Google OR-Tools变量动态系数与取值获取问题及替代方案咨询

问题 #

我正在使用Google OR-Tools进行预算分配以实现收益最大化。在下方示例中，mon、tues为周一、周二的预算分配变量（占总预算的比例）。

简言之，我能否为变量设置动态系数（系数取决于求解器在寻找最优值时尝试的变量取值），而非静态系数？当在求解器的函数中访问mon、tues变量时，如何获取求解器尝试的变量数值而非变量名？

由于收益并非固定值，它取决于预算分配，因此mon、tues的取值变化会导致收益变化。我希望根据求解器尝试的mon、tues取值更新收益值，而非使用与变量关联的静态收益值（或静态系数）。尝试通过如下OR-Tools示例实现时，因mon、tues仅为变量类型而非数值，运行报错。

请问是否可在OR-Tools中实现该需求？若不可，是否需要更换其他框架/库？

def get_revenue(x):   # dummy, in reality this will be tree based model
    return np.random.rand(1)*1000
    
def revenue (mon, tues):
    print("Values of Monday, Tuesday are : ", mon, tues)
    mon_revenue = get_revenue(mon)
    tues_revenue = get_revenue(tues)    
    return mon*mon_revenue + tues*tuesday_revenue

solver = pywraplp.Solver('Maximize', pywraplp.Solver.GLOP_LINEAR_PROGRAMMING)
mon =  solver.NumVar(0.2, 0.8, 'monday')
tues =  solver.NumVar(0.2, 0.8, 'Tuesday')
solver.Add(mon + tues == 1)

solver.Maximize(revenue(mon,tues))
status = solver.Solve()

解答 #

核心结论 #

OR-Tools的线性规划求解器（如GLOP）无法处理你需求中的动态系数目标函数，因为它仅支持线性/凸非线性的显式数学表达式，系数必须是静态值，不能依赖变量自身的取值。

报错原因分析 #

你当前的代码报错，本质是因为mon、tues是OR-Tools的NumVar对象，并非数值类型，无法直接传入get_revenue这类需要数值输入的函数。OR-Tools的求解逻辑是基于数学表达式构建求解模型，而非执行Python代码动态计算系数。

可行方案 #

根据你的收益函数类型，分两种情况选择工具：

1. 收益函数可转化为显式非线性表达式

如果你的树模型可以转化为二次、凸等可解析的非线性函数，可以使用OR-Tools的SCIP求解器（支持非线性规划），通过构建显式的非线性目标函数来实现。示例代码：

from ortools.linear_solver import pywraplp

def revenue_expr(mon, tues):
    # 示例：将收益转化为可解析的非线性表达式
    return mon*mon + tues*tues

solver = pywraplp.Solver('Maximize', pywraplp.Solver.SCIP_MIXED_INTEGER_PROGRAMMING)
mon = solver.NumVar(0.2, 0.8, 'monday')
tues = solver.NumVar(0.2, 0.8, 'tuesday')
solver.Add(mon + tues == 1)

# 构建非线性目标函数
solver.Maximize(revenue_expr(mon, tues))
status = solver.Solve()

if status == pywraplp.Solver.OPTIMAL:
    print(f"最优分配：周一{mon.solution_value():.4f}，周二{tues.solution_value():.4f}")

2. 收益函数是黑箱模型（如无法解析的树模型）

如果收益是通过黑箱模型（比如预训练的XGBoost、随机森林）预测的，无法写出显式数学表达式，需要使用黑箱优化框架，推荐以下工具：

• Scipy Optimize：适合带约束的黑箱优化，示例代码：

import numpy as np
from scipy.optimize import minimize

def get_revenue(x):
    # 替换为你的树模型预测逻辑
    return np.random.rand() * 1000

def total_revenue(x):
    mon, tues = x
    # 最大化问题转为最小化负值（适配scipy的minimize接口）
    return -(mon * get_revenue(mon) + tues * get_revenue(tues))

# 约束：mon + tues = 1
constraints = ({'type': 'eq', 'fun': lambda x: x[0] + x[1] - 1})
# 变量边界：0.2<=mon,tues<=0.8
bounds = ((0.2, 0.8), (0.2, 0.8))

# 初始猜测值
x0 = [0.5, 0.5]

result = minimize(total_revenue, x0, method='SLSQP', bounds=bounds, constraints=constraints)

print(f"最优分配：周一{result.x[0]:.4f}，周二{result.x[1]:.4f}")
print(f"最大收益：{-result.fun:.2f}")

• 贝叶斯优化工具：如BayesianOptimization、Optuna，适合高维度、非凸的黑箱优化场景，能更高效地找到最优解。
• 进化算法框架：如DEAP，适合复杂约束下的全局优化。

内容的提问来源于stack exchange，提问作者tjt