Python 纸浆（线性规划）公司如何选择最佳解决方案？

我在Python中使用纸浆，并使用LpMaximize最大化决策变量。假设我有几个组合，每个组合都有特定的点。本例中的决策变量是“点”，因为点是我试图最大化的。我本练习的目标是找到具有最高点的组合。我的代码：

prob = LpProblem("Allocation",LpMaximize)

alloc_vars = LpVariable.dicts("Allocation",combinations,0,1,LpBinary)

prob += lpSum(binary.loc[i]["points"]*alloc_vars[i] for i in combinations)

for j in vendors:
prob += lpSum([alloc_vars[i]*binary.loc[i][j] for i in combinations]) == 1

#"binary" is a matrix file/dataframe that's commonly used in PuLP solver

prob.solve()
print("Status: ", LpStatus[prob.status])

var_output = []
for i in alloc_vars:
for j in vendors:
    var_output += [{
        'Vendor': j,
        'Combination': i,
        'Allocation': alloc_vars[i].varValue*binary.loc[i][j],
    }]

[i for i in var_output if i['Allocation']==1]

value(prob.objective)

selected_combinations = set([i['Combination'] for i in var_output if i['Allocation']==1])

示例输入：（这是jut虚拟数据）

---

作为输出，我得到具有最大点数的组合。我不确定这些组合到底是如何选择的。作为一个例子，我有一个输入数据框，其中所有的组合都有0个点，但在运行纸浆解算器后仍然得到一些组合。因此，这让我想知道，纸浆如何找到哪种组合可以得到最大分数？

“如何”可能不是最好的问题。更好的问题是“为什么它选择给定的解决方案”。这完全取决于你提供给它的模型。即目标和约束。如果你的问题是“纸浆如何找到最佳解决方案”，那么就我所知，答案是单纯形算法的实现，带有某种形式的分支和二进制变量的边界。如果你的问题是，一个特定的解决方案是如何从许多相同的最优解决方案中选择的（在最优解决方案是非唯一的问题中），那么我认为它是随机的。它可能是“可重复的”，但没有必要重复。如果你关心这些同样最优的解决方案，你应该修改你的目标函数。

| Combination | Vendor 1 | Vendor 2 | Vendor 3 | Vendor 4 | Points |  A  |  B  |  C  |  D | 
|   Comb1     |     A    |          |          |          |   73   |  1  |  0  |  0  |  0 |
|   Comb2     |     B    |          |          |          |   54   |  0  |  1  |  0  |  0 |  
|   Comb3     |     C    |          |          |          |   47   |  0  |  0  |  1  |  0 |
|   Comb4     |     D    |          |          |          |   89   |  0  |  0  |  0  |  1 |
|   Comb5     |     A    |     B    |          |          |   73   |  1  |  1  |  0  |  0 |
|   Comb6     |     B    |     A    |          |          |   -43  |  1  |  1  |  0  |  0 |
|   Comb7     |     D    |     C    |   A      |          |   111  |  1  |  0  |  1  |  1 |
...
...
...