Python 蟒蛇浆“；“覆盖以前设置的目标”；多次解决优化问题时发出警告

我正在研究一个问题，需要我多次解决相同的优化问题，尽管每次都使用不同的变量集。我使用for循环来迭代优化过程，出于某种原因，它只在第一次工作（生成正确的结果；我手动检查）。然而，每次在第一次之后，优化都会提供一个次优问题。我得到以下语句：warnings.warn（“覆盖以前设置的目标”）

通过检查，计算出的解是不正确的（我试图最小化对象对之间的距离，这显然是错误的）。此外，目标函数是0，这没有意义，因为我将目标定义为成对距离的总和，因此目标函数的值应始终大于0。代码很长，但可能会显示我做错了什么。这就是我要重复的内容：

model = pulp.LpProblem('R_lessthan_V_' + str(t), LpMinimize)        

    #Set variables to optimize
    x = pulp.LpVariable.dicts('single_ride_' + str(t), ((i.num, j.num) for i in R_prime for j in V_prime), cat = 'Binary')
    x_prime = pulp.LpVariable.dicts('shared_ride_' + str(t), ((i.num, j.num) for i in R_prime for j in V_prime), cat = 'Binary')

    #Set objective function
    model += (pulp.lpSum([pulp.lpSum([[x[(i.num, j.num)] * (d[i.num][j.num] + phi * p[j.num])]
    + [x_prime[(i.num, j.num)] * rideshare_pen[i.num][j.num][0]]
    + [delta * q[j.num] * (x[(i.num, j.num)] + x_prime[(i.num, j.num)]) * (1 - y[i.num][j.num])]
    for i in R_prime]) for j in V_prime])), 'wait_cost_' + str(t)

    #Set constraints
    for j in V_prime:
        label = 'rideshare_pass_constraint_time%d_v%d' % (t, j.num)
        condition = p[j.num] >= pulp.lpSum([[x_prime[(i.num, j.num)]] for i in R_prime]) #passenger 1 before 2 ride-share
        model += condition, label

        label_single = 'one_max_single_time%d_v%d' % (t, j.num)
        label_shared = 'one_max_shared_time%d_v%d' % (t, j.num)
        condition_single = pulp.lpSum([[x[(i.num, j.num)]] for i in R_prime]) <= 1 #cap the number of single rides for each vehicle
        condition_shared = pulp.lpSum([[x_prime[(i.num, j.num)]] for i in R_prime]) <= 1 #cap the number of ride shares for each vehicle
        model += condition_single, label_single
        model += condition_shared, label_shared

    for i in R_prime:
        label = 'all_assigned_time%d_p%d' % (t, i.num)
        condition = pulp.lpSum([[x[(i.num, j.num)]] + [x_prime[(i.num, j.num)]] for j in V_prime]) == 1 #every passenger is assigned
        model += condition, label

    for i in R_prime:
        for j in V_prime:
            label_single = 'nonneg_single_time%d_p%d_i%d' % (t, i.num, j.num)
            label_shared = 'nonneg_shared_time%d_p%d_i%d' % (t, i.num, j.num)
            condition_single = x[(i.num, j.num)] >= 0 #nonnegative single rides
            condition_shared = x_prime[(i.num, j.num)] >= 0 #nonnegative ride shares
            model += condition_single, label_single
            model += condition_shared, label_shared

    for i in R_A:
        label = 'stay_assigned_time%d_p%d' % (t, i.num)
        condition = pulp.lpSum([x[(i.num, j.num)]] + [x_prime[(i.num, j.num)]]) #prevents assigned -> unassigned
        model += condition, label

        for j in V_P:
            label_single = 'reassign_single_time%d_p%d_i%d' % (t, i.num, j.num)
            label_shared = 'reassign_shared_time%d_p%d_i%d' % (t, i.num, j.num)
            condition_single = b[i.num] * (y[i.num][j.num] - x[(i.num,j.num)]) <= 0  #prevents more than 1 reassignment
            condition_shared = b[i.num] * (y[i.num][j.num] - x_prime[(i.num,j.num)]) <= 0  #prevents more than 1 reassignment
            model += condition_single, label_single
            model += condition_shared, label_shared

model=plup.LpProblem（'R_lessthan_V_'+str（t），lpminimized）
#设置要优化的变量
x=pulp.LpVariable.dicts（'single_ride_u'+str（t），（（i.num，j.num）表示R_素数中的i表示V_素数中的j表示j），cat='Binary'）
x_prime=pulp.LpVariable.dicts（'shared_ride_'+str（t），（（i.num，j.num）表示R_prime中的i表示V_prime中的j表示j），cat='Binary'）
#设定目标函数
模型+=（palp.lpSum（[palp.lpSum[x[（i.num，j.num）]*（d[i.num][j.num]+phi*p[j.num]）]
+[x_prime[（i.num，j.num）]*i.num][j.num][0]]
+[delta*q[j.num]*（x[（i.num，j.num）]+x_素数[（i.num，j.num）]）*（1-y[i.num][j.num]）]
对于R_素数中的i）对于V_素数中的j），等待成本+str（t）
#设置约束条件
对于V_素数中的j：
label='rideshare\u pass\u constraint\u time%d\u v%d'（t，j.num）
条件=p[j.num]>=palp.lpSum（[[x_prime[（i.num，j.num）]]表示i在R_prime中]）#乘客1在2次乘车共享之前
模型+=条件、标签
label_single='one_max_single_time%d_v%d'（t，j.num）
label_shared='one_max_shared_time%d_v%d'（t，j.num）
条件_single=pill.lpSum（[[x[（i.num，j.num）]，对于R_素数中的i]）=0#非负乘骑份额
模型+=条件单，标签单
模型+=条件共享，标签共享
对于我在R_A：
label='stay\u assigned\u time%d\u p%d'（t，i.num）
条件=palp.lpSum（[x[（i.num，j.num）]]+[x_prime[（i.num，j.num）]）#防止分配->未分配
模型+=条件、标签
对于V_P中的j：
label_single='reassign_single_time%d_p%d_i%d'（t，i.num，j.num）
label_shared='reassign_shared_time%d_p%d_i%d'（t，i.num，j.num）
条件_single=b[i.num]*（y[i.num][j.num]-x[（i.num，j.num）]）迭代在哪里？我只看到一个模型，但它并没有在该代码中解决

也

更地道
嗨，谢谢你的回复；本质上，此代码是函数的一部分（被多次调用）。不久之后我调用了model.solve（），但我没有包括这些部分，因为我认为它与模型本身的定义没有那么大关系，但如果我包括所有内容，会有帮助吗？我将改变习惯用语。
model += pulp.lpSum(x[(i.num, j.num)] * (d[i.num][j.num] + phi * p[j.num])
+ x_prime[(i.num, j.num)] * rideshare_pen[i.num][j.num][0]
+ delta * q[j.num] * (x[(i.num, j.num)] + x_prime[(i.num, j.num)]) * (1 - y[i.num][j.num])
for i in R_prime for j in V_prime), 'wait_cost_' + str(t)