Python PuLP线性规划进阶：基于字典的高效建模方法

沈亦白

发布时间：2026-10-14| 5人浏览过

原创

本文详解Python PuLP库中利用字典和循环快速构建线性规划模型的方法。通过合金生产案例，对比逐一定义变量与基于字典定义参数两种方式，展示如何简化大规模优化问题的代码编写，提升建模效率。

1、基于字典的创建规划问题

在前面的章节中，我们介绍了使用 LpVariable 逐个定义决策变量，并分别设定名称、类型及上下界的方法。同样地，约束条件也需要逐一设置模型参数。然而，在处理大规模规划问题时，这种逐个定义变量和设置参数的做法显得非常繁琐且效率低下。PuLP 库提供了一种更高效的快捷方式，允许结合 Python 语言的循环和容器特性，使用字典来创建问题。

（1）使用快捷方法建立规划问题时，可以利用字典类型（dict）来批量创建多个变量。例如：

name = ['废料1', '废料2', '废料3', '废料4', '镍', '铬', '钼'] # 创建各原料成本的字典 mass = pulp.LpVariable.dicts("原料", material, lowBound=0, cat='Continuous')

（2）使用字典类型（dict）来设置目标函数和约束条件的参数，示例如下：

cost = { '废料1': 16, '废料2': 10, '废料3': 8, '废料4': 9, '镍': 48, '铬': 60, '钼': 53}

（3）利用遍历循环结构来设置目标函数和约束条件，示例如下：

AlloyModel += pulp.lpSum([cost[item] * mass[item] for item in material]), "总生产成本" AlloyModel += pulp.lpSum([mass[item] for item in material]) == 1000, "质量约束"

2、线性规划问题案例

本篇以合金钢材生产投料问题为例，深入分析基于列表和字典创建问题的快捷方法。

问题描述：某钢铁厂通过熔炼回收的金属废料并添加一定新料的方法生产满足化学成分要求的合金，计划生产1000千克的合金。所有金属废料的主要成分是铁，不同金属废料还含有各种微量元素。金属废料、新料的各组分含量占比、可用数量和单位成本如下表所示。生成合金中各组分的含量要求，也如表中所示。问如何安排投料比例，在满足合金组分含量要求的条件下的材料成本最小？

材料	碳	镍	铬	钼	可用量	成本
废料1	0.80	18.0	12.0	0.0	75	16
废料2	0.70	3.2	1.1	0.1	250	10
废料3	0.85	0	0	0	不限	8
废料4	0.40	0	0	0	不限	9
镍	0	100	0	0	不限	48
铬	0	0	100	0	不限	60
钼	0	0	0	100	不限	53
合金下限	0.65	3.0	1.0	1.1	/	/
合金上限	0.75	3.5	1.2	1.3	/	/

3、建立模型

（1）决策变量

x1：废料 1 用量（千克） x2：废料 2 用量（千克） x3：废料 3 用量（千克） x4：废料 4 用量（千克） x5：原料镍用量（千克） x6：原料铬用量（千克） x7：原料钼用量（千克）

（2）目标函数

min cost = 16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7

（3）约束条件

0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 >= 0.65*1000 0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 <= 0.75*1000 18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000 18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000 12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000 12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.2*1000 0.1*x2 + 100.0*x7 >= 1.1*1000 0.1*x2 + 100.0*x7 >= 1.3*1000

（4）变量取值范围

xi >= 0, i=1,2,…7 x1 <= 75, x2 <= 250

4、PuLP 程序1：使用 LpVariable 逐一定义变量

本程序与上篇的方法相同，使用 LpVariable 逐一定义变量。完整的程序代码如下：


    import pulp      # 导入 pulp库
    # 1.建立优化问题 AlloyLP: 求最小值(LpMinimize)
    AlloyLP = pulp.LpProblem("合金生产材料优化", sense=pulp.LpMinimize)    # 定义问题，求最小值
    # 2.定义决策变量 x1~x7
    x1 = pulp.LpVariable('废料1#', lowBound=0, upBound=75.0, cat='Continuous')  # 定义 x1
    x2 = pulp.LpVariable('废料2#', lowBound=0, upBound=250., cat='Continuous')  # 定义 x2
    x3 = pulp.LpVariable('废料3#', lowBound=0, cat='Continuous')  # 定义 x3
    x4 = pulp.LpVariable('废料4#', lowBound=0, cat='Continuous')  # 定义 x4
    x5 = pulp.LpVariable('原料镍', lowBound=0, cat='Continuous')  # 定义 x5
    x6 = pulp.LpVariable('原料铬', lowBound=0, cat='Continuous')  # 定义 x6
    x7 = pulp.LpVariable('原料钼', lowBound=0, cat='Continuous')  # 定义 x7
    # 3.定义目标函数 cost
    AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7)  # 投料成本
    # 4.设置约束条件
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000)  # 不等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000)  # 不等式约束
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    # 5.求解线性规划问题
    AlloyLP.solve()
    # 6.输出优化结果
    print(AlloyLP)  # 输出问题设定参数和条件
    # print("求解状态:", pulp.LpStatus[AlloyLP.status])  # 输出求解状态
    for v in AlloyLP.variables():
        print(v.name, " = ", v.varValue)  # 输出每个变量的最优值
    print("最小材料成本 = ", pulp.value(AlloyLP.objective))  # 输出最优解的目标函数值
    # = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =

5、PuLP 程序2：使用 dict 定义决策变量和约束条件

本程序使用 dict 定义变量、目标函数和约束条件参数，便于复杂问题的参数设定。


    import pulp      # 导入 pulp库
    # 1.建立优化问题 AlloyLP: 求最小值(LpMinimize)
    AlloyLP = pulp.LpProblem("合金生产材料优化", sense=pulp.LpMinimize)    # 定义问题，求最小值
    # 2.定义决策变量 x1~x7
    x1 = pulp.LpVariable('废料1#', lowBound=0, upBound=75.0, cat='Continuous')  # 定义 x1
    x2 = pulp.LpVariable('废料2#', lowBound=0, upBound=250., cat='Continuous')  # 定义 x2
    x3 = pulp.LpVariable('废料3#', lowBound=0, cat='Continuous')  # 定义 x3
    x4 = pulp.LpVariable('废料4#', lowBound=0, cat='Continuous')  # 定义 x4
    x5 = pulp.LpVariable('原料镍', lowBound=0, cat='Continuous')  # 定义 x5
    x6 = pulp.LpVariable('原料铬', lowBound=0, cat='Continuous')  # 定义 x6
    x7 = pulp.LpVariable('原料钼', lowBound=0, cat='Continuous')  # 定义 x7
    # 3.定义目标函数 cost
    AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7)  # 投料成本
    # 4.设置约束条件
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000)  # 不等式约束
    AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000)  # 不等式约束
    AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000)  # 不等式约束
    AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000)  # 不等式约束
    AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000)  # 不等式约束
    AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000)  # 等式约束
    # 5.求解线性规划问题
    AlloyLP.solve()
    # 6.输出优化结果
    print(AlloyLP)  # 输出问题设定参数和条件
    # print("求解状态:", pulp.LpStatus[AlloyLP.status])  # 输出求解状态
    for v in AlloyLP.variables():
        print(v.name, " = ", v.varValue)  # 输出每个变量的最优值
    print("最小材料成本 = ", pulp.value(AlloyLP.objective))  # 输出最优解的目标函数值
    # = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =

6、Python程序和运行结果

程序 1 和程序 2 的运行结果完全相同，结果如下：


Welcome to the CBC MILP Solver 
Version: 2.9.0 
Build Date: Feb 12 2015 
钢材生产问题:
MINIMIZE
16*原料_废料1 + 10*原料_废料2 + 8*原料_废料3 + 9*原料_废料4 + 53*原料_钼 + 60*原料_铬 + 48*原料_镍 + 0
SUBJECT TO
质量约束: 原料_废料1 + 原料_废料2 + 原料_废料3 + 原料_废料4 + 原料_钼 + 原料_铬 + 原料_镍 = 1000
碳最小占比: 0.8 原料_废料1 + 0.7 原料_废料2 + 0.85 原料_废料3 + 0.4 原料_废料4 >= 650
碳最大占比: 0.8 原料_废料1 + 0.7 原料_废料2 + 0.85 原料_废料3 + 0.4 原料_废料4 <= 750
镍最小占比: 18 原料_废料1 + 3.2 原料_废料2 + 100 原料_镍 >= 3000
镍最大占比: 18 原料_废料1 + 3.2 原料_废料2 + 100 原料_镍 <= 3500
铬最小占比: 12 原料_废料1 + 1.1 原料_废料2 + 100 原料_铬 >= 1000
铬最大占比: 12 原料_废料1 + 1.1 原料_废料2 + 100 原料_铬 <= 1200
钼最小占比: 0.1 原料_废料2 + 100 原料_钼 >= 1100
钼最大占比: 0.1 原料_废料2 + 100 原料_钼 <= 1300
废料1可用量: 原料_废料1 <= 75
废料2可用量: 原料_废料2 <= 250
VARIABLES
原料_废料1 Continuous
原料_废料2 Continuous
原料_废料3 Continuous
原料_废料4 Continuous
原料_钼 Continuous
原料_铬 Continuous
原料_镍 Continuous
优化状态: Optimal
原料_废料1 = 75.0
原料_废料2 = 90.909091
原料_废料3 = 672.28283
原料_废料4 = 137.30808
原料_钼 = 10.909091
原料_铬 = 0.0
原料_镍 = 13.590909
最优总成本 =  9953.671725000002

以上就是Python数学建模PuLP库线性规划进阶基于字典详解的详细内容，更多关于数学建模PuLP库线性规划的资料请关注本站其它相关文章！