如何基于Pulp实现库存优化的动态目标函数？

问题本质 #

硬编码目标函数无法适配模型数量的扩展，使用exec尝试动态生成时出现NameError，核心是exec执行的代码无法正确识别当前作用域内的Pulp变量，同时硬编码的写法本身就不具备扩展性。

推荐实现方式（无需exec） #

直接通过循环遍历模型变量和相关字典，动态累加构建目标函数的线性表达式，这是Pulp官方推荐的写法，可读性、扩展性和稳定性都更强。

示例代码：

import pulp

# 假设已有如下定义：
# 模型生产变量集合（键为模型名称，值为Pulp变量）
models = {f"model_{i}": pulp.LpVariable(f"produce_model_{i}", lowBound=0, cat='Integer') for i in range(5)}
# 组件额外订购变量集合
components = {f"comp_{j}": pulp.LpVariable(f"order_comp_{j}", lowBound=0, cat='Integer') for j in range(20)}
# 模型对组件的利用率字典：model_name -> {comp_name: 使用量}
component_usage = {"model_0": {"comp_0": 2, "comp_1": 3}, ...}
# 组件订购成本字典
comp_cost = {"comp_0": 10, "comp_1": 15, ...}
# 模型生产相关成本（如物料/人工成本）
model_prod_cost = {"model_0": 50, "model_1": 60, ...}

# 初始化空的线性表达式
total_inventory_cost = pulp.LpAffineExpression()

# 累加模型生产的成本项
for model_name, model_var in models.items():
    total_inventory_cost += model_prod_cost[model_name] * model_var

# 累加额外订购组件的成本项
for comp_name, comp_var in components.items():
    total_inventory_cost += comp_cost[comp_name] * comp_var

# 创建规划问题并绑定目标函数（最小化总成本）
prob = pulp.LpProblem("Inventory_Optimization", pulp.LpMinimize)
prob += total_inventory_cost

可选（不推荐）：修复exec的作用域问题 #

如果一定要用exec，需要确保变量能被exec的执行环境识别，比如显式传入当前作用域的变量：

# 构建目标函数的字符串表达式
obj_terms = []
# 添加模型成本项
for model_name in models:
    obj_terms.append(f"{model_prod_cost[model_name]} * models['{model_name}']")
# 添加组件订购成本项
for comp_name in components:
    obj_terms.append(f"{comp_cost[comp_name]} * components['{comp_name}']")

# 拼接成完整的目标函数代码
obj_code = f"prob += {' + '.join(obj_terms)}"

# 传入当前作用域的变量执行代码
exec(obj_code, globals(), locals())

注意：这种方式调试难度大，代码可读性差，除非特殊场景不建议使用。

核心要点 #

• 核心逻辑是遍历集合动态生成线性项，而非硬编码每个模型/组件的变量引用
• 使用LpAffineExpression累加是最安全的方式，Pulp会自动处理线性表达式的合法性
• 尽量避免使用exec这类动态执行代码的写法，后续维护和排查问题成本极高

内容的提问来源于stack exchange，提问作者Jinal Shah