如何用Python（含Gekko）求解多矩阵多约束变量分配问题

适用工具与库 #

• Pandas：负责Excel数据的读取、清洗、维度整理与结果输出
• Gekko：求解大规模线性/非线性规划问题，适配复杂约束场景
• NumPy：辅助矩阵运算（可选，用于数据维度校验）

核心模型思路 #

将问题转化为线性规划问题：

• 决策变量：x[国家, 季度, 产品线]，即每个维度组合的预算分配值
• 约束条件：严格对应题目中的4项要求
• 目标函数：最小化所有分配值总和与年度总预算目标的偏差，满足99%精度要求

代码实现步骤 #

1. 数据读取与预处理（Pandas） #

假设你的Excel文件包含4个工作表，分别存储季度预算、年度目标、季节性约束和总预算目标：

import pandas as pd
from gekko import GEKKO

# 读取数据
quarter_budgets = pd.read_excel('budget_data.xlsx', sheet_name='quarter_budgets', index_col='Country')
annual_targets = pd.read_excel('budget_data.xlsx', sheet_name='annual_targets', index_col=['Country', 'Product'])
seasonal_constraints = pd.read_excel('budget_data.xlsx', sheet_name='seasonal_constraints', index_col='Product')
total_budget_target = pd.read_excel('budget_data.xlsx', sheet_name='total_budget_target').iloc[0, 0]

# 整理维度列表
countries = quarter_budgets.index.unique().tolist()
quarters = quarter_budgets.columns.tolist()
products = annual_targets.index.get_level_values('Product').unique().tolist()

2. 初始化Gekko求解器 #

m = GEKKO(remote=False)  # 本地运行，适配大规模变量场景

3. 创建决策变量 #

# 构建三维字典存储决策变量，所有值非负
x = {}
for c in countries:
    x[c] = {}
    for q in quarters:
        x[c][q] = {p: m.Var(lb=0) for p in products}

4. 添加约束条件 #

约束1：国家×季度的产品线总和=该季度业务单元总预算

for c in countries:
    for q in quarters:
        m.Equation(m.sum([x[c][q][p] for p in products]) == quarter_budgets.loc[c, q])

约束2：国家×产品线的全年总和=该国该产品线年度目标

for c in countries:
    for p in products:
        m.Equation(m.sum([x[c][q][p] for q in quarters]) == annual_targets.loc[(c, p), 'Target'])

约束3：产品线季度占比符合季节性范围

假设seasonal_constraints表包含各季度的Min_Ratio和Max_Ratio列：

for c in countries:
    for p in products:
        annual_p_target = annual_targets.loc[(c, p), 'Target']
        if annual_p_target == 0:
            continue  # 目标为0的产品线跳过约束
        for q in quarters:
            min_ratio = seasonal_constraints.loc[p, f'{q}_Min_Ratio']
            max_ratio = seasonal_constraints.loc[p, f'{q}_Max_Ratio']
            m.Equation(x[c][q][p] >= min_ratio * annual_p_target)
            m.Equation(x[c][q][p] <= max_ratio * annual_p_target)

约束4：总分配值接近年度总预算（99%精度）

total_allocation = m.sum([x[c][q][p] for c in countries for q in quarters for p in products])
# 允许总分配值在目标值的99%-101%范围内
m.Equation(total_allocation >= 0.99 * total_budget_target)
m.Equation(total_allocation <= 1.01 * total_budget_target)

5. 设置目标函数并求解 #

# 最小化总分配值与目标的绝对偏差
deviation = m.Var(lb=0)
m.Equation(total_allocation - total_budget_target <= deviation)
m.Equation(total_budget_target - total_allocation <= deviation)
m.Obj(deviation)

# 执行求解，disp=True显示求解过程
m.solve(disp=True)

6. 结果整理与输出 #

# 将结果转化为DataFrame
result_list = []
for c in countries:
    for q in quarters:
        for p in products:
            result_list.append({
                'Country': c,
                'Quarter': q,
                'Product': p,
                'Allocated_Budget': round(x[c][q][p].value[0], 2)
            })

result_df = pd.DataFrame(result_list)
# 保存到Excel
result_df.to_excel('budget_allocation_result.xlsx', index=False)

关键注意事项 #

• 若模型求解报错，优先检查约束是否冲突（如季节性范围与季度/年度目标矛盾）
• 大规模场景下可调整Gekko参数：m.options.MAX_ITER = 1000提升迭代上限
• 提前用Pandas清洗数据，处理缺失值（如df.fillna(0)）避免求解异常

内容的提问来源于stack exchange，提问作者JS_DA