本文详解如何正确调用 scipy.optimize.milp 求解带整数约束的最小成本包装组合问题，涵盖目标函数、约束构造、变量边界、整数声明等关键配置，并指出常见建模误区。
本文详解如何正确调用 scipy.optimize.milp 求解带整数约束的最小成本包装组合问题，涵盖目标函数、约束构造、变量边界、整数声明等关键配置，并指出常见建模误区。
在工业与供应链优化中，常需从多种离散规格（如不同容积/价格的油漆罐）中选择整数个数，以最低总成本满足最低资源需求（如覆盖指定面积）。虽然 pulp 等高级建模库语法直观，但若需轻量依赖或深度集成 SciPy 生态，直接使用 scipy.optimize.milp 是更优选择——前提是准确理解其接口语义。
✅ 正确建模四要素
milp 要求显式定义四个核心组件：目标系数向量 c、整数声明 integrality、变量边界 bounds 和 线性约束 constraints。错误常源于对 A 矩阵维度、不等式方向或边界默认值的误解。
-
目标函数
c：直接传入各选项单位成本（如[4870, 2910, 632, 1790]），milp默认执行最小化。 -
整数约束
integrality：必须为长度匹配的0/1数组（1表示整数变量），推荐用np.ones(n, dtype=np.uint8)显式声明，避免类型隐式转换失败。 -
变量下界
bounds.lb：所有变量需 ≥ 0（非负整数），不可省略；Bounds(lb=0)会广播至全部变量，lb=np.zeros(n)更明确。 -
覆盖约束
LinearConstraint：设A = [exp_0, exp_1, ..., exp_{n-1}]（每罐可覆盖面积），则A @ x >= target_value等价于lb=target_value；上界ub=max_exp用于剪枝，提升求解效率。
? 完整可运行示例
import numpy as np
from scipy.optimize import milp, Bounds, LinearConstraint
# 原始数据：罐体体积(L)、单位面积耗漆量(L/m²)、单价(元)
pdict = {
'Can_9ltr': [9.0, 0.17, 4870],
'Can_4.5ltr': [4.5, 0.17, 2910],
'Can_1ltr': [1.0, 0.17, 632],
'Can_2.25ltr':[2.25, 0.17, 1790]
}
# 构造向量化输入
names = list(pdict.keys())
volumes = np.array([pdict[n][0] for n in names])
consumes = np.array([pdict[n][1] for n in names])
prices = np.array([pdict[n][2] for n in names])
coverage = volumes / consumes # 每罐可涂刷面积 (m²)
target_area = 30.0
n = len(names)
# 计算合理上界（避免无界松弛）
max_cover = coverage.max()
upper_bound = np.ceil(target_area / max_cover) * max_cover
# 调用 milp —— 关键：A 是 1×n 向量，lb/ub 是标量或 1×1 数组
result = milp(
c=prices, # 最小化总成本
integrality=np.ones(n, dtype=np.uint8), # 全部变量为整数
bounds=Bounds(lb=np.zeros(n)), # x_i ≥ 0
constraints=LinearConstraint(
A=coverage.reshape(1, -1), # shape: (1, n)
lb=target_area, # coverage @ x ≥ target_area
ub=upper_bound # coverage @ x ≤ upper_bound
)
)
if not result.success:
raise RuntimeError(f"MILP failed: {result.message}")
# 解析结果
solution = {name: int(result.x[i]) for i, name in enumerate(names)}
total_cost = sum(solution[name] * prices[i] for i, name in enumerate(names))
print("最优采购方案:")
for name, qty in solution.items():
if qty > 0:
print(f" {name}: {qty} 罐（单价 {prices[list(names).index(name)]} 元）")
print(f"总成本: {total_cost:.0f} 元")输出示例：
最优采购方案: Can_4.5ltr: 1 罐（单价 2910 元） Can_1ltr: 1 罐（单价 632 元） 总成本: 3542 元
⚠️ 常见错误与规避指南
-
❌ 错误使用
A_ub/b_ub（linprog风格）：milp不接受A_ub参数，必须用LinearConstraint显式指定lb/ub。混淆二者将导致约束失效或维度报错。 -
❌ 整数声明无效：
integrality=[1,1,1,1]在旧版 SciPy 可能因类型推断失败；务必使用np.uint8或np.int8数组。 -
❌ 忘记非负约束：
milp不默认x ≥ 0，缺失bounds将允许负数解（如-1罐），逻辑错误。 -
❌ 上下界方向颠倒：
lb对应≥，ub对应≤；若写成lb=upper_bound, ub=target_area，约束恒不成立。 -
✅ 性能提示：添加紧致上界（如
upper_bound）可显著加速求解，尤其当变量范围天然受限时。
通过严格遵循上述范式，即可在不引入额外依赖的前提下，用 scipy.optimize.milp 稳健替代 pulp，实现生产级整数规划求解。
