优化问题中六位小数精度下约束不满足的优雅解法问询

问题背景 #

我求解了一个大规模优化问题，得到用于数量分配的系数值，核心约束之一是所有系数的和必须等于1。交付要求结果保留6位小数，但优化后直接四舍五入得到的结果无法满足和为1的约束：

result1 = [0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111]
result2 = [0.159891, 0.119918, 0.000680, 0.599592, 0.119918, 0.000000]

上述结果的和均为0.999999，不满足约束要求。

现有粗糙解法的缺陷 #

最直接的修正方式是调整最后一个系数，让整体和补足为1：

result1 = [0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111111, 0.111112]
result2 = [0.159891, 0.119918, 0.000680, 0.599592, 0.119918, 0.000001]

但这种方法存在明显缺陷：比如result2中原为0的系数被强制分配了数值，违背了优化结果的原始逻辑，修正方式过于生硬。

更优雅的解决方案 #

1. 优化阶段直接引入精度约束 #

在优化模型中直接将系数的精度限制为6位小数，把连续变量转化为整数变量处理：

• 设原始系数为x_i，令y_i = round(x_i * 1e6)，则约束条件变为sum(y_i) = 1e6，同时x_i = y_i / 1e6
• 将优化目标转化为基于y_i的目标函数，求解整数规划问题。这种方法从根源上保证结果满足精度和和为1的双重约束，无需后续修正。

2. 基于误差的智能调整（后处理优化） #

如果无法修改优化模型，可采用更智能的后处理方式：

• 计算每个系数四舍五入后的误差：error_i = original_x_i - rounded_x_i
• 计算总误差total_error = 1 - sum(rounded_x_i)（此处为0.000001）
• 选择误差最大的若干个系数（或符合业务逻辑的系数，比如原始值非0的项）进行调整，每次调整0.000001，直到总误差被抵消。
• 以result2为例，优先调整原始值较大且误差为正的项（比如0.599592对应的原始值可能略大于该数），而非修改原0的系数，保证修正结果更贴合优化逻辑。

内容的提问来源于stack exchange，提问作者nico