本文详解在 pulp 中建模“单任务单人”约束的方法——通过引入二元分配变量与连续工时变量，并结合大m法（big-m）建立逻辑关联，确保每个任务最多被一名员工承担。
本文详解在 pulp 中建模“单任务单人”约束的方法——通过引入二元分配变量与连续工时变量，并结合大m法（big-m）建立逻辑关联，确保每个任务最多被一名员工承担。
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：
每个任务（action）只能由至多一名员工执行
。初学者常试图直接对连续型决策变量（如 vars[action][person] > 0）做逻辑判断，但这在 PuLP 中不可行——因为 LpVariable 对象不支持 Python 原生比较运算符（如 >），会抛出 TypeError。
正确解法是采用
混合整数规划（MIP）的标准建模技巧：分离“是否分配”与“分配多少”两个维度
：
定义二元变量 assign[action, person] ∈ {0, 1}
：表示该员工是否被指派到该任务；
定义连续变量 hours[action, person] ≥ 0
：表示该员工在该任务上实际投入的工时；
用大M约束将二者逻辑绑定
：hours[action, person] ≤ assign[action, person] × M，其中 M 是足够大的上界（例如所有 max_work 和 max_hours 的最大值的两倍），确保当 assign = 0 时，hours 必须为 0；当 assign = 1 时，hours 可自由取 [0, M] 内值（再由其他约束收紧）。
以下是完整、可运行的建模示例（已适配原问题数据结构）：
✅
关键注意事项
：
勿混淆 LpVariable.dicts() 与 LpVariable.matrix()
：后者更利于 Pandas 向量化操作，避免嵌套循环，代码更清晰、易维护；
大M值需合理选取
：过大可能导致数值不稳定或弱松弛，过小则破坏可行性；推荐取相关参数上界的 1.5–2 倍；
二元变量命名语义明确
：如 assign 比 x 更具可读性，便于后期调试与协作；
约束命名规范
：使用 name= 参数为每个约束指定唯一标识，print(prob) 时可直观查看模型结构。
该建模范式不仅适用于“单任务单人”，还可扩展至“每任务至多 K 人”、带技能匹配、优先级调度等复杂场景，是运筹优化工程实践中的基础且强大工具。
import pandas as pd
import pulp
# 定义任务数据
actions = pd.DataFrame(
index=pd.Index(name='action', data=['ActionA', 'ActionB', 'ActionC', 'ActionD']),
data={
'value': [5, 2, 1, 1],
'max_work': [8, 4, 12, 24], # 每个任务最多可完成的工作量
}
)
# 定义员工数据
people = pd.DataFrame(
index=pd.RangeIndex(name='person', start=1, stop=6), # ID: 1~5
data={
'max_hours': [7, 7, 6, 5, 5], # 每人可用工时上限
}
)
# 构建所有 (action, person) 组合的 DataFrame，含两类变量
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() # 层级索引：(action, person)
# 添加辅助列：单位工时价值 & 总价值
combos['value_per_hour'] = actions['value'].reindex(combos.index.get_level_values('action')).values
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('PlanningActions', 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
for action, group in combos['assign'].groupby('action'):
prob.addConstraint(
pulp.lpSum(group) <= 1,
name=f'excl_{action}'
)
# 【核心约束2】每个员工总工时不超过其上限
for person, group in combos['hours'].groupby('person'):
prob.addConstraint(
pulp.lpSum(group) <= people.loc[person, 'max_hours'],
name=f'hours_{person}'
)
# 【核心约束3】每个任务总工作量不超过其上限
for action, group in combos['hours'].groupby('action'):
prob.addConstraint(
pulp.lpSum(group) <= actions.loc[action, 'max_work'],
name=f'work_{action}'
)
# 【关键逻辑约束】工时必须以分配为前提（Big-M）
M = 2 * max(actions['max_work'].max(), people['max_hours'].max())
for (action, person), row in combos.iterrows():
prob.addConstraint(
row['hours'] <= row['assign'] * M,
name=f'link_{action}_{person}'
)
# 求解
prob.solve(pulp.PULP_CBC_CMD(msg=False))
assert prob.status == pulp.LpStatusOptimal, "求解未收敛"
# 输出结果
results = combos.map(pulp.value)
print("分配与工时详情：")
print(results.round(1))
print("\n员工总工时使用情况：")
print(people['total_hours'].map(pulp.value).round(1))
print("\n任务完成总量：")
print(actions['total_work'].map(pulp.value).round(1))