如何在Python中创建动态求解器优化功能

问题描述

现在，我有一个关于动态约束的问题。我有原始价格，但是我需要检查它们是否遵循业务规则，当发生违规时，我会更改价格，但是我希望总的绝对更改最小化。

我的表格列如下：

• 项目：字符串
• 大小：浮动
• 总金额：整数
• 原始价格：浮动价
• Optimal_Price：浮点型（空白，因为这是决策变量）
• D1（空白，但有公式可以实现）
• D2（相同）
• 绝对（空白，这是决策变量，也是目标列）

这是我的问题：

• 决策变量：

1. 最优价格
2. 绝对值（但这仍然是线性函数，请参见以下内容）

• 目标：最小化Absolute_value的总和。 SUM（绝对）
• 约束：

1. 绝对值> =差异_1
2. 绝对值> =差异_2
3. 最优价格> = 0
4. 相同项目，较大尺寸的最佳价格> =较小尺寸的最佳价格
5. 大小相同，商品也有价格规则

就目前而言，我正在尝试实现前三个约束。我可以在Excel中轻松完成此操作，但是很难将其移至Python。

这是问题，我尝试计算Difference_1和Difference_2，但它要求我将决策变量（即最佳价格）带入函数中。功能就像：

• 差异_1 =（原始价格-最优价格）*总金额
• 差异_2 =（最优价格-原始价格）*总金额

我们为什么这样做是为了获得线性解而不是使用绝对函数。

我试图使用纸浆来创建此优化功能，但是当我尝试将LpVariable添加到差分计算中时，

for i in range(df.shape[0]):
    D1[i] = (Opt_Price[i]-df['Original_Price'][i])*df['Total_Amount'][i]
    D2[i] = (df['Original_Price'][i]-Opt_Price[i])*df['Total_Units'][i]

说

TypeError: 'LpVariable' object is not subscriptable

我也尝试过：

D1 = (Opt_Price-df['Original_Price'])*df['Total_Amount']
D2 = (df['Original_Price']-Opt_Price)*df['Total_Amount']

谢谢！

解决方法

似乎您使Opt_Price成为一个LpVariable，而不是包含它们的字典。使用LpVariable.dicts从键列表中创建变量字典是相当标准的，例如：

Opt_Price = LpVariable.dics("optprices",range(df.shape[0]))