PuLP约束中乘除运算的实现及分式目标优化问题求解

问题的固有数学性质 #

先拆解原目标的等价性：原最大化目标里的sum b_i是与决策变量无关的常数，因此问题等价于最小化sum_{i=1}^n (a_i b_i)/(x_i + a_i)。
通过二阶导数判断凹凸性：单个分量f(x_i) = (a_i b_i)/(x_i +a_i)的二阶导为2a_i b_i/(x_i +a_i)^3，在参数和变量的定义域内（a_i,b_i>0, x_i>=0）恒为正，即所有分量都是严格凸函数，因此原最大化目标是严格凹函数。整个问题是带线性等式约束、非负边界的光滑凸优化问题，既不属于线性规划的可解范畴，也不需要硬适配二次规划框架——这类结构简单的凸问题甚至存在解析最优解。

分段线性近似低估结果的原因 #

你之前用分段线性近似时出现的最优值低估，是严格凹函数弦近似的固有特性：对于严格凹函数，任意两点之间的连线（弦）会完全位于原函数曲线的下方，用线性段近似后的目标值永远会低于真实函数值，无论分段多细，弦近似的固有偏差都存在，只是偏差大小会随分段数增加缩小。

可落地的求解方法与Python支持 #

• 最高效的求解路径是利用KKT条件求解析解：
  因为问题是带简单线性约束的凹最大化问题，KKT条件是全局最优的充要条件，推导可得最优分配规则为：当x_i为正取值时，满足a_i b_i/(x_i + a_i)^2 = λ（λ为等式约束对应的拉格朗日乘子），整理得x_i = sqrt(a_i b_i/λ) - a_i；若计算得到的x_i为负，则对应变量取0，通过调整λ的值让所有正取值的x_i加总等于常数c，即可直接得到全局最优解，不需要数值迭代。
• 通用数值求解适配：
  这类问题不需要硬转成二次规划形式（二次规划要求目标为二次多项式结构，本问题的分式结构本身属于凸优化范畴，直接求解比二次转换的精度更高、效率更好），常用的Python适配库包括：
  • scipy.optimize：将最大化目标转换为最小化形式后，传入线性等式约束、非负边界，即可快速求解中小规模问题
  • CVXPY：原生支持分式凸优化的表达式建模，自动将问题转换为二阶锥规划求解，数值稳定性更强，适合中大规模问题

PuLP框架下的乘除运算支持边界 #

PuLP 是专门为线性/整数线性规划设计的建模工具，对表达式的支持有严格的线性限制：

• 仅可实现决策变量与常数之间的乘法、除法，这类线性形式的项可以正常传递给后端求解器
• 不支持任何涉及变量非线性组合的运算：包括两个决策变量之间的乘法、决策变量出现在分母位置的除法，这类表达式会被建模层直接判定为非法项，无法求解
  如果一定要在PuLP框架下处理这类含分式/乘法的非线性问题，只能依靠分段线性近似把非线性项拆成线性块，不存在原生直接支持的路径。

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