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] <= assign[action, person] * M
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）。
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：
for action in actions.index:
prob.addConstraint(
pulp.lpSum(assign[action, person] for person in people.index) <= 1,
name=f'excl_{action}'
)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：
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) <= people.loc[person, 'max_hours'],
name=f'hours_person_{person}'
)
# 约束2：每任务总工时 ≤ 其最大需求
for action in actions.index:
prob.addConstraint(
pulp.lpSum(hours[action][p] for p in people.index) <= actions.loc[action, 'max_work'],
name=f'work_action_{action}'
)
# 约束3：每任务至多分配1人（核心！）
for action in actions.index:
prob.addConstraint(
pulp.lpSum(assign[action][p] for p in people.index) <= 1,
name=f'excl_action_{action}'
)
# 约束4：小时数受分配状态控制（Big-M）
M = 2 * max(actions['max_work'].max(), people['max_hours'].max())
for (a, p), row in combos.iterrows():
prob.addConstraint(
hours[a][p] <= assign[a][p] * M,
name=f'link_{a}_{p}'
)
# 求解
prob.solve(pulp.PULP_CBC_CMD(msg=False))
assert prob.status == pulp.LpStatusOptimal
# 输出结果
result = combos.map(pulp.value).unstack('person')
print("分配矩阵（1=分配，0=未分配）：")
print(result['assign'])
print("\n工时分配（小时）：")
print(result['hours'])关键注意事项：
- ❗ M 值不宜过大（避免数值不稳定），但必须严格大于任何可能的 hours 上界；
- ✅ 使用 matrix() + stack() 比嵌套字典更易与 Pandas 生态集成；
- ⚠️ 若业务允许“任务由多人协作”，则应移除 excl_action_* 约束，并考虑增加团队协同成本项；
- ? 实际项目中建议封装为函数，输入 actions_df, people_df, M 等参数，增强复用性。
通过这一建模模式，你不仅能精准实现“一任务一负责人”，还为后续扩展（如技能匹配、偏好权重、加班惩罚等）奠定了清晰、可扩展的结构基础。
