Scipy线性规划无法得到总和为100的结果求助

问题核心 #

你当前的真实数据案例中，求解结果全是接近0的极小值，本质是目标函数的最小值落在了原点附近，且你缺失了关键的“变量总和为100”的约束条件，同时约束设置存在逻辑偏差。

正常运行的简单示例代码 #

from scipy.optimize import linprog
# sample data
c = [90, 190]
A = [[12, 50], [4.4, 1.2]]
b = [22, 3.6]
res = linprog(c, A_eq=A, b_eq=b)
res.x
# Output array([0.74708171, 0.26070039]) 

这个示例使用等式约束（A_eq）强制满足两个等式条件，变量成本系数的差异也带来了合理的非零解，因此结果符合预期。

异常案例的问题排查 #

你的真实数据代码存在两个关键问题：

1. 缺失总和约束：你明确要求结果总和为100，但当前代码未添加x0+x1+x2+x3=100的等式约束。linprog会在满足现有不等式约束的前提下最小化成本——由于所有成本系数都是正数，最优解自然是尽可能让变量取0。
2. 约束逻辑矛盾：现有不等式约束与“总和为100”的目标完全冲突：
   • 第二个约束：3.4x0 +3.5x1 +3.3x2 +3.5x3 ≤2.0，哪怕只取成本最低的x0，满足该约束的最大x0仅为2.0/3.4≈0.588，远小于你期望的总和100，这意味着当前约束下根本不存在总和为100的可行解。

修复方案 #

1. 添加总和约束：新增等式约束，强制变量总和为100：

   # 总和约束：x0 + x1 + x2 + x3 = 100
   A_eq = [[1, 1, 1, 1]]
   b_eq = [100]
   

2. 调整约束匹配目标：重新核对业务逻辑中的指标定义，将约束调整为与总和100匹配的数值。例如：

   • 若原b=[15,2.0]是每单位变量对应的指标上限，则总和为100时，约束右侧需放大100倍，即b_ub=[15*100, 2.0*100]；
   • 若b是总量指标上限，则当前约束与总和100的目标矛盾，需重新确认业务规则。

3. 修正后的完整代码：

   from scipy.optimize import linprog
   
   # 成本系数
   c = [15, 16, 22, 90]
   # 调整后的不等式约束（假设原指标为单位变量值，放大至总和100的总量）
   A_ub = [
       [8, 8, 12, 41], 
       [3.4, 3.5, 3.3, 3.5]
   ]
   b_ub = [1500, 200]
   # 总和约束
   A_eq = [[1, 1, 1, 1]]
   b_eq = [100]
   # 变量边界
   bounds = [(0, 50), (0, 25), (0, 10), (0, 3)]
   
   res = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds)
   print(res.x)
   print("总和：", res.x.sum())
   print("求解状态：", res.success, res.message)
   

额外提示 #

• 每次求解后查看res.success和res.message，可以快速判断是否存在可行域为空、求解失败等问题；
• 若调整后仍异常，需重新核对业务指标的定义（是单位变量指标还是总量指标），确保约束与目标逻辑一致。

内容的提问来源于stack exchange，提问作者Muhammad Abdullah Nabeel