基于PuLP的设备更换调度优化问题求助（最大化总成本）

问题概述 #

已知初始设备已使用3年、当前残值4，新设备成本18，年度运营成本数组[31, 30, 28, 28, 27, 26, 26, 25, 24, 24, 23]（对应设备使用第1至11年的成本），折旧残值数组[8, 9, 9, 10, 10, 10, 11, 12, 14, 16, 18]（对应设备使用1至11年后的残值）。需规划设备更换时间，预期最优方案为：初始设备再用2年，更换新设备后用4年，再次更换后用4年，目标最优值为169。

原PuLP模型存在目标方向错误、变量定义混乱、约束逻辑失效等问题，现修正如下：

修正后的PuLP代码 #

import numpy as np
from pulp import *

# 基础参数
T = 12  # 总规划年限
init_age = 3
init_salvage = 4
new_cost = 18
# 设备使用第k年（k=1~11）的运营成本
annual_cost = np.array([31, 30, 28, 28, 27, 26, 26, 25, 24, 24, 23])
# 设备使用k年（k=1~11）后的残值
salvage = np.array([8, 9, 9, 10, 10, 10, 11, 12, 14, 16, 18])
M = 20  # 大M常数，大于最大可能使用年限

# 构建模型：最大化总收益（残值回收 - 运营成本 - 更换成本）
model = LpProblem("equipment_replacement", LpMaximize)

# 决策变量
# y[t]：1表示第t年年初更换设备（t=0为初始状态，不更换）
y = LpVariable.dicts("replace", range(T), cat="Binary")
# s[t]：第t年设备已使用年限
s = LpVariable.dicts("age", range(T), lowBound=0, upBound=11, cat="Integer")

# 初始约束
model += y[0] == 0, "init_no_replace"
model += s[0] == init_age, "init_age"

# 年度状态约束：关联更换决策与设备年限
for t in range(1, T):
    # 不更换时，年限+1；更换时，年限重置为0
    model += s[t] <= s[t-1] + 1 + M * y[t], f"age_up_{t}"
    model += s[t] >= s[t-1] + 1 - M * y[t], f"age_low_{t}"
    model += s[t] <= M * y[t], f"reset_up_{t}"
    model += s[t] >= 0 * y[t], f"reset_low_{t}"

# 目标函数：总收益 = 初始残值 + 更换时回收的残值 + 最终残值 - 总运营成本 - 更换设备支出
total_salvage = init_salvage
# 更换时的残值回收与设备支出
for t in range(1, T):
    # 更换时，回收旧设备残值（使用年限s[t-1]对应的残值），支付新设备成本
    total_salvage += lpSum([salvage[s[t-1]-1] * y[t]]) - new_cost * y[t]
# 最终设备残值
total_salvage += lpSum([salvage[s[T-1]-1] if s[T-1] >=1 else new_cost])

# 总运营成本：第t年设备使用年限为s[t]，对应运营成本为annual_cost[s[t]-1]（s[t]=0为新设备第1年，对应annual_cost[0]）
total_cost = lpSum([annual_cost[s[t]-1] if s[t]>=1 else annual_cost[0] for t in range(T)])

model += total_salvage - total_cost

# 求解
model.writeLP("Equipment_Replacement_Opt.lp")
status = model.solve(PULP_CBC_CMD(msg=1, timeLimit=900))

# 输出结果
print(f"求解状态: {LpStatus[model.status]}")
print(f"最优目标值: {model.objective.value()}")

print("\n更换决策（y[t]=1表示第t年年初更换）:")
for t in range(T):
    if y[t].value() == 1:
        print(f"第{t}年年初更换")

print("\n每年设备已使用年限:")
for t in range(T):
    print(f"第{t}年: {s[t].value()}年")

原模型问题总结 #

1. 目标方向错误：需最大化收益却使用LpMinimize，应改为LpMaximize。
2. 变量定义无效：原x_variables未明确物理意义，未关联更换决策与设备状态。
3. 约束逻辑错误：原约束未体现“更换则重置设备年限”的核心逻辑，完全脱离实际问题。
4. 数据处理不当：将初始残值加入运营成本数组的操作不合理，应单独处理初始设备的残值。

GEKKO适用性解答 #

GEKKO适合处理这类多阶段动态决策问题，其内置的逻辑函数（如if3）可直接表达“更换则重置年限”的条件约束，无需手动设置大M常数，代码更简洁。但PuLP通过大M法也能实现相同逻辑，若熟悉线性规划建模、需输出标准LP文件，PuLP仍是合适选择；若偏好更直观的逻辑约束表达，GEKKO更便捷。

内容的提问来源于stack exchange，提问作者JeeyCi