线性规划中如何设置区间型双下界约束？——scipy linprog、PuLP及其他求解器适配方案问询

这个问题其实对应线性规划里的**半连续变量（Semicontinuous Variables）**约束，属于常规LP的扩展场景。下面我结合你提到的工具和其他专业求解器，给你具体说明实现方式：

用PuLP实现（通过二进制变量转化） #

PuLP支持整数/二进制变量，我们可以引入一个二进制开关变量来模拟“要么0，要么在[i,x]区间”的逻辑：

• 定义二进制变量b（取值0或1）：当b=0时，强制a=0；当b=1时，强制a落在[i,x]区间
• 添加两个关键约束：
  1. a >= i * b：当b=1时，a至少为i；当b=0时，约束自动满足（0>=0）
  2. a <= x * b：当b=1时，a最多为x；当b=0时，强制a=0

示例代码：

import pulp

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

# 定义连续变量a，初始上下界只是占位，实际由约束控制
a = pulp.LpVariable("a", lowBound=0, upBound=100, cat='Continuous')
# 二进制开关变量
b = pulp.LpVariable("b", cat='Binary')

# 示例目标函数：最小化3*a
prob += 3*a, "Objective_Function"

# 设置你的半连续参数：i=5，x=100
i = 5
x = 100
# 添加半连续约束
prob += a >= i * b
prob += a <= x * b

# 可以添加其他常规约束（示例：a不能超过80）
prob += a <= 80, "Extra_Constraint"

# 求解（关闭日志输出）
prob.solve(pulp.PULP_CBC_CMD(msg=0))

# 输出结果
print(f"最优解：a = {round(pulp.value(a), 4)}")
print(f"开关变量b的值：{pulp.value(b)}")

用scipy linprog实现（拆分问题求解） #

scipy的linprog只支持连续变量，不支持二进制变量，所以我们可以把问题拆成两个独立的LP问题分别求解，再比较结果：

1. 第一个问题：固定a=0，求解LP并记录目标值
2. 第二个问题：固定a的范围为[i,x]，求解LP并记录目标值
3. 最后选择两个可行解中目标值更优的那个（如果都可行的话）

示例代码：

from scipy.optimize import linprog

# 示例目标函数系数（求最小值）
c = [3]

# 问题1：强制a=0
A_eq1 = [[1]]
b_eq1 = [0]
res1 = linprog(c, A_eq=A_eq1, b_eq=b_eq1, bounds=[(0, None)])

# 问题2：a的范围限制在[5,100]
bounds2 = [(5, 100)]
res2 = linprog(c, bounds=bounds2)

# 比较两个问题的求解结果
if res1.success and res2.success:
    if res1.fun < res2.fun:
        print(f"最优解是a=0，目标值：{round(res1.fun, 4)}")
    else:
        print(f"最优解是a={round(res2.x[0], 4)}，目标值：{round(res2.fun, 4)}")
elif res1.success:
    print(f"只有a=0是可行解，目标值：{round(res1.fun, 4)}")
elif res2.success:
    print(f"只有a∈[5,100]有可行解，最优a={round(res2.x[0], 4)}，目标值：{round(res2.fun, 4)}")
else:
    print("两个问题均无可行解")

专业求解器的原生支持 #

如果你的问题规模较大，或者希望更高效的实现，可以直接使用原生支持半连续变量的求解器，比如Gurobi、CPLEX或者Xpress。这些工具不需要手动引入二进制变量，直接设置变量的半连续属性即可：

以Gurobi为例的示例代码：

import gurobipy as gp
from gurobipy import GRB

# 创建模型
model = gp.Model("Semicontinuous_LP")

# 直接定义半连续变量：要么0，要么在[5,100]之间
a = model.addVar(lb=0, ub=100, vtype=GRB.CONTINUOUS, name="a")
# 设置半连续属性：当变量不为0时，最小值为5
model.setAttr("SemiContinuous", a, 5)

# 示例目标函数：最小化3*a
model.setObjective(3*a, GRB.MINIMIZE)

# 添加其他常规约束
model.addConstr(a <= 80, "Max_A_Constraint")

# 求解
model.optimize()

# 输出结果
if model.status == GRB.OPTIMAL:
    print(f"最优解：a = {round(a.x, 4)}")

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