游泳队参加接力赛或综合赛事时，需要在多个项目、多名运动员之间分配出场名额，同时要考虑运动员的主项优势、体能限制、项目报名规则等约束，最终目标是让团队总得分最高或者总耗时最短。混合整数规划（MILP）可以将这类离散决策问题转化为可求解的数学模型，得到全局最优的阵容分配方案。
混合整数规划核心概念
混合整数规划是线性规划的扩展，模型中同时包含连续变量和整数变量，其中整数变量通常用于表示是否选择某个决策（比如是否安排某运动员参加某项目），这类0-1变量是处理离散选择问题的核心。MILP的通用模型结构如下：
目标函数：max/min Z = c1x1 + c2x2 + ... + cnxn
约束条件：a11x1 + a12x2 + ... + a1nxn ≤ b1
a21x1 + a22x2 + ... + a2nxn = b2
xi ∈ Z 或 xi ∈ {0,1}（部分变量为整数/0-1变量）
对于游泳队阵容分配问题，我们通常用0-1变量表示运动员和项目的匹配关系，连续变量可以表示运动员的体能分配系数等，目标函数一般设置为团队总得分最大化或者总耗时最小化。
游泳队阵容分配问题建模
问题场景设定
假设某游泳队有5名运动员，需要参加3个接力项目，每个项目需要4名运动员，每名运动员最多参加2个项目，且每个项目有对应的运动员能力评分（评分越高，运动员在该项目表现越好），目标是让3个项目的总评分之和最高。
变量定义
x_ij：0-1变量，若安排运动员i参加项目j则为1，否则为0，其中i=1~5，j=1~3s_ij：运动员i在项目j的能力评分，为已知参数
目标函数
最大化总评分：max Z = Σ(i=1到5) Σ(j=1到3) s_ij * x_ij
约束条件
- 每个项目恰好4名运动员：Σ(i=1到5) x_ij = 4，对所有j=1~3
- 每名运动员最多参加2个项目：Σ(j=1到3) x_ij ≤ 2，对所有i=1~5
- 变量取值约束：x_ij ∈ {0,1}
Python实现MILP求解
我们可以使用pulp库来求解混合整数规划模型，首先安装依赖：
pip install pulp
完整的求解代码如下：
import pulp
# 1. 定义问题参数
athletes = [1, 2, 3, 4, 5] # 5名运动员
projects = [1, 2, 3] # 3个项目
# 运动员在项目j的能力评分，s[i][j]表示运动员i在项目j的评分
s = {
1: {1: 8.5, 2: 7.2, 3: 9.0},
2: {1: 7.8, 2: 8.9, 3: 7.5},
3: {1: 9.2, 2: 6.8, 3: 8.1},
4: {1: 6.5, 2: 9.1, 3: 7.3},
5: {1: 8.0, 2: 7.5, 3: 8.8}
}
# 2. 创建MILP问题，目标是最大化总评分
prob = pulp.LpProblem("Swim_Team_Lineup_Optimization", pulp.LpMaximize)
# 3. 定义决策变量x_ij，0-1变量
x = {}
for i in athletes:
for j in projects:
x[(i, j)] = pulp.LpVariable(f"x_{i}_{j}", cat=pulp.LpBinary)
# 4. 定义目标函数
prob += pulp.lpSum(s[i][j] * x[(i, j)] for i in athletes for j in projects)
# 5. 添加约束条件
# 每个项目恰好4名运动员
for j in projects:
prob += pulp.lpSum(x[(i, j)] for i in athletes) == 4
# 每名运动员最多参加2个项目
for i in athletes:
prob += pulp.lpSum(x[(i, j)] for j in projects) <= 2
# 6. 求解模型
prob.solve(pulp.PULP_CBC_CMD(msg=False))
# 7. 输出结果
print("求解状态:", pulp.LpStatus[prob.status])
print("最优总评分:", pulp.value(prob.objective))
print("阵容分配方案:")
for j in projects:
print(f"项目{j}参赛运动员:")
for i in athletes:
if pulp.value(x[(i, j)]) == 1:
print(f" 运动员{i}，项目评分: {s[i][j]}")
结果解读与扩展
运行上述代码后，会得到每个项目的参赛运动员名单，以及对应的最高总评分。如果实际场景中存在更多约束，比如运动员的体能恢复时间、不同项目的优先级、替补运动员规则等，只需要在模型中新增对应的约束条件即可，MILP模型的扩展性很强。
需要注意的是，当运动员数量和项目数量较大时，MILP的求解时间会增加，此时可以调整求解器的参数，或者简化模型中的非核心约束，平衡求解效率和结果精度。对于大多数业余游泳队的赛事排阵需求，上述基础模型已经足够得到满意的优化结果。