运输问题实战：从产销平衡到复杂约束的求解心法与软件实现

1. 运输问题：从理论到实战的“最后一公里”

如果你学过运筹学，或者正在准备相关考试，那么“运输问题”这个词你一定不陌生。它几乎是所有运筹学教材里必讲的章节，也是各类考试、面试中的常客。但不知道你有没有这种感觉：看教材例题时，感觉每一步都懂，公式也背得滚瓜烂熟，可一旦题目条件稍微变一变，或者数据量一大，就不知道从何下手了。这感觉就像学开车，在驾校里倒库移库练得挺好，真上了复杂路况，还是手忙脚乱。

运输问题，本质上就是解决“如何以最低的总成本，把货物从多个供应地（产地）运送到多个需求地（销地）”的数学规划问题。它听起来特别“接地气”，因为物流、供应链、生产调度，甚至是一些资源分配的场景，底层逻辑都是它。但恰恰是这种看似简单的模型，在实际应用中藏着不少“坑”。比如，当产销量不平衡时怎么办？当运输路线有容量限制时怎么处理？当目标不是求最小成本，而是求最大利润时，模型又该如何调整？

今天，我们就抛开教材上那些高度抽象化的例题，来一次深度实战。我会结合几个经典又“狡猾”的例题，不仅带你一步步推演求解过程，更重要的是，拆解题目背后设置的“陷阱”，分享我在多年学习和教学中总结出的、那些教材上不会写的“解题心法”。我们的目标很明确：不仅要会算，更要懂为什么这么算，以及遇到变种题目时，如何快速找到突破口。

2. 夯实基础：运输问题模型的核心要素与标准形式

在跳进题海之前，我们必须把“武器”检查一遍。很多同学解题出错，第一步就错在对模型的基本假设和标准形式理解不透彻。

2.1 模型的三要素与表格表达

一个标准的运输问题，离不开三个核心要素：

1. 供应量（Supply）：m个产地A1, A2, ..., Am，每个产地的供应量为a_i(i=1,2,...,m)。这代表了“我们有多少货可以发”。
2. 需求量（Demand）：n个销地B1, B2, ..., Bn，每个销地的需求量为b_j(j=1,2,...,n)。这代表了“市场需要多少货”。
3. 单位运价（Unit Cost）：从产地Ai到销地Bj运输一个单位货物的成本为c_ij。这构成了模型的“价格表”，是目标函数的核心。

最直观的表达方式就是运价表与产销平衡表。我们通常画一个m行n列的表格，表格中间每个格子填写c_ij，右侧增加一列“产量”，下方增加一行“销量”。

例如，一个简单的2产地3销地问题：

注意：这个表格不仅仅是数据的罗列。在后续用表上作业法（如最小元素法、伏格尔法）求初始解时，我们就是在这个表格上直接进行“分配”操作的。养成画表的习惯，是解题规范性的第一步。

2.2 产销平衡：模型的“入场券”

标准运输问题有一个黄金前提：总产量等于总销量。即：∑a_i = ∑b_j

这是我们能够应用表上作业法（包括最小元素法、位势法检验等）的基石。如果题目不满足这个条件，我们必须先进行“标准化”处理，这是第一个易错点。

• 产大于销（∑a_i > ∑b_j）：我们虚构一个“虚拟销地”Bn+1，其销量等于多余的产量（∑a_i - ∑b_j）。关键点在于，运到虚拟销地的单位运价c_i,n+1如何设定？
  • 如果目标是极小化总成本：通常设为0。因为把货物“运到”虚拟销地，实际意味着货物在产地没运出去，不发生运输成本。
  • 如果目标是极大化利润：则需谨慎，通常设为-M（一个极大的负数，在极大化问题中等价于成本极高，迫使模型不选择此路径），或根据库存成本具体设定。
• 销大于产（∑a_i < ∑b_j）：我们虚构一个“虚拟产地”Am+1，其产量等于不足的销量（∑b_j - ∑a_i）。同样，从虚拟产地运出的单位运价c_m+1,j如何设定？
  • 极小化成本问题：通常设为0。表示需求未被满足，但模型允许这种“缺货”，且缺货成本为0。如果缺货有惩罚成本，则应设为惩罚值。
  • 极大化利润问题：通常设为-M，表示无法从“虚拟”产地获得货物来满足需求，除非支付极高成本。

很多题目会在这里埋坑，比如给出一个明显不平衡的产销数据，却不提醒你。第一步没做标准化，后面全盘皆输。

2.3 数学模型：理解决策变量与约束

用数学语言表述，运输问题的模型如下：

决策变量：x_ij表示从产地i运往销地j的货物量。这是我们要求解的对象。

目标函数（最小化总成本）： Min Z = ∑∑ c_ij * x_ij (对 i=1..m, j=1..n 求和)

约束条件：

1. 供应约束：从每个产地运出的总量等于其产量。 ∑ x_ij = a_i (对每个产地 i)
2. 需求约束：运到每个销地的总量等于其销量。 ∑ x_ij = b_j (对每个销地 j)
3. 非负约束：运输量不能为负。 x_ij ≥ 0

这个模型是一个特殊的线性规划问题，其约束矩阵具有非常特殊的结构（每列只有两个1），这决定了它必然存在整数解（当产量和销量为整数时），并且可以用比单纯形法更高效的表上作业法求解。

3. 经典例题精讲（一）：平衡型问题与表上作业法全流程

我们来看一个最标准的平衡型问题，并完整走一遍表上作业法的流程。

例题1：某公司有3个工厂（A1, A2, A3）生产同一种产品，4个销售点（B1, B2, B3, B4）销售该产品。各工厂产量、各销售点销量及单位产品运价如下表所示。问应如何调运，使总运费最小？

第一步：验证产销平衡总产量 = 7 + 4 + 9 = 20 总销量 = 3 + 6 + 5 + 6 = 20 平衡，可直接求解。

第二步：用最小元素法求初始基可行解

最小元素法的思想很直观：优先满足单位运价最小的路线。但操作时有严格步骤，避免出错。

1. 在运价表中找到最小的运价c_ij。这里是c_21 = 1（A2到B1）。
2. 尽可能多地满足它。A2产量为4，B1销量为3，取最小值min(4,3)=3。将3填入（A2, B1）格。此时B1销量已满足，划去B1列。

   操作心得：在表中直接画掉被满足的行或列，并在旁边用小字标注剩余产量/销量，可以极大减少错误。划掉B1列后，A2行剩余产量为4-3=1。

3. 在未划去的格子中再找最小运价。此时最小的是c_23 = 2（A2到B3）。
4. A2剩余产量为1，B3销量为5，取min(1,5)=1。将1填入（A2, B3）格。此时A2产量已分配完，划去A2行。B3列剩余销量为5-1=4。
5. 继续在剩余格子中找最小运价。现在最小的是c_13 = 3和c_11 = 3（都是3）。这里就涉及到一个关键技巧：当最小运价不止一个时，优先选择能分配更多运量的那个。我们比较一下：
   • 选（A1, B3）：A1产量7，B3剩余需求4，可分配min(7,4)=4。
   • 选（A1, B1）：但B1列已被划去，不可选。 所以选（A1, B3），分配4。划去B3列（因为其需求被满足），A1行剩余7-4=3。
6. 重复此过程。接下来最小运价是c_32 = 4（A3到B2）。分配min(9,6)=6，划去B2列，A3行剩余9-6=3。
7. 然后最小运价是c_34 = 5（A3到B4）。分配min(3,6)=3，划去A3行，B4列剩余6-3=3。
8. 最后只剩下A1行和B4列。A1剩余产量3，B4剩余销量3，正好将3填入（A1, B4）。

得到初始调运方案如下表（括号内为运量）：

重要检查：基变量个数应为m+n-1 = 3+4-1 = 6。我们数一下有数字的格子：（A1,B3）、（A1,B4）、（A2,B1）、（A2,B3）、（A3,B2）、（A3,B4），正好6个，且不存在闭合回路。初始解正确。

第三步：用位势法（对偶变量法）检验当前解是否最优

这是表上作业法的核心，也是难点。位势法的目的是计算每个非基变量（空格）的检验数σ_ij。如果所有σ_ij ≥ 0（对于最小化问题），则当前解最优；否则，需要调整。

1. 求位势u_i和v_j：对于每个基变量（有运量的格）x_ij，满足方程u_i + v_j = c_ij。我们有无穷多组解，通常令u_1 = 0来启动计算。

   • 基格 (A1,B3):u1 + v3 = 3=>0 + v3 = 3=>v3 = 3
   • 基格 (A1,B4):u1 + v4 = 10=>0 + v4 = 10=>v4 = 10
   • 基格 (A2,B1):u2 + v1 = 1，v1还不知道。
   • 基格 (A2,B3):u2 + v3 = 2=>u2 + 3 = 2=>u2 = -1
   • 由u2 = -1和 (A2,B1) 格：-1 + v1 = 1=>v1 = 2
   • 基格 (A3,B2):u3 + v2 = 4，v2还不知道。
   • 基格 (A3,B4):u3 + v4 = 5=>u3 + 10 = 5=>u3 = -5
   • 由u3 = -5和 (A3,B2) 格：-5 + v2 = 4=>v2 = 9

   得到位势：u = (0, -1, -5),v = (2, 9, 3, 10)

2. 计算非基变量（空格）检验数：公式σ_ij = c_ij - (u_i + v_j)。

   • (A1,B1):σ_11 = 3 - (0+2) = 1
   • (A1,B2):σ_12 = 11 - (0+9) = 2
   • (A2,B2):σ_22 = 9 - (-1+9) = 1
   • (A2,B4):σ_24 = 8 - (-1+10) = -1
   • (A3,B1):σ_31 = 7 - (-5+2) = 10
   • (A3,B3):σ_33 = 10 - (-5+3) = 12

3. 判断：我们发现σ_24 = -1 < 0。根据判别准则，检验数出现负值，说明当前解不是最优，可以让x_24（A2到B4）进入基变量来改进方案。

第四步：用闭回路法调整方案

1. 寻找闭回路：以检验数为负的非基变量格（A2,B4）为起点，寻找一条由水平/垂直直线构成的、转角点均为基变量格的闭合回路。这条回路是唯一的。 回路为：(A2,B4) → (A2,B3) → (A1,B3) → (A1,B4) → (A2,B4)。

2. 确定调整量 θ：在回路的偶数顶点（即第二个、第四个转角点）中，找出运量最小的值。本例中，偶数顶点是 (A2,B3) 的1和 (A1,B4) 的3，最小值为θ = min(1, 3) = 1。

3. 调整运量：在回路的奇数顶点（起点为第一个奇数顶点）运量加上θ，在偶数顶点运量减去θ。

   • (A2,B4)（起点，原为空）：0 + 1 = 1
   • (A2,B3)：1 - 1 = 0（变为空格）
   • (A1,B3)：4 + 1 = 5
   • (A1,B4)：3 - 1 = 2

调整后的新方案为：

第五步：重复检验与调整

对新方案再次用位势法求检验数。

• 令u1=0。
• (A1,B3):0+v3=3=>v3=3
• (A1,B4):0+v4=10=>v4=10
• (A2,B1):u2+v1=1
• (A2,B4):u2+10=8=>u2=-2
• 由u2=-2和 (A2,B1):-2+v1=1=>v1=3
• (A3,B2):u3+v2=4
• (A3,B4):u3+10=5=>u3=-5
• 由u3=-5和 (A3,B2):-5+v2=4=>v2=9

计算非基变量检验数：

• (A1,B1):3-(0+3)=0
• (A1,B2):11-(0+9)=2
• (A2,B2):9-(-2+9)=2
• (A2,B3):2-(-2+3)=1
• (A3,B1):7-(-5+3)=9
• (A3,B3):10-(-5+3)=12

所有检验数σ_ij ≥ 0。因此，当前解为最优解。

最优调运方案：

• A1 → B3: 5 单位
• A1 → B4: 2 单位
• A2 → B1: 3 单位
• A2 → B4: 1 单位
• A3 → B2: 6 单位
• A3 → B4: 3 单位

最小总运费：Z = 5*3 + 2*10 + 3*1 + 1*8 + 6*4 + 3*5 = 15 + 20 + 3 + 8 + 24 + 15 = 85

避坑指南：

1. 初始解退化：在求初始解或调整时，如果同时划去一行和一列，会导致基变量个数少于m+n-1，称为“退化”。此时必须在被同时划去的行或列中，选择一个空格填入“0”，并将其视为基变量（有数字的格），否则位势法无法计算。这个“0”的选取有讲究，最好选在单位运价较小的格子，有利于后续迭代。
2. 闭回路画法：调整时，闭回路必须且只能以基变量格为转角点（除了起点是空格外）。画错回路是调整失败的主要原因。一个检查技巧：回路上的每个转角点（除起点外）都必须是已有运量的格子，且回路是闭合的。
3. 检验数计算错误：这是最常出错的地方。务必先求对位势u_i和v_j。一个快速验证方法是：任选一个空格，用你求出的u_i和v_j计算c_ij - (u_i+v_j)，如果结果与你用闭回路法算出的检验数（通过沿着该空格的假想回路，正负交替加减运价）不一致，说明位势求错了。

4. 经典例题精讲（二）：不平衡问题、最大化问题与复杂约束

现实问题很少是标准平衡型。我们来看两个变种。

例题2（产大于销）：已知运输问题的产销量及运价如下，求最优调运方案。

第一步：识别与标准化总产量 = 9 + 5 = 14 总销量 = 4 + 6 + 4 = 14？等等，仔细加一下：4+6+4=14。咦，平衡？ 这里就是第一个陷阱：数据看似平衡，但其实是“产大于销”。因为总产量14，总销量也是14，但注意看，产量列的数字9和5，与销量行的数字4、6、4，总和都是14。这没问题啊？等等，我们重新审视表格：这是一个2行3列的问题。m=2, n=3。总产量a1+a2=9+5=14，总销量b1+b2+b3=4+6+4=14。数学上是平衡的。

但为什么题目暗示这是“产大于销”的变种呢？这可能是一个表述陷阱。原题可能意在考察“产量”和“销量”数字本身不等的情况。我们假设原题销量数据是(4, 5, 4)，总和13，小于产量14。那么我们就需要引入虚拟销地B4，销量为1，运价为0。

为了演示，我们假设销量是 (4, 5, 4)，总销量13 < 总产量14。那么标准化步骤如下：

1. 增加虚拟销地 B4，销量 = 14 - 13 = 1。
2. 从A1、A2到B4的运价设为0。
3. 新的产销平衡表如下：

第二步：求解此时就可以用标准的表上作业法求解了。最优解中，分配到虚拟销地B4的运量，就代表了对应产地未运出的库存量。例如，如果最优解中x_14=1，则表示A1有1单位产品没有运出，留在本地。

核心要点：处理不平衡问题的关键，在于准确判断是“产大于销”还是“销大于产”，并正确设置虚拟产地/销地的运价。对于最小化成本问题，虚拟路线的运价通常设为0，表示“不发生运输成本”。但务必注意题目是否有特殊说明，比如库存成本、缺货惩罚等，这些成本需要体现在虚拟路线的运价上。

例题3（最大化问题）：下表给出了一个运输问题的运价表，但这里的“运价”实际上是单位利润。求使总利润最大的调运方案。

第一步：转化对于最大化问题，有两种标准处理方法：

1. 差值法（效率法）：找出全局最大利润M = max(c_ij)。然后构造一个新的“损失”矩阵c'_ij = M - c_ij。将原最大化问题转化为对c'_ij的最小化问题。因为最小化总“损失”等价于最大化总利润。
   • 本例中M = 7。
   • 新运价表为：

     损失/产销	B1	B2	B3	产量
     A1	1	4	2	40
     A2	3	0	5	30
     销量	30	25	20	75

   • 然后用表上作业法求这个损失表的最小化解，即为原利润表的最大化解。
2. 检验数符号反转法：直接对利润表c_ij用表上作业法求解，但最优性判别准则要反过来：所有非基变量的检验数σ_ij ≤ 0时，解最优。因为此时让任何非基变量入基（增加运量）都不会再增加总利润（检验数为负或零表示利润会减少或不变）。

第二步：求解（以差值法为例）验证产销平衡：40+30=30+25+20=75，平衡。 对“损失”表用最小元素法求初始解（过程略）。最优解（经过迭代）可能为：

• A1 → B1: 30
• A1 → B3: 10
• A2 → B2: 25
• A2 → B3: 5 （注意：这是一个可能的解，实际需迭代至最优）

第三步：回溯将解代入原利润表计算总利润：Z_max = 30*6 + 10*5 + 25*7 + 5*2 = 180 + 50 + 175 + 10 = 415。

避坑指南：

1. 最大化问题最易错的就是最优性判别。如果用第二种方法（直接对利润表做），求检验数的公式不变σ_ij = c_ij - (u_i+v_j)，但判断时一定要记住：所有σ_ij ≤ 0才是最优。如果看到正的检验数，说明让那个非基变量入基还能增加利润，需要调整。很多同学会习惯性地套用最小化问题的σ_ij ≥ 0准则，导致答案完全错误。
2. 差值法中M的选取：M必须大于等于原表中所有c_ij。通常直接取最大值即可。但要注意，转化后的“损失”表所有元素非负，符合运输问题的常规形式。

5. 经典例题精讲（三）：含禁止运输路线与中转问题

运输路线可能因道路不通、政策限制等原因无法使用，这就是“禁止运输”或“断路”问题。另一种常见变体是“中转”或“转运”问题。

例题4（含禁止路线）：在例题1的基础上，假设从工厂A2到销售点B1的路线因故无法使用，求此时的最优调运方案。

解法：大M法处理禁止路线，标准方法是将该路线的单位运价c_ij设为一个极大的正数M。在最小化问题中，M意味着成本无限高，模型会自动规避该路线，除非万不得已（在产销平衡且无其他路径可选时，才可能被迫使用，此时问题可能无可行解）。

所以，我们只需将原题中的c_21从1改为M，然后重新求解。求解过程中，在最小元素法找最小运价时，会自动忽略这个巨大的M。在最终的最优解中，x_21必然为0（基变量不会选它，因为检验数会很大）。

实操技巧：在手工计算时，M可以看作一个比表中所有实际数字都大得多的数。在比较运价大小时，任何实际数字都小于M。在计算检验数σ_ij = c_ij - (u_i+v_j)时，如果c_ij = M，那么σ_ij也会是一个很大的正数，肯定不会成为入基变量（对于最小化问题）。

例题5（中转运输问题）：这是运输问题一个非常实用的扩展。假设货物不仅可以从产地直接运到销地，还可以先运到某个中转站（仓库），再从中转站运到销地。甚至允许产地之间、销地之间互相转运。

这类问题通常的解法是转化为扩大的标准运输问题。

1. 将每个地点既视为产地，也视为销地。每个地点的“产量”等于其原始产量加上可能的中转容量（如果无限则为一个很大的数）；“销量”等于其原始销量加上可能的中转发出量。
2. 构造一个包含所有地点（原始产地、原始销地、中转站）的扩大的运价表。
   • 直接运输的运价已知。
   • 中转运输的运价 = 第一段运价 + 第二段运价。
   • 同一个地点自己到自己的运价为0（表示不移动）。
   • 如果两点间不允许直接运输，则运价为M。
3. 确定扩大量后的产销量。这是一个关键且易错点。通常设中转站的产量和销量为一个足够大的数（大于等于总运输量），表示其吞吐能力足够大。原始产地的销量设为0（或一个很小的数，表示允许自我留存），原始销地的产量设为0。

例如，有产地A1、A2，销地B1、B2，一个中转站T。

• 原始数据：A1产量10，A2产量20；B1销量15，B2销量15。
• 运价：A1→T=2, A2→T=3, T→B1=4, T→B2=5, A1→B1=9, A2→B2=8（其他直接路线不可用或很贵）。
• 转化：将A1, A2, T, B1, B2 都视为“地点”。构造5x5的运价表。其中：
  • A1到T的运价=2，A2到T=3，T到B1=4，T到B2=5，A1到B1=9，A2到B2=8。
  • A1到A1, A2到A2, T到T, B1到B1, B2到B2 运价=0。
  • 其他不允许或未知的路线运价设为M。
• 产销量设定：
  • A1作为产地：产量=10；作为销地：销量=0（或一个很小的数，表示它自己可以“消费”自己的产品，即不运出）。
  • A2作为产地：产量=20；销量=0。
  • T作为产地：产量=总运输量（如30）或更大，表示其可提供的转运货物量（来自其他产地）；作为销地：销量=总运输量（30），表示其可接收的待转运货物量。
  • B1作为销地：销量=15；产量=0。
  • B2作为销地：销量=15；产量=0。
• 总产量 = 10+20+30 = 60，总销量 = 0+0+30+15+15 = 60。平衡。
• 然后对这个扩大的平衡运输问题用表上作业法求解。解中，x_A1T表示从A1运到T的量，x_TB1表示从T运到B1的量，等等。x_A1A1可能非零，表示A1的产品留在了A1（即未运出），这在允许库存的情况下是合理的。

深度解析：中转问题的转化思想，本质上是将“运输网络”拍平成了一个所有节点两两相连的完全图问题。通过设置合理的产销量和运价（尤其是自己到自己的0运价和不允许通行的M运价），让模型自己去选择是直接运输还是经过中转。这是运输问题模型灵活性的一个绝佳体现。手工计算此类问题非常繁琐，但理解其转化原理至关重要，因为这是用计算机求解复杂物流网络问题的基础建模思想。

6. 软件求解与实战检验：从手工到自动化

虽然掌握手工计算是理解原理的基础，但在实际工作中，面对几十上百个产地销地的问题，我们必然依赖软件。这里以最通用的Excel Solver（规划求解）和Python的pulp库为例，演示如何将上述理论付诸实践。

6.1 使用Excel Solver求解运输问题

Excel Solver是一个内置的强大工具，非常适合中小规模问题的建模和求解。

1. 建立模型区域：

   • 在一个区域（如A1:E4）输入运价表、产量和销量，与我们的手工表一致。
   • 在另一个区域（如G1:J4）建立同样大小的“决策变量表”，存放待求的x_ij，初始可设为0或空白。
   • 在K列计算每个产地的实际发出量：K2 = SUM(G2:J2)，向下填充。这对应供应约束。
   • 在第5行计算每个销地的实际收到量：G5 = SUM(G2:G4)，向右填充。这对应需求约束。
   • 在某个单元格（如L5）计算总成本：=SUMPRODUCT(G2:J4, A2:D4)。这里G2:J4是运量区域，A2:D4是运价区域。

2. 配置Solver参数：

   • 目标单元格：$L$5（总成本）。
   • 选择“最小值”。
   • 可变单元格：$G$2:$J$4（决策变量区域）。
   • 约束条件：
     • $G$2:$J$4 >= 0（非负约束）
     • $K$2:$K$4 = $E$2:$E$4（供应约束：实际发出量 = 产量）
     • $G$5:$J$5 = $G$6:$J$6（需求约束：实际收到量 = 销量）。这里假设第6行存放销量数据。
   • 求解方法：选择“单纯线性规划”。

3. 求解与解读：点击“求解”，Solver会找到最优解并填入G2:J4区域。L5显示最小总成本。

Excel实战技巧：

• 整数解：运输问题本身有整数解性质，但如果你的模型有额外约束破坏了这种性质，可以在Solver约束中添加“$G$2:$J$4 = 整数”。
• 保存模型：对于经常要修改数据重新求解的问题，可以使用Solver的“保存模型”功能，将参数设置保存在一片单元格中，以后通过“加载模型”快速恢复。
• 敏感性报告：求解后生成敏感性报告，可以查看影子价格（对偶价格），即产量或销量每增加一个单位，总成本的变化量，这对于商务决策非常有价值。

6.2 使用Python PuLP库求解

对于更复杂、规模更大或需要集成到自动化流程的问题，编程求解是更优选择。PuLP是Python中一个用户友好的线性规划建模库。

import pulp # 定义问题：最小化总成本 prob = pulp.LpProblem('Transportation_Problem', pulp.LpMinimize) # 定义产地和销地 plants = ['A1', 'A2', 'A3'] markets = ['B1', 'B2', 'B3', 'B4'] # 供应量和需求量 supply = {'A1': 7, 'A2': 4, 'A3': 9} demand = {'B1': 3, 'B2': 6, 'B3': 5, 'B4': 6} # 运价表 (字典的字典) costs = { 'A1': {'B1': 3, 'B2': 11, 'B3': 3, 'B4': 10}, 'A2': {'B1': 1, 'B2': 9, 'B3': 2, 'B4': 8}, 'A3': {'B1': 7, 'B2': 4, 'B3': 10, 'B4': 5} } # 定义决策变量字典 routes = [(i, j) for i in plants for j in markets] vars = pulp.LpVariable.dicts("Route", (plants, markets), lowBound=0, cat='Continuous') # 定义目标函数 prob += pulp.lpSum([vars[i][j] * costs[i][j] for (i, j) in routes]), "Total_Transportation_Cost" # 添加供应约束 for i in plants: prob += pulp.lpSum([vars[i][j] for j in markets]) == supply[i], f"Supply_Constraint_{i}" # 添加需求约束 for j in markets: prob += pulp.lpSum([vars[i][j] for i in plants]) == demand[j], f"Demand_Constraint_{j}" # 求解问题 prob.solve(pulp.PULP_CBC_CMD(msg=False)) # 使用CBC求解器，关闭求解信息 # 打印结果 print(f"Status: {pulp.LpStatus[prob.status]}") print(f"Total Cost = {pulp.value(prob.objective)}\n") print("Optimal Transportation Plan:") for i in plants: for j in markets: if vars[i][j].varValue > 0: print(f"{i} -> {j}: {vars[i][j].varValue} units")

运行这段代码，它会输出与我们在例题1中手工计算一致的最优解和总成本85。

编程求解心得：

1. 灵活性：用代码建模，可以轻松处理不平衡问题（修改supply/demand字典）、最大化问题（将LpMinimize改为LpMaximize，并相应修改costs为利润）、禁止路线（将对应costs[i][j]设为一个很大的数，如1e9）。
2. 扩展性：中转问题虽然建模复杂，但用代码构建扩大的产、销、运价字典，比手工画表更不易出错。
3. 验证工具：当你手工求解一个复杂问题后，可以用这样一段简单的代码快速验证答案的正确性，这是提高学习效率的利器。

从手工推演到软件求解，我们完成了对运输问题从理论认知到实践落地的闭环。手工计算锻炼的是对模型机理的深刻理解，而软件工具则是解决实际规模问题的生产力。两者结合，才能真正掌握这个运筹学中的经典模型。