嘿，这是一个典型的带约束的整数优化问题，核心是在给定的资金、选股数量和单只持仓限制下，最大化投资组合的总盈利评分。下面我会从建模到具体实现一步步给你梳理：

先把问题转化成数学语言，方便后续求解：

• 变量定义：设第i只股票的购买数量为x_i（必须是正整数，选中的8只x_i ≥1，未选中的为0），它的盈利评分为s_i，股价为p_i
• 目标函数：我们要最大化总评分 → Maximize Σ(s_i * x_i)（这里假设盈利评分越高，单位仓位的收益潜力越强，线性加权是合理的简化）
• 约束条件：
  • 总资金上限：Σ(p_i * x_i) ≤ 10000美元
  • 选股数量固定：恰好选8只 → Σ(1 if x_i > 0 else 0) = 8
  • 单只持仓上限：每只股票的投资金额不能超过2500美元 → p_i * x_i ≤ 2500（对所有i）
  • 股价范围：题目给定100 ≤ p_i ≤ 1000，这个是已知条件，不用额外处理

直接暴力枚举200只股票里选8只的所有组合完全不现实（组合数是C(200,8)，属于天文数字），所以得用更高效的方法：

1. 贪心预筛选缩小范围 #

首先优先选单位资金性价比最高的股票——也就是盈利评分/股价（每美元能拿到的评分），这个指标越高，股票的“评分性价比”越强。先把200只股票按这个指标从高到低排序，选前30-50只作为候选池，这样后续优化的计算量就可控了。

2. 整数规划精确求解 #

对于缩小后的候选池，我们可以用整数规划工具来找到全局最优解。Python的PuLP库是个不错的选择，它能轻松构建和求解线性整数规划问题。

3. 启发式局部优化（可选） #

如果整数规划的计算时间还是太长，可以用启发式方法：从贪心得到的初始解出发，尝试替换其中一只股票为候选池里的其他股票，看总评分是否提升，迭代到无法优化为止。这种方法速度快，但可能得不到绝对最优解，适合追求效率的场景。

假设你已经有了股票数据列表，格式类似stocks = [{"symbol": "AAPL", "price": 180, "score": 90}, ...]，下面是具体的求解代码：

import pulp

# 第一步：预处理，筛选高性价比候选股票（这里选前30只）
stocks_sorted = sorted(stocks, key=lambda stock: stock["score"] / stock["price"], reverse=True)
candidate_stocks = stocks_sorted[:30]  # 缩小范围，平衡计算量和最优性

# 第二步：构建整数规划问题
portfolio_problem = pulp.LpProblem("MaximizePortfolioScore", pulp.LpMaximize)

# 定义变量：x_i 是第i只候选股票的购买数量（整数，≥0）
x = [pulp.LpVariable(f"stock_{i}_shares", lowBound=0, cat="Integer") for i in range(len(candidate_stocks))]

# 目标函数：最大化总盈利评分
portfolio_problem += pulp.lpSum([candidate_stocks[i]["score"] * x[i] for i in range(len(candidate_stocks))])

# 约束1：总投资金额不超过10000美元
portfolio_problem += pulp.lpSum([candidate_stocks[i]["price"] * x[i] for i in range(len(candidate_stocks))]) <= 10000

# 约束2：恰好选中8只股票（引入二进制变量y_i，y_i=1表示选中该股票）
y = [pulp.LpVariable(f"stock_{i}_selected", cat="Binary") for i in range(len(candidate_stocks))]
for i in range(len(candidate_stocks)):
    # 如果买了至少1股，说明选中了该股票（y_i=1）
    portfolio_problem += x[i] >= y[i]
    # 单只股票最多买的数量：2500美元除以股价，取整数
    max_shares_per_stock = 2500 // candidate_stocks[i]["price"]
    portfolio_problem += x[i] <= y[i] * max_shares_per_stock
# 选中的股票数量必须是8
portfolio_problem += pulp.lpSum(y) == 8

# 约束3：单只股票投资金额不超过2500美元（其实上面的max_shares已经隐含了这个约束，这里再明确写出来更稳妥）
for i in range(len(candidate_stocks)):
    portfolio_problem += candidate_stocks[i]["price"] * x[i] <= 2500

# 第三步：求解问题（用CBC求解器，关闭日志输出）
portfolio_problem.solve(pulp.PULP_CBC_CMD(msg=False))

# 第四步：输出最优结果
print("✅ 最优投资组合结果：")
total_cost = 0.0
total_score = 0
selected_count = 0

for i in range(len(candidate_stocks)):
    shares = pulp.value(x[i])
    if shares > 0:
        selected_count += 1
        stock = candidate_stocks[i]
        cost = stock["price"] * shares
        score_contribution = stock["score"] * shares
        total_cost += cost
        total_score += score_contribution
        print(f"- 股票 {stock['symbol']}: 购买{int(shares)}股，花费${cost:.2f}，贡献评分{score_contribution}")

print(f"\n📊 汇总信息：")
print(f"总投资金额：${total_cost:.2f}")
print(f"总盈利评分：{total_score}")
print(f"选中股票数量：{selected_count}")

• 候选池大小的权衡：如果想更接近绝对最优，可以把候选池扩大到前50只，但计算时间会相应增加。如果追求速度，前20只也能得到不错的次优解。
• 盈利评分的假设：代码里默认盈利评分和收益是线性相关的，也就是每多买1股，收益按评分比例增加。如果实际中评分是非线性的，你需要调整目标函数，但题目里没给出更多信息，线性假设是合理的。
• 求解器选择：代码用的是PuLP自带的CBC求解器，开源免费，适合小规模问题。如果是更大规模的问题，可以考虑商业求解器比如Gurobi，速度会快很多。

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