Python 3.x 纸浆目标函数中ABS（）的数学运算

我正试图在纸浆中构建一个LP问题，由于我是python新手，我想知道如何使用绝对值操作编写目标函数

到目前为止，我一直在使用AMPL来表示问题，现在我想将整个模型转换为Python。有人能帮我理解如何编码吗

SUM(ABS(x)) in objective function of PulP
x is the decision variable which is output of the model and objective function of the model is SUM(ABS(x))

---

欢迎来到SO！到目前为止你试过什么？你能分享你的代码吗？你想让它做什么？它目前以什么方式不工作。有关编写好的问题（可能得到好的答案）的更多建议，请参阅

minsum（abs（x））

is easy。可以应用标准公式（参见任何关于线性规划的书）

max sum（abs（x））

更难：它需要二进制变量。Hi@kabdulla:我不能共享代码，因为它包含我的雇主专有信息。然而，我正在构建一个模型，根据所看到的不足优化生产计划。因此，如果某一产品出现短缺，那么库存水平将为-ve，而对于某些产品，库存水平将为正值。为了优化库存水平，我需要目标函数作为最小和（abs（x））。我以前使用过AMPL，它工作得很好，但是我没有得到任何好的资源来理解palphi@ErwinKalvelagen的语法：谢谢你提供的信息。我得到了它。我用下面的链接来解决这个问题。谢谢！我做了同样的事情，得到了预期的结果。谢谢你的帮助，太好了。为便于将来参考，上述内容将是a的一个示例。-在一个工作表单中，允许其他人非常容易地向您显示缺失步骤的最少代码量。

from pulp import *

N = 3
x_vars = LpVariable.dicts("x",range(N))
x_vars_abs = LpVariable.dicts("x_abs",range(N))
prob = LpProblem("min_sum_abs", LpMinimize)

# OBJECTIVE
prob += lpSum(x_vars_abs)

# ABS CONSTRAINTS
for i in range(N):
    prob += x_vars_abs[i] >= x_vars[i]
    prob += x_vars_abs[i] >= -x_vars[i]

# OTHER MODEL CONSTRAINTS
prob += lpSum(x_vars) >= 2.0
prob += x_vars[0] >= x_vars[1] + 1.0
prob += x_vars[1] <= x_vars[2] - 2.0

prob.solve()

print ("Status: " + str(LpStatus[prob.status]))
print ("Objective: " + str(value(prob.objective)))

for v in prob.variables():
    print (v.name + " = " + str(v.varValue))

Status: Optimal
Objective: 2.6666667
x_0 = 0.66666667
x_1 = -0.33333333
x_2 = 1.6666667
x_abs_0 = 0.66666667
x_abs_1 = 0.33333333
x_abs_2 = 1.6666667