Python 使用纸浆优化的递归错误

我试图慢慢地放大一个优化问题，在这个阶段，我试图将用户输入的值引入一个比较约束。但是，正在抛出递归错误。我不确定我是否理解发生递归错误的原因以及如何修复它（请参阅约束部分的第一行）。当我硬编码一个值时，它会工作，但当我使用用户输入时，它会抛出一个错误

作为奖励，如果有人知道如何循环约束，我将非常感激。这件事我已经忙了一段时间了。最终，这将有10名员工和多达55个不同的部分，所以我认为在添加约束时循环将更容易。我在网上查过了，但还没有找到任何帮助

# Initial User Input
total_parts = int(input("Enter number of different parts: "))
partno = []
quantity = []
for i in range(total_parts):
    pn = input("Enter Part Number : ").strip()
    qty = input("Enter Qty of Part Number : ")
    partno.append(pn)
    quantity.append(qty)

# Pulp Model
model = pulp.LpProblem("Part production", pulp.LpMinimize)

# Construct decision variable lists
part_numbers = partno
employees = ['Employee A', 'Employee B', 'Employee C']

qty_produced = pulp.LpVariable.dicts("production",
                                     ((i, j) for i in part_numbers for j in employees),
                                     lowBound=0,
                                     cat='Continuous')
# Objective Function
model += ((
    (pulp.lpSum(
        ((10 * qty_produced[part_numbers[0], employees[0]])/.5)
        +((10 * qty_produced[part_numbers[0], employees[1]])/.85)
       + ((10 * qty_produced[part_numbers[0], employees[2]])/.65)
        +((30 * qty_produced[part_numbers[1], employees[0]])/.85)
       + ((30 * qty_produced[part_numbers[1], employees[1]])/.75)
        +((30 * qty_produced[part_numbers[1], employees[2]])/.95)
))/6))

# Constraints
model += pulp.lpSum([qty_produced[part_numbers[0], j] for j in employees]) >= quantity[0]
model += pulp.lpSum([qty_produced[part_numbers[1], j] for j in employees]) >= 10
model += ((10 * qty_produced[part_numbers[0], employees[0]])/.5) + ((30 * qty_produced[part_numbers[1], employees[0]])/.85) <= 530
model += ((10 * qty_produced[part_numbers[0], employees[1]])/.5) + ((30 * qty_produced[part_numbers[1], employees[1]])/.85) <= 530
model += ((10 * qty_produced[part_numbers[0], employees[2]])/.5) + ((30 * qty_produced[part_numbers[1], employees[2]])/.85) <= 530

# Solve problem
model.solve()
pulp.LpStatus[model.status]

for var in qty_produced:
    var_value = qty_produced[var].varValue
    print("The quantity of {1} produced by {0} is {2}".format(var[1], var[0], var_value))

avg_time = pulp.value(model.objective)

#初始用户输入
总计零件=整数（输入（“输入不同零件的数量：”）
零件号=[]
数量=[]
对于范围内的i（总零件）：
pn=输入（“输入零件号：”）.strip（）
数量=输入（“输入零件号的数量：”）
零件号附加（pn）
数量。追加（数量）
#纸浆模型
模型=纸浆.LpProblem（“零件生产”，纸浆.LpProblem）
#构造决策变量表
零件号=零件号
雇员=[“雇员A”、“雇员B”、“雇员C”]
生产数量=纸浆.LpVariable.dicts（“生产”，
（（i，j）表示第i部分中的i，j表示员工中的j），
下限=0，
cat（连续）
#目标函数
型号+=((
（p.lpSum）(
（（10*生产数量[零件号[0]，员工[0]]）/.5）
+（10*生产数量[零件号[0]，员工[1]]）/.85）
+（（10*生产数量[零件号[0]，员工[2]]）/.65）
+（30*生产数量[零件号[1]，员工[0]]）/.85）
+（（30*生产数量[零件号[1]，员工[1]]）/.75）
+（30*生产数量[零件号[1]，员工[2]]）/.95）
))/6))
#约束条件
型号+=纸浆.lpSum（[生产数量[零件编号[0]，j]用于员工中的j]）>=数量[0]
型号+=纸浆lpSum（[生产数量[零件编号[1]，j]用于员工中的j]）>=10
模型+=（（10*生产数量[零件编号[0]，员工[0]]）/.5）+（（30*生产数量[零件编号[1]，员工[0]]）/.85）您在这里的思路是正确的，但有几个问题。我不确定你会在这里弹出一个递归错误。您必须发布完整的代码和错误消息w/行参考以获取帮助

根据你的意见。。。我看不出您在哪里将数量转换为整数？回想一下，所有键盘输入都作为字符串输入，因此需要进行转换。不过，在调试时，最好在开始时制作一些字典来保存数据，这样就不会重复输入数据。以后，如果需要，您可以通过键盘输入动态构建相同的词典/列表。还包括其他模型参数，如obj函数中使用的系数和数量限制。这将允许您清理约束。这里有一个想法来展示我的想法

import pulp

## Data

employees = {'bob', 'cindy', 'tom'}
parts = {'A19', 'X22'}
max_quantities = {  'A19': 200,
                    'X22': 150}

## Model
prob = pulp.LpProblem('sample', pulp.LpMinimize)

X = pulp.LpVariable.dicts("produce", [(e, p) for e in employees for p in parts],
                            lowBound=0, cat="Integer")

# max_production
for p in parts:
    prob += pulp.lpSum(X[e, p] for e in employees) <= max_quantities[p]

print(prob)

进口纸浆
##资料
员工={'bob'，'cindy'，'tom'}
部分={'A19'，'X22'}
最大数量={A19'：200，
'X22'：150}
##模型
prob=纸浆.LpProblem（'sample'，纸浆.LpProblem）
X=纸浆.LpVariable.dicts（“生产”，[（e，p）代表员工中的e代表零件中的p]，
下限=0，cat=“整数”）
#最大产量
对于零件中的p：
prob+=矿浆lpSum（员工中e的X[e，p]