0-1 規劃不僅是數模競賽中的常見題型，也具有重要的現實意義。

雙十一促銷中網購平臺要求二選一，就是互斥的決策問題，可以用 0-1規劃建模。

小白學習 0-1 規劃，首先要學會識別 0-1規劃，學習將問題轉化為數學模型。

『Python小白的數學建模課 @ Youcans』帶你從數模小白成為國賽達人。

---

1. 什么是 0-1 規劃？

0-1 整數規劃是一類特殊的整數規劃，變量的取值只能是 0 或 1。

0-1 變量可以描述開關、取舍、有無等邏輯關系、順序關系，可以處理背包問題、指派問題、選址問題 、計劃安排、線路設計 、人員安排等各種決策規劃問題。進而，任何整數都可以用二進制表達，整數變量就可以表示為多個 0-1 變量的組合，因此任何整數規劃都可以轉化為 0-1 規劃問題來處理。0-1 規劃問題與運籌學中的很多經典問題也都有緊密聯系。

在數學建模學習中，0-1 規劃主要用于求解互斥的決策問題、互斥的約束條件問題、固定費用問題和分派問題。0-1 規劃是數模競賽的常見題型，國賽 B題經常有 0-1規劃問題或可以轉化為 0-1 規劃問題。

0-1 規劃的算法都比較復雜，大規模問題一般沒有精確解法。本文仍然使用 PuLP 工具包求解 0-1 規劃問題，該工具包的使用比較簡單。建議本文讀者重點關注 0-1 規劃問題的分類及建模方法，把握哪些問題是 0-1 規劃問題，是哪一類的 0-1 規劃問題，如何對這些典型問題進行建模。在此基礎上，才能調用 PuLP 函數進行求解。

歡迎關注『Python小白的數學建模課 @ Youcans』系列，每周持續更新
Python小白的數學建模課-01.新手必讀
Python小白的數學建模課-02.數據導入
Python小白的數學建模課-03.線性規劃
Python小白的數學建模課-04.整數規劃
Python小白的數學建模課-05.0-1規劃
Python小白的數學建模課-06.固定費用問題
Python小白的數學建模課-07.選址問題
Python小白的數學建模課-09.微分方程模型
Python小白的數學建模課-10.微分方程邊值問題
Python小白的數學建模課-12.非線性規劃
Python小白的數學建模課-15.圖論的基本概念
Python小白的數學建模課-16.最短路徑算法
Python小白的數學建模課-17.條件最短路徑算法
Python小白的數學建模課-18.最小生成樹問題
Python小白的數學建模課-19.網絡流優化問題
Python小白的數學建模課-20.網絡流優化案例

---

2. 0-1 規劃的分類及建模方法

規劃問題的數學模型包括決策變量、約束條件和目標函數，圍繞這三個要素都可能存在互斥的情況，從而導出不同類型的0-1規劃問題，其建模方法也有差別。

2.1 互斥的決策問題

互斥的決策問題，是指決策方案、計劃互斥，如決定投資項目、確定投資場所、選擇投產產品等。

例如，雙十一的促銷活動，淘寶、京東、拼多多要求店鋪二選一，最多只能選擇參加一家平臺，否則可能會被封殺，這是典型的互斥決策問題。

背包問題就是經典的互斥決策問題。給定一組 n 個物品，每種物品 i 的價值為 $v_i$、重量/體積為 $w_i$，背包所能容納的總重量/總容量為（B），如何選擇其中若干種物品（每種物品選 0 個或 1 個），使得物品的總價值最高？

背包問題的建模方法如下：

定義決策變量為：
$$x_i=\{\begin{array}{l}0，不選擇第i個物品\\ 1，選擇第i個物品\end{array}$$
定義目標函數為：
$$\begin{gathered} maxf(x)=\sum _{i=1}^n{v}_i{x}_i \\ s.t.:\{\begin{array}{l}{\sum }_{i=i}^n{w}_i{x}_i\le B,\\ x_i=0,1\end{array} \end{gathered}$$

很多應用問題都可以用上述的背包問題數學模型來表達，例如：

• 有 n個項目，每個項目所需投資額為 $w_i$，投產后的利潤為 $v_i$，投資總限額為 B，求利潤最大的投資方案；
• 處理器能力有限，任務很多，如何選擇使處理器的效用最大；

2.2 互斥的約束問題

互斥的約束問題，是指具有多個互斥的約束條件，這些約束條件只有一個起作用。

例如，貨物運輸有車運或者船運兩種運輸方式可供選擇，已知采用車運的約束條件和船運的約束條件，必須且只能選擇其中一種運輸方式。這兩個約束條件互斥，有且只有一個起作用，這是可以引入一個 0-1變量來處理。

一般地，設有 m 個互斥的約束條件：
$$a_{i1}{x}_1+...a_{in}{x}_n\le b_i，i=1,...m$$

該類問題的建模方法，為了保證只有一個約束條件起作用，可以引入一個充分大的常數 M 和 m 個 0-1 變量表示約束是否起作用：
$$y_i=\{\begin{array}{l}0，第i個約束不起作用\\ 1，第i個約束起作用\end{array}$$

于是可以構造新的 m+1 個約束條件：
$$s.t.:?\begin{array}{l}{a}_{i1}{x}_1+...a_{in}{x}_n\le b_i+(1?y_i)M，i=1,...m\\ y_1+...+y_m=1\\ y_i=0,1\end{array}$$

由于 M 足夠大，新的約束條件就能保證只有 y_i=1 的約束條件起作用，而其它約束條件都不起作用。

2.3 固定費用問題（Fixed cost problem）

固定費用問題，是指求解生產成本最小問題時，總成本包括固定成本和變動成本，而選擇不同生產方式會有不同的固定成本，因此總成本與選擇的生產方式有關。

固定費用問題，實際上是互斥的目標函數問題，對于不同的生產方式具有多個互斥的目標函數，但只有一個起作用。固定費用問題不能用一般的線性規劃模型求解。

一般地，設有 m 種生產方式可供選擇，采用第 $j$ 種方式時的固定成本為 $K_j$、變動成本為 $c_j$、產量為 $x_j$，則采用各種生產方式的總成本分別為：

$$min{P}_j=\{\begin{array}{ll}{k}_j+c_j{x}_j，& x_j\ge 0\\ 0，& x_j=0,j=1,...m\end{array}$$

該類問題的建模方法，為了構造統一的目標函數，可以引入 m 個 0-1 變量 y_j 表示是否采用第 j 種生產方式：
$$y_j=\{\begin{array}{l}0，不采用第j種生產方式\\ 1，采用第j種生產方式\end{array}$$

于是可以構造新的目標函數和約束條件：
$$\begin{gathered} minf(x)=\sum _{j=1}^m(k_j{y}_j+c_j{x}_j) \\ s.t.:x_j\le y_{j}M，j=1,...m \end{gathered}$$

M 是一個充分大的常數。

2.4 指派問題

分配 n 個人去做 n 件工作，每人只做一件工作，每件工作只有一個人做，已知每個人做每件事的用時為$c_{ij}$，如何安排才能使花費的總時間最少。

引入 0-1 變量 $x_{ij}$：
$$x_{i,j}=\{\begin{array}{l}0，第i人不做第j件工作\\ 1，第i人做第j件工作，i,j=1,...,n\end{array}$$

指派問題的數學模型就可以描述為：
$$\begin{gathered} minf(x)=\sum _{i=1}^n\sum _{j=1}^n(c_{ij}{x}_{ij}) \\ s.t.:?\begin{array}{l}{\sum }_{j=1}^n{x}_{ij}=1，i=1,...,n\\ {\sum }_{i=1}^n{x}_{ij}=1，j=1,...,n\\ x_{ij}=0,1，i,j=1,...,n\end{array} \end{gathered}$$

在此基礎上，還可以衍生出新的問題：

• 分配 m 個人去做 n 件工作，已知每個人做每件事的用時，當 m<n（不限定每人工作的件數）、m>n（不限定每件工作的參與人數）時，如何安排使花費的總時間最少。
• 分配 m 個人去做 n 件工作，已知每個人做每件事的用時，如果允許某人完成自己的工作后去幫助別人，如何安排使花費的總時間最少。

---

3. 0-1 規劃的求解方法

目前 0-1 規劃問題并沒有通用、高效、精確的求解方法，常用的方法或是針對特殊問題，或是近似方法。

需要特別指出的是，我們在數學建模的學習中會遇到越來越多的問題都沒有通用、高效、精確的求解方法，而是借助于計算機算法和程序來得到近似解。

3.1 隱枚舉法（Implicit enumeration）

求解 0-1 規劃問題的思路，首先是窮舉法，遍歷決策變量的所有的組合，求出目標函數的最優值。隨著問題規模的增大，變量的組合成指數增長，窮舉法就不可能實現了。

隱枚舉法是通過反復構造過濾條件，不斷刪除比當前解差的解集，并把優于當前最優解的結果作為新的最優解，再以新的最優解構造新的過濾條件，如此反復直到求出最優解。

隱枚舉法通過過濾條件對窮舉法進行改進，可以較快地求出最優解。分支定界法也是一種隱枚舉法。

3.2 蒙特卡洛法（Monte Carlo）

既然對較大規模問題無法窮舉，無法獲得數學意義上的最優解，那么另一個思路就是隨機搜索。于是大名鼎鼎、無所不能的蒙特卡洛法出場了。

蒙特卡洛法是一類隨機方法的統稱，也稱隨機取樣法。顧名思義，蒙特卡洛法就是大量地對決策變量隨機取值——如果能在滿足約束條件的前提下隨機取值就更好了，通過比較其目標函數值來不斷獲得更好的解，最后就能得到近似的最優解。

蒙特卡洛法的特點是，可以在隨機采樣上計算得到近似結果，采樣越多，越近似最優解 ，但無法保證得到的結果是不是全局最優解。可以證明，在一定的計算量的情況下，蒙特卡洛法可以獲得較好的滿意解。

蒙特卡洛法的思想很簡單，看起來算法也很簡單，但實際上也涉及了深刻的數學理論，算法理論與實踐也都在不斷的發展。

蒙特卡洛法不僅可以處理幾乎所有的決策問題、優化問題，而且在各種學科領域都得到了廣泛的應用。這樣的方法我們當然不能錯過，后文將專題進行討論。

3.3 啟發式算法（Heuristic algorithms）

設計高效的啟發式算法解決實際問題，是解決 0-1 規劃問題的另一個思路。

啟發式算法通常是以問題為導向的，沒有一個通用的框架，根據具體問題的特殊結構來識別啟發性信息，構造啟發式優化過程來高效地尋找近似最優解。

啟發式算法獲得的近似最優解，通常是局部最優解。而且，啟發式算法的解需要借助其他方法來評估其質量，并且在實際應用中不能保證為各種算例穩定地生成接近全局最優的可行解。

3.4 近似算法（Approximation algorithms）

本來不想在這里談近似算法的，只是為了說明啟發式算法并不是近似算法。

近似算法與啟發式算法是不同的，近似算法往往通過巧妙的設計，得到的解是在全局最優解的某個鄰域范圍之內，或一定比例范圍內。近似算法的解可以用嚴格的數學證明是“比較好”的，因而被認為是有保證的。

3.5 0-1 規劃問題的編程方案

總結 0-1 規劃的求解方法，就是沒有通用、高效、精確的求解方法。

對于小白來說，其實這樣更簡單，不要操心學習哪種算法了，我們還是用 PuLP 工具包來求解。

---

4. PuLP 求解 0-1 規劃問題

不僅繼續用 PuLP 工具包，而且解題過程和編程步驟也與求解線性規劃問題完全一致。

下面我們以一個簡單的數學模型練習，來講解整個解題過程，而不僅給出例程。

4.1 案例問題描述

例題 1：
公司有 5 個項目被列入投資計劃，各項目的投資額和預期投資收益如下表所示（萬元）：

項目ABCDE

投資額	210	300	100	130	260
投資收益	150	210	60	80	180

公司只有 600萬元資金可用于投資，綜合考慮各方面因素，需要保證：

（1）項目 A、B、C 中必須且只能有一項被選中；
（2）項目 C、D 中最多只能選中一項；
（3）選擇項目 E 的前提是項目 A被選中。

如何在上述條件下，進行投資決策，使收益最大。

4.2 建模過程分析

定義決策變量為：
$$x_i=\{\begin{array}{l}0，不選擇第i個項目\\ 1，選擇第i個項目\end{array}$$
定義目標函數為：
$$\begin{gathered} maxf(x)=150x_1+210x_2+60x_3+80x_4+180x_5 \\ s.t.:?\begin{array}{l}210x_1+300x_2+100x_3+130x_4+260x_5\le 600\\ x_1+x_2+x_3=1\\ x_3+x_4\le 1\\ x_5\le x_1\\ x_i=0,1，i=1,...5\end{array} \end{gathered}$$

4.3 模型求解的編程

模型求解，用標準模型的優化算法對模型求解，得到優化結果。模型求解的編程步驟如下：

（0）導入 PuLP庫函數

import pulp

（1）定義一個規劃問題

InvestLP = pulp.LpProblem("Invest decision problem", sense=pulp.LpMaximize)

pulp.LpProblem 用來定義問題的構造函數。"InvestLP"是用戶定義的問題名。
參數 sense 指定問題求目標函數的最小值/最大值 。本例求最大值，選擇 “pulp.LpMaximize” 。

（2）定義決策變量
對于問題 1：

x1 = pulp.LpVariable('A', cat='Binary') # 定義 x1，A 項目x2 = pulp.LpVariable('B', cat='Binary') # 定義 x2，B 項目x3 = pulp.LpVariable('C', cat='Binary') # 定義 x3，C 項目x4 = pulp.LpVariable('D', cat='Binary') # 定義 x4，D 項目x5 = pulp.LpVariable('E', cat='Binary') # 定義 x5，E 項目

pulp.LpVariable 用來定義決策變量的函數。‘x1’~‘x5’ 是用戶定義的變量名。
參數 cat 用來設定變量類型，’ Binary ’ 表示0/1變量（用于0/1規劃問題）。

（3）添加目標函數

InvestLP += (150*x1 + 210*x2 + 60*x3 + 80*x4 + 180*x5) # 設置目標函數 f(x)

（4）添加約束條件

InvestLP += (210*x1 + 300*x2 + 100*x3 + 130*x4 + 260*x5 <= 600) # 不等式約束InvestLP += (x1 + x2 + x3 == 1) # 等式約束InvestLP += (x3 + x4 <= 1) # 不等式約束InvestLP += (x5 - x1 <= 0) # 不等式約束

添加約束條件使用 “問題名 += 約束條件表達式” 格式。
　　約束條件可以是等式約束或不等式約束，不等式約束可以是 小于等于 或 大于等于，分別使用關鍵字">="、"<=“和”=="。

（5）求解

InvestLP.solve()print(InvestLP.name) # 輸出求解狀態print("Status youcans:", pulp.LpStatus[InvestLP.status]) # 輸出求解狀態for v in InvestLP.variables():print(v.name, "=", v.varValue) # 輸出每個變量的最優值print("Max f(x) =", pulp.value(InvestLP.objective)) # 輸出最優解的目標函數值

solve() 是求解函數，可以對求解器、求解精度進行設置。

4.4 Python 例程

# mathmodel06_v1.py # Demo05 of mathematical modeling algorithm # Solving 0-1 binary programming with PuLP. # Copyright 2021 Youcans, XUPT # Crated：2021-06-02 # Python小白的數學建模課 @ Youcansimport pulp # 導入 pulp 庫# 主程序 def main():# 投資決策問題：# 公司現有 5個擬投資項目，根據投資額、投資收益和限制條件，問如何決策使收益最大。"""問題建模：決策變量：x1～x5：0/1 變量，1 表示選擇第 i 個項目， 0 表示不選擇第 i 個項目目標函數：max fx = 150*x1 + 210*x2 + 60*x3 + 80*x4 + 180*x5約束條件：210*x1 + 300*x2 + 100*x3 + 130*x4 + 260*x5 <= 600x1 + x2 + x3 = 1x3 + x4 <= 1x5 <= x1x1,...,x5 = 0, 1"""InvestLP = pulp.LpProblem("Invest decision problem", sense=pulp.LpMaximize) # 定義問題，求最大值x1 = pulp.LpVariable('A', cat='Binary') # 定義 x1，A 項目x2 = pulp.LpVariable('B', cat='Binary') # 定義 x2，B 項目x3 = pulp.LpVariable('C', cat='Binary') # 定義 x3，C 項目x4 = pulp.LpVariable('D', cat='Binary') # 定義 x4，D 項目x5 = pulp.LpVariable('E', cat='Binary') # 定義 x5，E 項目InvestLP += (150*x1 + 210*x2 + 60*x3 + 80*x4 + 180*x5) # 設置目標函數 f(x)InvestLP += (210*x1 + 300*x2 + 100*x3 + 130*x4 + 260*x5 <= 600) # 不等式約束InvestLP += (x1 + x2 + x3 == 1) # 等式約束InvestLP += (x3 + x4 <= 1) # 不等式約束InvestLP += (x5 - x1 <= 0) # 不等式約束InvestLP.solve()print(InvestLP.name) # 輸出求解狀態print("Status youcans:", pulp.LpStatus[InvestLP.status]) # 輸出求解狀態for v in InvestLP.variables():print(v.name, "=", v.varValue) # 輸出每個變量的最優值print("Max f(x) =", pulp.value(InvestLP.objective)) # 輸出最優解的目標函數值returnif __name__ == '__main__': # Copyright 2021 YouCans, XUPTmain() # Python小白的數學建模課 @ Youcans

4.5 Python 例程運行結果

Welcome to the CBC MILP Solver Version: 2.9.0 Build Date: Feb 12 2015 Result - Optimal solution foundInvest_decision_problem Status youcans: Optimal A = 1.0 B = 0.0 C = 0.0 D = 1.0 E = 1.0 Max f(x) = 410.0

從 0-1 規劃模型的結果可知，選擇 A、C、E 項目進行投資，可以滿足限定條件并獲得最大收益 410萬元。

---

5. 小結

對于小白學數模，能識別哪些問題是 0-1 規劃問題，是哪種 0-1規劃問題，才能將問題描述轉化為數學模型的表達形式。這是數模學習中最重要的內容。

至于模型的求解，對于算法能了解一些最好，不求甚解也沒關系，先學會用工具包解決問題就可以了。

從線性規劃、整數規劃到本文的 0-1 規劃，我們都選擇了 PuLP 工具包。雖然這些問題的類型不同，求解算法差別非常大，但是 PuLp 工具包使用了一致的處理步驟：定義問題、定義變量、定義目標函數和約束條件，調用求解器求解。

所以我們在求解不同問題時的編程方法和步驟如出一轍，完全感受不到不同類型問題之間的巨大差異。這就是為什么在線性規劃問題時不選擇 Scipy 的原因，這就是本系列課程的特點，讓小白能快速入門求解問題。

對于更為復雜的問題，PuLP 還提供了快捷方式，可以結合 Python語言的循環和容器，使用字典來創建問題，我們下節再講。

【本節完】

版權聲明：

歡迎關注『Python小白的數學建模課 @ Youcans』 原創作品

原創作品，轉載必須標注原文鏈接：(https://blog.csdn.net/youcans/article/details/117463682)。

Copyright 2021 Youcans, XUPT

Crated：2021-06-02

歡迎關注 『Python小白的數學建模課 @ Youcans』 系列，持續更新
Python小白的數學建模課-01.新手必讀
Python小白的數學建模課-02.數據導入
Python小白的數學建模課-03.線性規劃
Python小白的數學建模課-04.整數規劃
Python小白的數學建模課-05.0-1規劃
Python小白的數學建模課-06.固定費用問題
Python小白的數學建模課-07.選址問題
Python小白的數學建模課-09.微分方程模型
Python小白的數學建模課-10.微分方程邊值問題
Python小白的數學建模課-12.非線性規劃
Python小白的數學建模課-15.圖論的基本概念
Python小白的數學建模課-16.最短路徑算法
Python小白的數學建模課-17.條件最短路徑算法
Python小白的數學建模課-18.最小生成樹問題
Python小白的數學建模課-19.網絡流優化問題
Python小白的數學建模課-20.網絡流優化案例
Python小白的數學建模課-A1.國賽賽題類型分析
Python小白的數學建模課-A2.2021年數維杯C題探討
Python小白的數學建模課-A3.12個新冠疫情數模競賽賽題及短評
Python小白的數學建模課-B2. 新冠疫情 SI模型
Python小白的數學建模課-B3. 新冠疫情 SIS模型
Python小白的數學建模課-B4. 新冠疫情 SIR模型
Python小白的數學建模課-B5. 新冠疫情 SEIR模型
Python小白的數學建模課-B6. 新冠疫情 SEIR改進模型
Python數模筆記-PuLP庫
Python數模筆記-StatsModels統計回歸
Python數模筆記-Sklearn
Python數模筆記-NetworkX
Python數模筆記-模擬退火算法

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的Python小白的数学建模课-05.0-1规划的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。