如何将lpsum转换为lpconstraint？

Question

在纸浆中，我有形式的约束，

lpSum([decision_vars[an_id][item] for item in a_vector]) == count_req[an_id], f'constraint_{user_id}'

我想将其转换为使用lpconstraint作为制作这种约束弹性的垫脚石。 IE lpconstraint（...）。makeelasticsubproblem（...）

LpConstraint(
    e=pl.lpSum([decision_vars[an_id][item] for item in a_vector]), 
    sense=LpConstraintEQ,
    rhs=count_req[an_id],
    name=f'constraint_{an_id}'
)

这些等效吗？

是否有一些更干净的示例或文档将lpsum转换为lpconstraint？

Answer 1

也许不是您要寻找的答案，但我建议不要使用纸浆。 cvxpy 更易于学习和使用（免费变量而不是绑定到模型的变量），并允许您轻松扩展扩展您的模型to nonoflowl noreferrer“> nonlinear convex systems ，这给您带来了更多的意义。努力与获得的能力相比。

例如，在CVXPY中，您的问题可能会被抛弃为：

from collections import defaultdict

from cvxpy import cp

decision_vars = {}
for an_id in ids:
  for item in a_vector:
    decision_vars[an_id][item] = cp.Variable(pos=True)

constraints = []
for an_id in ids:
  my_sum = sum(x for x in decision_vars[an_id].values())
  constraints.append(count_req[an_id]*lower_proportion <= my_sum)
  constraints.append(my_sum <= count_req[an_id]*upper_proportion)

problem = cp.Problem(cp.Minimize(OBJECTIVE_HERE), constraints)
optimal_value = problem.solve()
for an_id in ids:
  for item in a_vector:
    print(f"{an_id} {item} {decision_vars[an_id][item].value}")

请注意，使用自由变量意味着我们可以使用标准的Python构造，例如字典，总和和比较运算符来构建我们的问题。当然，您必须手动构建弹性约束，但这并不具有挑战性。