多约束条件线性规划求解最优解 (python编程实现）

1 背景

我们用一个在营销场景下可能用到的例子来进行讲解。很多公司在营销策略中会考虑通过抵扣券发放给用户，进而刺激用户来消费。但是下发卡券是有成本的，一般每次营销预算成本是有限的，公司希望在固定的成本下刺激最多的用户人数去核销。我们就以这样一个场景为例，在有多个约束情况下，通过选择适当数量的卡券分配给各个用户群体，以最大化核销人数。这样的问题我们可以使用线性规划方法求解这个。

2 问题定义

2.1 输入

• A[m][n]: 核销率矩阵，表示第i个用户群在第j张卡券的核销率
• P[m]: 每个人群的总数量
• G: 卡券的总成本预算
• T[n]: 每个卡券的服务类型，假设我们有加油，洗车，充电三种服务，每种服务分别对应的值表示1,2,3，则该数组的每个元素取值范围为{1,2,3}
• R[n]: 每张卡券的面额
• wash_r: 投放给洗车券的人数不少于加油人数的比例
• charge_r:投放给充电券的人数不少于加油人数的比例

2.2 输出

• B[m][n]: 表示在第i个人群中投入第j张卡券的人数数量

2.3 目标

• 最大化核销人数
  $$\text{Maximize }Q=\sum _{i=0}^m\sum _{j=0}^{n}B[i][j]$$

3 约束条件

• 人群数量约束
  $$\sum _{j=0}^{n}B[i][j]\le P[i],\forall i$$

• 总成本约束
  $$\sum _{i=0}^m\sum _{j=0}^{n}B[i][j]\times A[i][j]\times R[j]\le G$$

• 服务类型人数比例约束
  计算每个服务的人群$w_1,w_2,w_3,w_4$:
  $$w_1=\sum _{j=0}^n\sum _{i=0}^{m}B[i][j]\times A[i][j]ifT[j]==1$$
  $$w_2=\sum _{j=0}^n\sum _{i=0}^{m}B[i][j]\times A[i][j]ifT[j]==2$$
  $$w_3=\sum _{j=0}^n\sum _{i=0}^{m}B[i][j]\times A[i][j]ifT[j]==3$$
  人数比例约束：
  $$w_1>0,w_2>0,w_3>0$$
  $$w_2\ge wash\_r\times w_1$$
  $$w_3\ge charge\_r\times w_1$$

4 求解方法

可以==使用线性规划（Linear Programming, LP）或整数线性规划（Integer Linear Programming, ILP）==来求解这个优化问题。考虑到𝐵[i][j]必须是整数（表示人数），ILP 可能是一个更合适的选择。可以使用 Python 的 PuLP 库来求解这个线性规划问题。具体实现代码如下：

################# 输入########################################
#1 核销率矩阵, 这里给出了一个5*3的矩阵，5个人群，在3张卡券的核销率情况
A = [[0.5,0.2,0.4],
     [0.3,0.02,0.19],
     [0.3,0.6,0.1],
     [0.10,0.13,0.55],
     [0.2,0.4,0.33]]
#2 每个人群的总数量
P = [10000,2000,500,5000,800]
#3 卡券的总成本数量
G = 15000
#3 卡券服务类型
T = [1,2,3]
#4 每张卡券的面额
R = [5,10,20]
#5 投放洗车的服务人数占比加油人数的比例
wash_r = 0.2
charge_r = 0.1
m = len(P)
n = len(R)

################# 求解########################################
#定义问题
prob = LpProblem("Maximize_Redemption_Rate", LpMaximize)
#定义决策变量
B = [[LpVariable(f'B_{i}_{j}', lowBound=0, cat='Integer') for j in range(n)] for i in range(m)]
#定义目标函数
prob += lpSum(B[i][j] * A[i][j] for i in range(m) for j in range(n))

#添加人群数量约束
for i in range(m):
    prob += lpSum(B[i][j] for j in range(n)) <= P[i]

#添加总成本约束
prob += lpSum(B[i][j] * A[i][j] * R[j] for i in range(m) for j in range(n)) <=G

#添加服务类型比例约束
#1 计算w1和w2
w1 = lpSum(B[i][j] for i in range(m) for j in range(n) if T[j] ==1)
w2 = lpSum(B[i][j] for i in range(m) for j in range(n) if T[j]==2)
w3 = lpSum(B[i][j] for i in range(m) for j in range(n) if T[j]==3)
#2 人数约束
prob += w1>=0
prob += w2>=0
prob += w3>=0
prob += w2>=wash_r*w1
prob += w3>=charge_r*w1

#求解问题
prob.solve()
#输出结果
B_optimal = [[B[i][j].varValue for j in range(n)] for i in range(m)]
print(B_optimal)

运行结果如下：

稍微验证了下输出的结果，都符合我们约束的要求。整体程序运行还是非常快的，我们可以根据实际的约束条件，稍微调整下代码就可以了。整体来说还是很方便的。