Python PuLP构建EOQ模型时int与LpVariable运算报错的解决方法

问题根源 #

你遇到的unsupported operand type(s) for /: 'int' and 'LpVariable'错误，是因为PuLP库的LpVariable对象不支持直接与整数做除法运算。EOQ模型的目标函数（总库存成本=订货成本+持有成本）是非线性函数，需要用PuLP支持的非线性表达式语法构建，或者换用更适合单变量优化的工具。

方案1：用PuLP实现非线性EOQ模型 #

通过将除法转换为乘法逆元（x**-1表示1/x）的形式，让PuLP识别非线性表达式，再配合支持非线性求解的CBC选项运行：

import pulp

# 定义EOQ模型参数
annual_demand = 1000  # 年需求量D
ordering_cost = 50    # 单次订货成本S
holding_cost = 2      # 单位年持有成本H

# 创建最小化问题实例
prob = pulp.LpProblem("EOQ_Minimize_Cost", pulp.LpMinimize)

# 定义决策变量x（EOQ值，设置极小下界避免x=0）
x = pulp.LpVariable("EOQ", lowBound=1e-6, cat='Continuous')

# 构建目标函数：转换除法为乘法逆元形式
order_cost_term = annual_demand * ordering_cost * x**-1
holding_cost_term = (holding_cost * x) / 2
prob += order_cost_term + holding_cost_term, "Total_Inventory_Cost"

# 使用支持非线性求解的CBC求解器
prob.solve(pulp.PULP_CBC_CMD(msg=0, options=["enableNonlinear=1"]))

# 输出结果
print(f"最优EOQ值: {pulp.value(x):.2f}")
print(f"最小总成本: {pulp.value(prob.objective):.2f}")

方案2：用scipy.optimize求解（更简洁高效） #

EOQ是典型的单变量优化问题，用scipy.optimize.minimize_scalar可以更直接地求解，无需处理PuLP的运算符限制：

from scipy.optimize import minimize_scalar

# 定义EOQ成本函数
def eoq_total_cost(x, annual_demand, ordering_cost, holding_cost):
    return (annual_demand * ordering_cost) / x + (holding_cost * x) / 2

# 模型参数
D = 1000
S = 50
H = 2

# 求解最小化问题，设置x的搜索区间（必须大于0）
result = minimize_scalar(eoq_total_cost, args=(D, S, H), bounds=(1e-6, 1000), method='bounded')

# 输出结果
print(f"最优EOQ值: {result.x:.2f}")
print(f"最小总成本: {result.fun:.2f}")

关键注意事项 #

1. PuLP默认只支持线性规划，处理非线性EOQ时必须开启CBC求解器的非线性选项（enableNonlinear=1）。
2. 给决策变量x设置极小下界（如1e-6），避免x趋近于0导致成本无穷大的异常情况。

内容的提问来源于stack exchange，提问作者Alpaslan Kurt