所以，我有一个优化问题，也许可以通过线性编程来解决（使用PuLP？）。我对这一系列工作的经验是有限的，所以也许另一种解决方案会更好。
问题如下：
需要购买37件物品。每件商品必须以特定数量，特定颜色购买。 对于每个项目，我有可变数量的商店出售该项目。大约有8000家商店合计销售37件商品。没有一家商店出售所有37件商品。每个商店都有可变数量的可用商品（如果可用）和可变价格。此外，每家商店都有最低购买金额。
在python中，我有两个数据帧，应该包含我需要的所有信息。 （商店名称被模糊＆＃39;）
wanted.head()
item_color_id item_id item_qty
0 86 21837 1
1 5 2431 2
2 11 2444 6
3 11 2476 4
4 3 2654 2
stores.head()
item_color_id item_id store_min_buy store_name store_price store_qty
0 86 21837 20.00 fda 0.18 100
1 86 21837 10.00 asdfa 0.52 89
2 86 21837 10.00 ghsde 0.55 64
3 86 21837 9.14 j5rs 0.41 31
4 86 21837 10.00 pjvds 0.44 26
stores数据框已经过预处理，因此不包含任何NaN值。请注意，store_min_buy是该商店需要花费的最低金额。
挑战是尽量减少购买37件商品的成本。除此之外，我需要实际的解决方案：需要从哪些商店购买哪些商品。
答案 0 :(得分：2)
min_buy约束有点烦人，其余的更明显。
所以有一些决策变量：
x[i,j] = number of item i to buy at store j
u[j] = store j is used at all
然后是明显的约束：
sum(x[i,any]) >= wanted[i] (>= because the min_buy constraint may force you to buy extra)
min_buy约束。这很烦人，因为它有点像条件约束。
sum(x[any,j]) <= M * u[j] (ban u[j]=0 if some item is bought here)
min_buy[j] * u[j] <= sum(x[i,j] * price[i]) (force buying enough)
您可以以明显的方式将其转换为合法约束格式。 M是一个很大的数字，大到足以在使用商店时总是满足约束（所以至少与你可能存在的最大项目数一样大）。
我真的不喜欢这个模特。线性相将尽可能多地滥用M，并且可能通过选择u微小但非零而轻微地满足最后两个约束。这将导致整数阶段的悲痛，因为这意味着分数解决方案可能会大大低估成本。