线性规划：为偏离最优值的变量添加惩罚（x=0除外）

要实现「x=0时不施加偏离惩罚」的需求，你需要引入一个二进制标记变量区分x的状态，再调整约束和目标函数逻辑：

1. 引入二进制变量 #

新增一个0-1整数变量y，用来标记x的状态：

• 当x=0时，y=0（无惩罚）
• 当x≠0时，y=1（启用惩罚）

2. 添加变量关联约束 #

给x和y添加约束，确保两者状态绑定：

# M是足够大的正数（需大于x的最大可能取值，比如设为100）
M = 100
self.prob += x <= M * y

这个约束保证：如果x>0，y必须等于1；如果x=0，求解器会自动选择y=0（因为这样能消除惩罚项，更优）。

3. 调整惩罚约束 #

修改原有的_SP约束，让惩罚仅在y=1时生效：

# 当y=1时，约束退回到原有的|x-3| ≤ _SP；当y=0时，约束自动宽松（允许_SP=0）
self.prob += x - 3 <= _SP + M * (1 - y)
self.prob += 3 - x <= _SP + M * (1 - y)
self.prob += _SP >= 0  # 确保_SP非负

4. 修改目标函数的惩罚项 #

让惩罚仅在y=1时计入目标：

objective += other_values - 0.1 * _SP * y

调整后效果：

• 当x=0时，y=0，惩罚项消失，_SP可取0，无惩罚产生
• 当x≠0时，y=1，惩罚逻辑和原方案一致，约束会保证_SP覆盖x与3的偏差

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