OR Tools线性规划目标函数构建：实现决策变量邻近且远离区间边界

原目标函数max x - a1 + b2 - y本质只覆盖了三个诉求中的两个：

• 最大化x - a1对应“x尽可能远离下界a1”的要求
• 最大化b2 - y对应“y尽可能远离上界b2”的要求

目标中完全没有引入“x与y尽可能接近”的相关项，求解器在可行域中搜索最优解时，只会沿着目标值增大的方向走到可行域边界，自然会频繁出现x取a1、y取b2的极端边界解，完全无法匹配x和y接近的要求。
另外，本次使用的GLOP是纯线性规划求解器，不支持带绝对值的非线性目标，直接写|x-y|会触发求解错误，必须通过线性转换把差的绝对值拆解为可求解的线性结构。

第一步：线性化“x与y尽可能接近”的诉求 #

引入非负辅助变量t，添加两个线性约束：

t >= x - y
t >= y - x

此时t的取值会严格等于|x - y|，最小化t的取值就等价于让x和y的差尽可能小，全程没有非线性操作，完全可以被GLOP求解。

注意：t的定义域必须设置为非负，不需要额外设置上界，交给求解器自动计算即可。

第二步：根据实际需求选择多目标融合方式 #

因为三个诉求都是线性结构，有两种成熟的落地路径，完全适配OR Tools的求解框架：

路径1：加权和法（适合有明确权重偏好的场景） #

把三个诉求全部转化为统一方向的目标项，搭配自定义权重组合成最终的最大化目标：

max w1*(x - a1) + w2*(b2 - y) - w3*t

• 所有权重w1, w2, w3均为正实数，根据实际场景的优先级调整大小
• 如果“x和y尽可能接近”是核心诉求，就把w3设置为远大于w1、w2的值，求解器会优先压缩t的取值，再在可行范围内优化x远离a1、y远离b2的目标
• 若三个诉求重要程度相近，可根据三个项的实际取值范围缩放权重，避免某一项的量纲过大挤压其他目标的优化空间

对应的修改后代码示例：

solver = pywraplp.Solver.CreateSolver("GLOP")

x = solver.NumVar(lb=a1, ub=a2, name="X")
y = solver.NumVar(lb=b1, ub=b2, name="Y")
# 新增非负辅助变量，用来等价表示x和y的绝对差
t = solver.NumVar(lb=0, ub=solver.infinity(), name="abs_diff")

# 保留原有硬约束
solver.Add((1 - c1) * y >= (1 + c2) * x)
# 新增两个线性约束，完成绝对值的线性转换
solver.Add(t >= x - y)
solver.Add(t >= y - x)

# 根据实际优先级调整权重值，示例中x与y接近的优先级更高
w1, w2, w3 = 1.0, 1.0, 5.0
solver.Maximize(w1*(x - a1) + w2*(b2 - y) - w3*t)

路径2：字典序分层优化（适合有严格优先级顺序的场景） #

如果三个诉求有明确的先后优先级，不需要模糊加权，就可以分步求解，完全避免权重设置的问题：

1. 第一层求解：仅优化最高优先级目标，也就是最小化t的取值（等价于最大化-t），求解得到最优的最小差值t_opt
2. 第二层求解：把t <= t_opt + 1e-6（预留浮点精度余量）作为硬约束加入模型，再优化次优先级目标，比如“x尽可能远离a1”，求解得到最优的x取值
3. 第三层求解：把上一层得到的最优x取值作为硬约束加入，再优化最后一个目标“y尽可能远离b2”，最终得到的解会严格按照优先级满足所有诉求，不会为了追求x、y的位置边界导致两者差值过大。

• 不要尝试在GLOP求解器中直接使用abs()、平方等非线性操作，GLOP仅支持线性目标和约束
• 权重设置时不要差出几个数量级，避免出现数值稳定性问题，导致求解器返回精度不足的结果
• 分层求解时要确保每层的最优值保留足够的浮点精度，避免约束中因为精度问题出现无可行解的情况

内容的提问来源于stack exchange，提问作者Mert Akozcan