混合整数规划是结合了连续变量和整数变量的优化模型，广泛应用于需要离散决策的优化场景。在实际建模过程中，我们经常会遇到需要表达“条件A成立或者条件B成立”这类或逻辑的业务规则，而标准混合整数规划模型仅支持线性约束，因此需要将或逻辑转化为线性约束形式。
常见的或逻辑约束建模方法
1. 引入辅助0-1变量的基础建模法
假设我们有两个线性约束条件，分别是<code>a1^T x <= b1</code>和<code>a2^T x <= b2</code>，需要表达这两个条件至少有一个成立。我们可以引入一个0-1辅助变量<code>y</code>，其中<code>y=0</code>表示第一个条件成立，<code>y=1</code>表示第二个条件成立，同时设置一个大M参数，建模方式如下：
import pulp
# 定义问题
prob = pulp.LpProblem("Or_Logic_Model", pulp.LpMinimize)
# 定义连续变量x
x = pulp.LpVariable("x", lowBound=0)
# 定义0-1辅助变量y
y = pulp.LpVariable("y", cat="Binary")
# 大M参数，需要大于a1^T x - b1和a2^T x - b2的最大可能值
M = 100
# 第一个约束：a1^T x <= b1 + M*y，当y=0时约束生效
prob += x <= 5 + M * y
# 第二个约束：a2^T x <= b2 + M*(1-y)，当y=1时约束生效
prob += 2*x <= 8 + M * (1 - y)
# 求解
prob.solve()
print(pulp.value(x))
这种方法的逻辑是：当<code>y=0</code>时，第一个约束的右边为<code>b1</code>，第二个约束的右边为<code>b2 + M</code>，由于M足够大，第二个约束自动满足，仅第一个约束生效；当<code>y=1</code>时，第一个约束右边为<code>b1 + M</code>自动满足，仅第二个约束生效。由于<code>y</code>是0-1变量，因此两个条件至少有一个会生效，满足或逻辑要求。
2. 多辅助变量的通用建模法
如果或逻辑涉及n个条件，每个条件都是线性约束<code>a_i^T x <= b_i</code>，可以引入n个0-1辅助变量<code>y_i</code>，每个<code>y_i</code>对应一个条件，同时添加约束要求至少有一个<code>y_i</code>为0，建模方式如下：
import pulp
prob = pulp.LpProblem("Multi_Or_Model", pulp.LpMinimize)
x = pulp.LpVariable("x", lowBound=0)
# 三个辅助0-1变量，对应三个条件
y1 = pulp.LpVariable("y1", cat="Binary")
y2 = pulp.LpVariable("y2", cat="Binary")
y3 = pulp.LpVariable("y3", cat="Binary")
M = 100
# 三个条件对应的约束
prob += x <= 5 + M * y1
prob += 2*x <= 8 + M * y2
prob += 3*x <= 12 + M * y3
# 或逻辑约束：至少有一个y_i为0，即y1+y2+y3 <= 2
prob += y1 + y2 + y3 <= 2
prob.solve()
print(pulp.value(x))
这种方法的扩展性更好，适合或逻辑包含多个条件的场景，只需要保证所有辅助变量的和小于等于n-1，就能保证至少有一个条件对应的约束生效。
3. 基于指示约束的建模法
部分求解器支持指示约束（Indicator Constraint），可以直接表达“如果辅助变量为0则对应约束生效”的逻辑，不需要手动设置大M参数，避免了大M取值不当导致的数值问题。使用 pulp 库结合支持指示约束的求解器时，建模方式如下：
import pulp
prob = pulp.LpProblem("Indicator_Model", pulp.LpMinimize)
x = pulp.LpVariable("x", lowBound=0)
y = pulp.LpVariable("y", cat="Binary")
# 指示约束：y=0时，x <=5 生效
prob += (y == 0).implies(x <= 5)
# 指示约束：y=1时，2*x <=8 生效
prob += (y == 1).implies(2*x <= 8)
prob.solve()
print(pulp.value(x))
不同建模方法的对比
三种方法的适用场景和优缺点如下：
| 建模方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 基础建模法 | 两个条件的或逻辑 | 逻辑简单，所有求解器都支持 | 需要手动设置大M参数，取值不当会影响求解效率 |
| 多辅助变量法 | 多个条件的或逻辑 | 扩展性强，逻辑清晰 | 同样需要设置大M，辅助变量较多时模型规模增大 |
| 指示约束法 | 支持指示约束的求解器场景 | 不需要设置大M，数值稳定性好 | 部分老旧求解器不支持，依赖求解器特性 |
建模注意事项
- 大M参数的取值需要合理，过小会导致约束失效，过大会引发数值误差，通常可以取对应约束左边表达式的最大可能值与右边常数项的差值。
- 如果或逻辑中的条件是大于等于形式，需要调整大M的位置，例如<code>a_i^T x >= b_i</code>对应的约束可以写成<code>a_i^T x >= b_i - M*y_i</code>。
- 指示约束的语法依赖具体求解器和建模库的适配情况，使用前需要确认求解器是否支持该特性。