资源分配算法：时间约束下最小化任务分配成本的Python求解

现有建模与代码问题说明 #

正确部分 #

• 优化目标系数匹配给定的人力、设备、操作员单位工时成本，设定正确
• 单人力/单设备的最高8小时工时约束、3名人力/3台设备的总工时上限约束逻辑符合预设的实操场景要求
• 总物料处理量等式约束、设备与操作员工时匹配的约束逻辑方向正确

存在的问题 #

1. 等式约束放置错误：设备总工时与操作员总工时相等的约束被放入了A_ub（不等式约束矩阵），当前仅约束了设备总工时 <= 操作员总工时，缺少反向约束，无法保证两者完全相等，需将该约束移入A_eq等式约束矩阵
2. 缺少操作员单工时上限约束：未添加O1<=8、O2<=8、O3<=8的约束，不符合操作员最长工作8小时的规则
3. 建模冗余：由于所有人力、设备、操作员的成本、效率参数完全一致，无需为每个个体单独设置变量，直接用总人力工时、总设备工时、总操作员工时3个变量即可完成建模，大幅简化模型复杂度
4. 方法参数过时：scipy.optimize.linprog的revised simplex方法已在新版本SciPy中弃用，推荐替换为highs方法，求解效率和稳定性更高

简化后正确实现代码 #

简化建模逻辑 #

仅设3个变量：

• x1：总人力工时
• x2：总设备工时
• x3：总操作员工时
  优化目标：最小化20*x1 + 30*x2 +15*x3
  约束条件：
• x1 <= 80（最多10名人力，每人最长工作8小时，实操场景下可改为24匹配你设定的3人上限）
• x2 <= 24（最多3名操作员，对应最多3台设备同时运行，每台最长工作8小时）
• x3 <=24（最多3名操作员，每人最长工作8小时）
• x2 - x3 = 0（设备运行必须匹配对应操作员）
• 10*x1 + 20*x2 =1000（总物料处理量达标）
• 所有变量大于等于0

代码示例 #

from scipy.optimize import linprog
# 目标函数系数
c = [20, 30, 15]
# 不等式约束 A_ub @ x <= b_ub
A_ub = [
    [1, 0, 0],
    [0, 1, 0],
    [0, 0, 1]
]
b_ub = [80, 24, 24]
# 等式约束 A_eq @ x = b_eq
A_eq = [
    [0, 1, -1],
    [10, 20, 0]
]
b_eq = [0, 1000]
# 变量下界
bounds = [(0, None), (0, None), (0, None)]
# 求解
res = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs')
print("最小成本：", res.fun)
print("总人力工时：", res.x[0])
print("总设备工时：", res.x[1])
print("总操作员工时：", res.x[2])

常用的Python线性规划求解库 #

• SciPy linprog：无额外第三方依赖，适合小规模线性规划问题，适合快速验证简单模型
• PuLP：专门面向线性规划的建模库，语法贴近数学建模逻辑，代码可读性高，支持调用多种开源/商业求解器，适合中等规模运筹问题
• OR-Tools：谷歌开源的运筹学工具集，支持线性规划、整数规划、约束规划等多种问题类型，求解效率高，适合大规模复杂工业场景
• CVXPY：通用凸优化建模工具，支持线性规划、二次规划、半正定规划等多种凸优化问题，语法灵活，适合学术研究和复杂凸优化场景

内容的提问来源于stack exchange，提问作者Lopez