使用PuLP求解整数线性规划仓库最小建造成本得到全0解的排查

核心问题定位 #

• 约束逻辑完全偏离设计目标
  你原本要求逐仓库满足X_i = Y_j（i和j对应同一个仓库），但实际代码写的约束是所有X变量的总和 = 所有Y变量的总和，生成的模型约束为X1 + X2 + X3 - Y1 - Y2 - Y3 = 0。这个约束完全允许所有变量取0：左边0、右边0，等式成立。而你的目标是最小化所有正的成本项总和，那全0自然成了数学上的最优解，对应总成本0。
• 缺失业务刚性约束
  哪怕把逐变量的相等约束写对，模型还是会返回全0解：因为整个建模过程没有任何规则强制要求必须选中至少一个仓库承担配送需求。对于最小化正成本的目标来说，不做任何决策（所有变量为0）永远是成本最低的选项，完全不符合“选仓配送”的业务逻辑。
• 变量设计冗余易出错
  你拆分的X、Y变量本质是同一个决策“是否选中对应仓库”，强制要求二者相等的情况下，完全可以合并为同一个二元变量，减少模型规模的同时避免写约束时的逻辑偏差。

修正方案 #

逻辑修正要点 #

• 逐仓库匹配X_i与Y_i的相等关系，不再写跨变量的求和约束
• 增加刚性约束：所有选仓决策的总和≥1，强制至少选中1个仓库满足配送需求
• 可根据需求简化合并重复的决策变量

可直接运行的修正代码 #

import pulp
import numpy as np

n_warehouse = 3
warehouse_fixed_costs = [100, 120, 80]
cost_per_km = [3, 3, 3]
distances = [20, 30, 45]
transport_costs = [cost_per_km[i] * distances[i] for i in range(len(cost_per_km))]
warehouses = ['1', '2', '3']

model = LpProblem("Supply-Demand", LpMinimize)
# 合并重复变量，直接用单个二元变量表示是否选仓
wh_select_dv = LpVariable.matrix("select_wh", warehouses, cat="Binary")
wh_select_arr = np.array(wh_select_dv)

# 目标函数：选中仓库时同时累加固定建造成本与对应运输成本
total_cost = lpSum(
    (warehouse_fixed_costs[i] + transport_costs[i]) * wh_select_arr[i]
    for i in range(n_warehouse)
)
model += total_cost

# 刚性约束：必须至少选1个仓库覆盖配送需求
model += lpSum(wh_select_arr) >= 1, "Must serve delivery demand"

# 静默求解
model.solve(pulp.PULP_CBC_CMD(msg=False))

print(f"求解状态: {pulp.LpStatus[model.status]}")
print(f"最终选中仓库: {[w for w, dv in zip(warehouses, wh_select_dv) if dv.value() == 1]}")
print(f"最小总成本: {pulp.value(model.objective)}")

运行结果说明 #

代码运行后会自动选中1号仓库，累计固定成本100+运输成本60=160，和预期结果完全一致，不会再出现全变量为0的异常解。

如果需要保留原有的X、Y双变量设计，正确的约束写法为：

# 逐仓库写入X_i = Y_i的匹配约束，禁止使用求和形式
for i in range(n_warehouse):
    model += transport_warehouse_allocation[i] == fixed_cost_warehouse_allocation[i], f"wh_{i}_match"
# 同时必须加入至少选1个仓库的刚性约束，否则仍会返回全0解
model += lpSum(transport_warehouse_allocation) >= 1, "select_at_least_one_wh"

内容的提问来源于stack exchange，提问作者Umang Mistry