允许重复选行的线性优化问题：球员出场次数约束添加咨询

现有思路校验 #

你当前的建模方向是合理的，核心逻辑是将每行阵容的选取次数设为整数决策变量，在此基础上叠加约束、设置目标函数即可完成求解。需要注意原代码中直接用列表作为LpVariable.dicts的key可能触发不可哈希错误，建议先将阵容按索引编号，用索引作为变量的唯一标识。

完整实现步骤 #

• 预处理球员-阵容关联映射

import pandas as pd
from pulp import LpProblem, LpMaximize, LpVariable, lpSum, PULP_CBC_CMD

# 你已有的初始化代码
prob = LpProblem('LineUp Optimization', LpMaximize)
lineups = df.values.tolist()
cap = dict(zip(players, player_df['Cap']))

# 新增：建立球员到包含该球员的阵容索引的映射
player_to_lineups = {p: [] for p in players}
for lineup_idx, lineup_players in enumerate(lineups):
    for p in lineup_players:
        if p in player_to_lineups:
            player_to_lineups[p].append(lineup_idx)

# 修正变量定义，用索引作为key避免哈希问题
lineup_var = LpVariable.dicts('Lineups', range(len(lineups)), lowBound=0, cat='Integer')

• 添加球员出场次数约束
  对每个球员，所有包含该球员的阵容被选次数之和不能超过其最大允许次数：

for player, max_count in cap.items():
    prob += (
        lpSum([lineup_var[idx] for idx in player_to_lineups[player]]) <= max_count,
        f"MaxOccur_{player}"
    )

• 设置目标函数
  如果你的需求是尽可能多选符合约束的阵容，直接最大化总选取次数即可：

prob += lpSum([lineup_var[idx] for idx in range(len(lineups))]), "TotalSelectedLineups"

如果有阵容评分体系，也可以替换为各阵容的评分乘以选取次数的加权和，实现优先选高分阵容的效果。

• 非精确解求解配置
  因为你不需要完全精确的最优解，可以设置MIP相对间隙参数，在解的精度和求解速度之间做平衡，例如设置间隙为5%，即找到的解和理论最优解的差距不超过5%时就停止求解：

# 启用CBC求解器，设置相对间隙为0.05，开启日志输出
prob.solve(PULP_CBC_CMD(msg=True, gapRel=0.05))

结果输出 #

求解完成后提取结果，按原始输入格式输出即可：

output_rows = []
for idx in range(len(lineups)):
    select_times = int(round(lineup_var[idx].varValue))
    # 按选取次数重复添加对应行
    output_rows += [lineups[idx]] * select_times

# 转DataFrame后输出和原始格式完全一致的结果
output_df = pd.DataFrame(output_rows, columns=df.columns)
print(output_df.to_string(index=True))

提示：如果有额外约束（比如总阵容数固定、特定球员组合不能同时出现等），可以在约束添加阶段自行补充对应规则即可。

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