Python中Pulp变量出现NoneType与int比较错误的求助

问题描述 #

使用Python结合Pulp库求解旅行商问题（TSP），循环处理不同规模的TSP文件时，前3个小文件运行正常，但处理第4个及更大规模文件时，print_prob函数中执行v.varValue >= 1时触发错误：'>=' not supported between instances of 'NoneType' and 'int'，即变量的varValue属性为None。需明确问题原因并给出解决建议。

相关代码 #

触发错误的print_prob函数 #

def print_prob(prob, timelimit):
    for v in prob.variables():
        if (v.varValue >= 1):
            print(v.name, "=", v.varValue)

    print(value(prob.objective))

    if timelimit >= 0:
        print("剩余执行时间:", timelimit)
        print("总执行时间:", max_time - timelimit)
    else:
        print("在给定时间内未找到最优解。")
    #print(prob)

    return

全局处理逻辑 #

def testing_all_3(i):
    # 文件名列表
    file = ['wi29', 'dj38', 'qa194', 'uy734', 'zi929', 'lu980', 'rw1621', 'mu1979', 'nu3496', 'ca4663']
    print("===============")
    print("测试文件", file[i] + ".tsp")
    # 使用专用函数打开TSP文件（TSP格式有对应的处理库）
    bench = _tspfile(file[i] + ".tsp")
    n = bench.dimension
    # 根据文件数据生成节点列表（用数字表示）
    cidades, destinos = _append(n)
    # 将节点权重转换为Pulp可用的字典格式
    costs = _tsp(n, bench)
    costs = makeDict([cidades, destinos], costs, 0)

    # 调用两个类似的求解函数
    print("使用MTZ方法求解")
    solvingMTZ(cidades, destinos, n, costs, file[i])
    print("===============")
    print("测试文件", file[i] + ".tsp")
    print("使用DL方法求解")
    solvingDL(cidades, destinos, n, costs, file[i])

for i in range(5,10):
    # 原本会遍历0到9，但第4个及之后的文件才会报错
    testing_all_3(i)

核心MTZ求解函数 #

def solvingMTZ(cidades, destinos, n, costs, file):
    prob = LpProblem("Teste", LpMinimize)
    road = [(cid_i, cid_j) for cid_i in cidades for cid_j in destinos]
    var = LpVariable.dicts("Road", (cidades, destinos), 0, 1, LpInteger)

    # 目标函数
    prob += lpSum([var[cid_i][cid_j] * costs[cid_i][cid_j] for (cid_i, cid_j) in road])

    # 约束：每个节点仅出一次
    for i in cidades:
        prob += lpSum([var[i][cid_j] for cid_j in destinos if i != cid_j]) == 1

    # 约束：每个节点仅入一次
    for j in destinos:
        prob += lpSum([var[cid_i][j] for cid_i in cidades if j != cid_i]) == 1

    prob = mtz(n, prob, cidades, var)
    timelimit = max_time
    start = time.time()
    prob.solve(GUROBI_CMD(timeLimit=timelimit, msg=1, gapRel=0))
    end = time.time()
    timelimit = timelimit - end + start
    print(timelimit)

    # 打印变量值和最终结果
    print_prob(prob, timelimit)
    make_node_fileMTZ(prob, file, timelimit)
    return

# MTZ约束生成函数（DL方法的求解函数几乎完全相同，此处省略）
def mtz(n, prob, cidades, var):
    u = LpVariable.dicts('u', (i for i in cidades), 1, n-1, LpInteger)
    for i in cidades[1:]:
        for j in cidades[1:]:
            # if i != j:
            prob += u[i] - u[j] + (n - 1) * var[i][j] <= n - 2
    return prob

问题原因 #

1. 求解超时无可行解：大规模TSP的变量数和约束数随节点数呈指数增长，当前设置的timeLimit不足以让Gurobi找到可行解。小问题求解速度快，能在时限内完成，变量有有效值；大问题超时后，求解器未返回任何可行解，变量varValue保持为None。
2. 未检查求解状态：代码直接访问变量值，未判断求解是否成功。Pulp中prob.solve()返回状态码，超时情况下状态通常为LpStatusNotSolved或LpStatusTimeLimit，此时变量无有效值。
3. MTZ约束效率低下：MTZ约束数量为O(n²)，节点数增大后约束暴增，不仅减慢求解速度，还可能导致求解器在时限内无法找到可行解，甚至引发数值稳定性问题。

解决建议 #

1. 先检查求解状态再访问变量 #

在print_prob中先判断求解状态，仅当有可行解时才遍历变量：

def print_prob(prob, timelimit):
    status = LpStatus[prob.status]
    # 仅处理最优或可行状态
    if status not in ["Optimal", "Feasible"]:
        print(f"求解状态：{status}，无有效变量值")
        obj_val = value(prob.objective) if prob.objective else "N/A"
        print(f"目标函数值：{obj_val}")
        if timelimit < 0:
            print("在给定时间内未找到最优解。")
        else:
            print("剩余执行时间:", timelimit)
            print("总执行时间:", max_time - timelimit)
        return

    # 遍历变量时增加None判断
    for v in prob.variables():
        if v.varValue is not None and v.varValue >= 1:
            print(v.name, "=", v.varValue)

    print("目标函数值：", value(prob.objective))
    # 时间打印逻辑
    if timelimit >= 0:
        print("剩余执行时间:", timelimit)
        print("总执行时间:", max_time - timelimit)
    else:
        print("在给定时间内未找到最优解。")

2. 调整求解器参数 #

• 增大timeLimit，给大规模问题足够的求解时间；
• 放宽gapRel参数（如设为0.05），允许求解器在找到接近最优的可行解时提前终止，避免超时无结果；
• 开启多线程加速，如GUROBI_CMD(timeLimit=timelimit, msg=1, gapRel=0.05, threads=4)。

3. 优化TSP模型 #

MTZ模型不适用于大规模TSP（n>500），建议：

• 使用Gurobi内置的TSP求解接口（更高效，针对TSP做了优化）；
• 改用启发式算法（如遗传算法、模拟退火）快速得到可行解，再结合整数规划做局部优化；
• 选择更高效的整数规划模型（如基于子回路消除的分支定界模型）。

4. 变量访问时增加None判断 #

即使求解状态正常，个别变量可能因数值问题未赋值，因此必须先判断v.varValue is not None再做比较。

内容的提问来源于stack exchange，提问作者Gabriel Sanches da Silva