Python 如何基于纸浆中的先前解决方案施加约束？

所以我有一个混合整数程序，其中我的指标x在0或1中 取决于是否使用该项目。我想根据以下代码中的约束条件，使包中物品的价格最大化

我的问题是，我想重复这个过程有限次，每次都使用解决方案为下一次/下一轮施加进一步的约束

价格每一次/每一轮都会波动，因此需要包装不同的物品。但是，每次运行解算器时，我只允许一次自由更改。对于上一个解决方案集的每一个额外更改，每个项目将受到-100的处罚。玩具示例：如果最后一个解决方案是[0,0,1,1,0,0,0,0,0]，新的解决方案是[1,1,0,0,0,0,0,0,0]，那么在-100的目标中会受到惩罚，因为它们与上一轮相比有两个变化。如果它更改为[0,1,0,1,0,0,0,0,0]，则该选项将被取消启用

我如何在目标中施加该惩罚并施加1自由变更约束

初步计划如下：

items = [i for i in range(len(df))]
price = df['price'].to_dict()
volume = df['volume'].to_dict() 
weight = df['weight'].to_dict()


prob = LpProblem('mip',LpMaximize)
x = LpVariable.dicts("items", items, 0, 1, LpBinary)

#objective
prob += lpSum([(price[i]*x[i]) for i in items])

#constraints
prob += lpSum([x[i] for i in items]) = 10
prob += lpSum([weight[i] * x[i] for i in items]) <= 1000
prob += lpSum([volume[i] * x[i] for i in items]) <= 5000

prob.solve()

#to get the solution in a list for reuse
current_solution = [x[i].varValue for i in items]

items=[i代表范围内的i（len（df））]
价格=df['price'].to_dict（）
音量=df['volume'].到dict（）
重量=df[“重量”]。_dict（）
prob=LpProblem（'mip'，LpMaximize）
x=LpVariable.dicts（“items”，items，0，1，LpBinary）
#客观的
prob+=lpSum（[（项目中i的价格[i]*x[i]））
#约束条件
prob+=lpSum（[x[i]表示项目中的i]）=10
prob+=lpSum（[weight[i]*x[i]表示项目中的i]）不太容易

我想尝试一下：

（1） 引入一个二进制变量
d[i]∈ {0,1}
和约束条件：

 -d[i] <= x[i] - x0[i] <= d[i]

（3） 添加一个正变量
n1>=0
和约束

  n1 >= n - 1 

（4） 在目标中添加一个术语

 -100*n1

（我们想要最小化
100*n1
，所以我添加了减号，因为您的obj正在最大化）。
（1）为什么需要d[I]的系数为2或-2？x[i]-x0[i]只能是1-1或0。（1-0）即新选择，（0-1）即删除，（0-0）即未再次选择或（1-1）再次拾取。（2） 我不确定n的用途是什么？i和d的总和给了我们什么？谢谢你的表演（2）？不太确定我是否遵循逻辑……（2）n计算差异的数量。对不起，我对纸浆非常陌生，这一切都很混乱。那么你的意思是sum（i，d[i]）基本上是lpSum（项目中i的[d[i]）吗？n和n1是由以下LpVariable.dicts（“name”，items，0）添加的，还是它们本质上是作为常量变量添加的？这是伪代码（数学）表示法。翻译成纸浆是微不足道的。
 -100*n1