如何基于订单数量与总额反推最优商品定价？Pulp建模求助

原代码的核心问题 #

1. 目标函数错误：原代码试图最小化商品价格的总和，而非预测订单总额与实际总额的误差总和。这会导致求解器选择所有价格为0的无意义解（因为这是价格总和的最小值）。
2. 约束构建错误：使用 np.sum 而非 PuLP 提供的 pulp.lpSum 构建线性表达式。np.sum 无法处理 PuLP 的变量对象，导致约束未被正确添加到模型中，无法限制价格的合理取值。
3. 变量名不一致：定义了 itemPrices 变量列表，但在目标和约束中使用了未定义的 itemVars，属于代码笔误。

正确的优化模型构建思路 #

我们需要最小化所有订单的预测总额与实际总额的绝对误差之和。由于绝对值函数不是线性的，我们通过引入两个非负松弛变量（正误差、负误差）将其转化为线性约束：

• 对每个订单，定义 pos_err（预测总额 > 实际总额时的误差）和 neg_err（预测总额 < 实际总额时的误差），均为非负数。
• 约束条件：
  • 预测总额 - 实际总额 ≤ pos_err
  • 实际总额 - 预测总额 ≤ neg_err
• 目标函数：最小化所有订单的 pos_err + neg_err 之和。

同时，商品价格需满足非负约束（符合实际场景）。

修正后的代码实现 #

import pulp
import pandas as pd

# 示例订单数据（转换为数值型总额）
orderData = [
    {"订单ID": 1, "order_total": 15.00, "商品1": 1, "商品2": 0, "商品3": 2},
    {"订单ID": 2, "order_total": 23.30, "商品1": 0, "商品2": 3, "商品3": 1},
    {"订单ID": 3, "order_total": 17.50, "商品1": 2, "商品2": 0, "商品3": 0},
    {"订单ID": 4, "order_total": 27.25, "商品1": 0, "商品2": 1, "商品3": 1},
]
orderDataFrame = pd.DataFrame(orderData)

# 商品ID列表
sMenuItemIds = ["商品1", "商品2", "商品3"]

# 初始化问题
prob = pulp.LpProblem("ItemPriceEstimation", pulp.LpMinimize)

# 定义商品价格变量（非负）
itemPrice = {mi: pulp.LpVariable(f"Price_{mi}", lowBound=0) for mi in sMenuItemIds}

# 定义每个订单的误差变量
error_vars = []
for idx, row in orderDataFrame.iterrows():
    pos_err = pulp.LpVariable(f"PosErr_Order{row['订单ID']}", lowBound=0)
    neg_err = pulp.LpVariable(f"NegErr_Order{row['订单ID']}", lowBound=0)
    error_vars.append((pos_err, neg_err))
    
    # 构建预测总额的线性表达式
    predicted_total = pulp.lpSum([row[mi] * itemPrice[mi] for mi in sMenuItemIds])
    actual_total = row["order_total"]
    
    # 添加绝对误差约束
    prob += predicted_total - actual_total <= pos_err
    prob += actual_total - predicted_total <= neg_err

# 设置目标函数：最小化所有误差之和
prob += pulp.lpSum([pos + neg for pos, neg in error_vars])

# 求解模型（关闭日志输出）
prob.solve(pulp.PULP_CBC_CMD(msg=0))

# 输出结果
print("求解状态：", pulp.LpStatus[prob.status])
print("\n商品价格：")
for mi in sMenuItemIds:
    print(f"{mi}: {round(pulp.value(itemPrice[mi]), 4)}")

print("\n订单误差：")
for idx, (pos, neg) in enumerate(error_vars):
    order_id = orderDataFrame.iloc[idx]["订单ID"]
    abs_error = round(pulp.value(pos) + pulp.value(neg), 4)
    print(f"订单{order_id}绝对误差：{abs_error}")

print("\n总误差：", round(pulp.value(prob.objective), 4))

结果说明 #

针对示例数据，求解后的最优价格会平衡各订单的误差：

• 商品1的价格会被订单3唯一确定为8.75（因为订单3只包含商品1）。
• 商品3的价格由订单1和商品1的价格共同约束，同时需要平衡订单2和订单4对商品2的需求。
• 最终的总误差是所有订单绝对误差的最小值，符合我们的优化目标。

内容的提问来源于stack exchange，提问作者kevin.w.johnson