，通过分离二元分配变量（assign）与连续工作量变量（hours），结合大m法建立线性化关联，解决直接比较 lpvariable 与整数引发的 typeerror。

在资源分配类整数规划问题中，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（person）承担。这看似简单，却无法通过 vars[action][m] > 0 这类非线性/逻辑表达式直接建模——因为 PuLP 的变量是符号对象，不支持 Python 原生比较运算符（如 >），否则会触发 TypeError: '>' not supported between instances of 'LpVariable' and 'int'。

正确解法在于将“是否分配”与“分配多少工时”解耦：

引入二元变量 assign[action, person] ∈ {0,1} 表示该员工是否被指派到该任务；
引入连续变量 hours[action, person] ≥ 0 表示实际分配的工时；
用大M约束（Big-M constraint） 将二者关联：hours[action, person] ≤ M × assign[action, person]，确保只有当 assign = 1 时，hours 才可能大于 0。

以下是完整、可运行的建模实践（基于 Pandas + PuLP）：

import pandas as pd
import pulp

# 定义任务数据（含价值与最大可分配工时）
actions = pd.DataFrame(
    index=pd.Index(name='action', data=('A', 'B', 'C', 'D')),
    data={
        'value': (5, 2, 1, 1),
        'max_work': (8, 4, 12, 24),
    }
)

# 定义员工数据（含最大可用工时）
people = pd.DataFrame(
    index=pd.RangeIndex(name='person', start=1, stop=6),
    data={
        'max_hours': (7, 7, 6, 5, 5),
    },
)

# 构建所有 (action, person) 组合的 DataFrame，并定义两类变量
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()  # 展平为 MultiIndex DataFrame

# 添加价值列（便于目标函数计算）
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()

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

# 【核心约束1】每个任务最多分配给1名员工 → 对每个 action，∑ assign[action, *] ≤ 1
for action, assigns in combos['assign'].groupby('action'):
    prob.addConstraint(
        name=f'excl_{action}',
        constraint=pulp.lpSum(assigns) <p>✅ <strong>关键要点总结</strong>：  </p>