如何用Python黑箱多目标优化包实现组合账户向组合经理的分配？

问题背景 #

现有15位组合经理（PM）和300个组合账户，每个账户拥有唯一复杂度评分Xn（0<Xn<1）及一个指数，总计40种指数，因此部分账户指数相同。

核心目标与约束 #

• 目标：最小化每位组合经理所负责的指数总和（即每个PM管理的不同指数数量相加后的总和最小）
• 约束条件：每位组合经理所负责账户的总复杂度评分，需处于目标评分（总复杂度评分/15，即平均分配的目标值）的±10%范围内。

示例数据 #

Portfolio   Index   Complexity
0      A          x        0.1
1      B          y        0.2
2      C          z        0.3
3      D          z        0.4

当前思路 #

尝试用more_itertools生成所有可能的账户-PM分配组合：

from more_itertools import set_partitions
import pandas as pd

df = pd.DataFrame({
    "Portfolio": ["A", "B", "C", "D"],
    "Index": ["x", "y", "z", "z"],
    "Complexity": [0.1, 0.2, 0.3, 0.4]
})

# 生成分配给3位PM的所有可能分区
partitions_df = pd.DataFrame(list(set_partitions(df.Portfolio, 3)), columns=["PM1", "PM2", "PM3"])
print(partitions_df)

输出结果：

PM1      PM2     PM3
0   [A]      [B]    [C,D]
1   [A]      [B,C]  [D]
2   [A]      [C]    [B,D]
3   [A,B]    [C]    [D]
4   [B]      [A,C]  [D]
5   [B]      [C]    [A,D]

但这种枚举所有组合的方式在300个账户的规模下完全不可行，需要更高效的优化工具。

推荐的Python包 #

精确求解类 #

• PuLP：入门级线性/整数规划工具，语法直观，能快速建模。你可以定义0-1变量表示“账户i分配给PM j”，目标函数定义为所有PM负责的不同指数数量之和最小（需要额外处理同一指数多次出现只计数一次的逻辑），再添加上复杂度约束和每个账户必须分配给一个PM的约束。
• Gurobi/CPLEX：商业级求解器，计算效率远高于PuLP，适合300个账户这种中等规模的问题，能在合理时间内得到精确解。Gurobi提供学术免费授权，适合非商业场景。

启发式近似求解类 #

• DEAP：进化算法框架，可通过遗传算法、粒子群算法等启发式方法快速找到可行解。当精确求解计算量过大时，这类方法能在可接受时间内给出近似最优解，适合大规模问题。
• scipy.optimize：仅适合辅助处理部分计算逻辑，本身更偏向连续优化，需要结合自定义离散分配逻辑使用。

文献方向 #

• 核心问题属于带约束的组合分配优化，可查找“约束资源分配”“多约束组合划分”相关文献，重点关注整数规划在这类问题中的应用案例。
• 也可参考“负载均衡+组合优化”的研究，你的复杂度约束本质是负载均衡要求，目标是最小化另一类资源（指数数量）的总消耗。

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