游泳队阵容分配是赛事筹备中的核心工作，需要在满足赛事规则、运动员个人能力限制的前提下，最大化团队的总得分。混合整数规划（MIP）可以同时处理连续变量和整数变量，非常适合解决这类包含离散决策（如是否安排某运动员参加某项目）的优化问题。
混合整数规划基础概念
混合整数规划是线性规划的扩展形式，其决策变量中既包含连续变量，也包含整数变量（通常是0-1变量，用来表示是否选择某个选项）。它的标准形式如下：
# 混合整数规划标准形式说明 # 目标函数：min c^T x # 约束条件： # A x <= b # x_j >= 0, 其中部分x_j为整数 # c是目标函数系数向量，A是约束矩阵，b是约束右端项，x是决策变量向量
在游泳队阵容分配场景中，0-1变量可以表示“某运动员是否参加某项目”，连续变量可以用来表示项目得分的加权系数等，两者结合就能完整描述分配问题。
游泳队阵容分配的约束条件拆解
我们需要先明确实际场景中的各类约束，才能搭建准确的数学模型：
- 运动员能力约束：每个运动员只能参加自己擅长的项目，且个人参赛项目数量不能超过赛事规定上限，比如单人最多参加2个单项。
- 项目人数约束：每个单项最多安排1名运动员参加，接力项目需要固定4名运动员组队。
- 接力规则约束：接力队的4名运动员不能有重复，且每个运动员最多参加1个接力项目。
- 得分规则约束：不同项目的前三名得分不同，运动员的历史成绩对应可获得的预期得分。
搭建混合整数规划模型
定义决策变量
我们用以下变量描述分配方案：
x_{i,j}：0-1变量，值为1表示安排运动员i参加单项j，值为0表示不安排。y_{i,k}：0-1变量，值为1表示安排运动员i参加接力队k，值为0表示不安排。s_j：连续变量，表示单项j的预期得分。t_k：连续变量，表示接力队k的预期得分。
目标函数
目标是最大化团队总得分，因此目标函数可以定义为所有单项和接力项目的得分之和：
max Σs_j + Σt_k
约束条件公式化
对应前面拆解的约束，我们可以得到以下约束表达式：
- 每个单项最多1人参赛：Σx_{i,j} ≤ 1，对所有单项j成立。
- 每个运动员最多参加2个单项：Σx_{i,j} ≤ 2，对所有运动员i成立。
- 接力队k必须有4人：Σy_{i,k} = 4，对所有接力队k成立。
- 每个运动员最多参加1个接力队：Σy_{i,k} ≤ 1，对所有运动员i成立。
- 运动员只能参加擅长项目：x_{i,j}=0，如果运动员i不擅长单项j。
- 得分对应关系：s_j = Σx_{i,j} * score_{i,j}，其中score_{i,j}是运动员i参加单项j的预期得分。
- 接力得分对应：t_k = Σy_{i,k} * relay_score_{i,k}，其中relay_score_{i,k}是运动员i参加接力队k的预期得分。
代码实现示例
我们可以使用Python的pulp库来求解这个混合整数规划模型，以下是完整的可运行代码：
import pulp
# 模拟数据：3名运动员，2个单项，1个接力队
athletes = [0, 1, 2]
single_events = [0, 1]
relay_teams = [0]
# 运动员i参加单项j的预期得分
single_scores = {
(0, 0): 10,
(0, 1): 8,
(1, 0): 9,
(1, 1): 11,
(2, 0): 7,
(2, 1): 9
}
# 运动员i参加接力队k的预期得分
relay_scores = {
(0, 0): 3,
(1, 0): 4,
(2, 0): 3
}
# 创建模型
model = pulp.LpProblem("Swim_Team_Assignment", pulp.LpMaximize)
# 定义决策变量
x = pulp.LpVariable.dicts("x", [(i, j) for i in athletes for j in single_events], lowBound=0, upBound=1, cat='Integer')
y = pulp.LpVariable.dicts("y", [(i, k) for i in athletes for k in relay_teams], lowBound=0, upBound=1, cat='Integer')
s = pulp.LpVariable.dicts("s", single_events, lowBound=0, cat='Continuous')
t = pulp.LpVariable.dicts("t", relay_teams, lowBound=0, cat='Continuous')
# 目标函数：总得分最大化
model += pulp.lpSum(s[j] for j in single_events) + pulp.lpSum(t[k] for k in relay_teams)
# 约束1：每个单项最多1人参赛
for j in single_events:
model += pulp.lpSum(x[(i, j)] for i in athletes) <= 1
# 约束2：每个运动员最多参加2个单项
for i in athletes:
model += pulp.lpSum(x[(i, j)] for j in single_events) <= 2
# 约束3：接力队必须有4人（这里模拟数据只有3人，实际场景可调整人数）
for k in relay_teams:
model += pulp.lpSum(y[(i, k)] for i in athletes) == 3
# 约束4：每个运动员最多参加1个接力队
for i in athletes:
model += pulp.lpSum(y[(i, k)] for k in relay_teams) <= 1
# 约束5：得分对应关系
for j in single_events:
model += s[j] == pulp.lpSum(x[(i, j)] * single_scores.get((i, j), 0) for i in athletes)
for k in relay_teams:
model += t[k] == pulp.lpSum(y[(i, k)] * relay_scores.get((i, k), 0) for i in athletes)
# 求解模型
model.solve()
# 输出结果
print("求解状态:", pulp.LpStatus[model.status])
print("总得分:", pulp.value(model.objective))
print("单项分配结果:")
for i in athletes:
for j in single_events:
if pulp.value(x[(i, j)]) == 1:
print(f"运动员{i}参加单项{j}")
print("接力分配结果:")
for i in athletes:
for k in relay_teams:
if pulp.value(y[(i, k)]) == 1:
print(f"运动员{i}参加接力队{k}")
运行上述代码后，求解器会自动找到满足所有约束的最大总得分分配方案，实际使用时只需要替换模拟数据为自己的真实运动员成绩和赛事规则即可。
实际应用场景扩展
上述模型还可以根据需求扩展，比如加入运动员的体力约束（连续项目之间需要休息时间）、不同赛事的得分权重调整、替补运动员的分配规则等，只需要新增对应的约束条件即可，混合整数规划的灵活性可以很好地适配各类复杂的阵容分配需求。