如何在Python PuLP中为目标函数设置条件成本？

这类带档位条件的成本规则不需要写Python原生分支判断，通过线性规划分段建模即可实现，无需依赖非线性求解器。
核心逻辑：不要为每家银行只定义单一总分配变量再硬匹配费率，要把每个银行的费率档位拆为独立决策变量，通过约束保证档位取值符合银行规则，再将各档位成本累加作为目标函数。

前期准备 #

先逐家梳理银行的费率规则，明确档位边界、对应费率、计费方式，常见的计费方式分两类，建模逻辑有明显区别。

场景1：超额累进制费率（仅超出阈值部分适用新费率） #

即类似个税的计算逻辑：阈值内的交易量按低档位费率算，仅超出阈值的部分按对应档位费率计算。比如银行A规则为1000万笔以内部分按1美元/笔计费，超出1000万的部分按0.9美元/笔计费，就属于这类。

建模步骤 #

• 拆分档位：以银行A的两档规则为例
  • 档位1：交易量区间[0, 1000万笔]，费率1美元/笔，档位容量上限1000万
  • 档位2：交易量区间[1000万, +∞)，费率0.9美元/笔，档位容量上限设为预测的总交易笔数即可（总分配量不可能超过这个值）
• 定义变量：给每个银行的每个档位单独定义非负连续变量，多档规则依次顺延即可
  • x_A1：银行A在档位1承接的交易笔数
  • x_A2：银行A在档位2承接的交易笔数
• 添加基础约束

# 单档位容量约束：每个档位的承接量不能超过档位上限
prob += x_A1 <= 10000000
prob += x_A2 <= total_txn  # total_txn为提前预测的总交易笔数

# 全局总量约束：所有银行所有档位的承接量之和等于总交易需求
prob += x_A1 + x_A2 + x_B1 + x_B2 + ... == total_txn

• 添加档位顺序约束
  因为本场景银行费率随承接规模上升递减（越用越便宜），必须为每个高于第一档的档位加二进制指示变量，强制要求低档位额度用满后才能使用高档位额度——否则求解器会直接选择成本最低的高档位，完全不碰低档位，结果不符合计费规则。
  以银行A的第二档为例，加如下约束即可：

y_A2 = pulp.LpVariable("y_A2", cat="Binary")
# 指示变量为0时，第二档交易量必须为0；为1时第二档最多可承接总交易量
prob += x_A2 <= total_txn * y_A2
# 指示变量为1时，第一档必须用满1000万的额度
prob += x_A1 >= 10000000 * y_A2

• 写目标函数
  直接把所有档位的交易量乘对应费率累加，求最小值即可：

prob += pulp.lpSum([
    x_A1 * 1.0,
    x_A2 * 0.9,
    x_B1 * 银行B档位1费率,
    x_B2 * 银行B档位2费率,
    # 其余银行其余档位依次添加
])

如果遇到费率随规模上升递增的场景（比如资源超售惩罚费率，越用越贵），不需要加上述二进制顺序约束——因为高档位费率更高，求解器不会主动跳过低档位的便宜额度。

场景2：全额累进制费率（达到阈值后全量适用新费率） #

即达到档位阈值后，该银行的所有承接量全部按新费率计算，也就是字面描述的“承接量达1000万笔及以上时，单笔成本0.9美元”的规则。这类规则因为涉及全量费率跳变，需要通过二进制变量标记档位触发状态。

建模步骤 #

以银行A的两档规则为例：

• 定义变量
  • x_A：分配给银行A的总交易笔数，非负连续变量
  • y_A：二进制指示变量，y_A=0代表未达1000万阈值适用1美元费率，y_A=1代表达到阈值适用0.9美元费率
  • z_A：线性化辅助连续变量，用于替换非线性项x_A * y_A
• 添加约束

M = total_txn  # 大M取总交易笔数即可，为x_A的理论最大值，不要设过大避免数值精度问题
# 绑定总交易量和指示变量的逻辑
prob += x_A <= 10000000 + M * y_A  # y_A=0时，x_A不能超过1000万
prob += x_A >= 10000000 * y_A      # y_A=1时，x_A不能低于1000万
# 线性化辅助变量约束
prob += z_A <= M * y_A
prob += z_A <= x_A
prob += z_A >= x_A - M*(1 - y_A)
prob += z_A >= 0
# 全局总量约束：所有银行分配量之和等于总交易需求
prob += x_A + x_B + ... == total_txn

• 写目标函数
  银行A的总成本为未达阈值时的1.0 * x_A，减去达到阈值后的全量优惠0.1 * x_A，用辅助变量替换非线性项后即可线性表达：

cost_A = 1.0 * x_A - 0.1 * z_A
# 把所有银行的成本累加作为总目标，求最小值
prob += cost_A + cost_B + ...

其余银行如果有多档全额累进规则，每增加一个跳档阈值就新增一个二进制变量和对应辅助变量，按相同逻辑扩展即可。

新手常见踩坑点 #

• 不要在目标函数或约束里写Python原生的if/else判断，这类判断是代码运行时执行的，不会嵌入优化模型，求解器无法识别动态费率逻辑。
• 大M取值不要盲目设成1e12这类极大值，取对应变量的理论上限即可，太大会导致求解器数值计算出错，结果偏差。
• 只要高档位费率比低档位低，就必须加约束锁死档位使用顺序，不要假设求解器会自动遵守业务规则。

内容的提问来源于stack exchange，提问作者Scratch