用Python和PuLP搞定选址问题：从消防站到仓库，一个模型解决多种场景

Python+PuLP实战：用数学建模解决7类真实选址问题

当连锁便利店计划新开20家门店时，如何科学布局才能最大化覆盖目标人群？当物流企业需要新建区域分拨中心时，怎样选择位置才能让运输成本降低15%？这些看似复杂的商业决策，其实都可以通过数学建模找到最优解。本文将带你用Python的PuLP库，从零构建7种不同类型的选址模型，解决实际业务中的空间优化难题。

1. 选址问题背后的商业价值与数学原理

选址问题(Facility Location Problem)是运筹学中最具实用价值的领域之一。根据麦肯锡的研究报告，优秀的选址方案可以帮助零售企业提升30%的客户到店率，让物流企业节省20%以上的运输成本。在公共卫生领域，合理的急救中心布局甚至能缩短40%的紧急响应时间。

这类问题的数学本质是在给定的空间约束条件下，找到使目标函数最优的设施分布方案。常见的优化目标包括：

• 最小化总成本：包括建设成本和运营成本
• 最大化覆盖率：使服务能够覆盖最多需求点
• 平衡服务能力：避免某些设施过载而其他设施闲置

用数学语言描述，一个典型的选址问题包含以下要素：

# 伪代码表示选址问题的基本结构 class FacilityLocationProblem: def __init__(self): self.facilities = [] # 候选设施位置 self.customers = [] # 需求点位置 self.distance_matrix = [] # 距离/成本矩阵 self.demands = [] # 各需求点的需求量 self.capacities = [] # 各设施的服务能力 self.fixed_costs = [] # 设施建设固定成本

在实际应用中，根据不同的业务场景，会衍生出多种变体模型。下面我们就来剖析7种最常见的类型及其Python实现。

2. P-中位问题：连锁零售店的最优布局

2.1 问题场景与数学模型

假设某连锁品牌准备在城市的15个候选位置中选择8处开设新店，要求所有门店到各居民区的平均距离最小。这就是典型的P-中位问题(P-median Problem)。

数学模型可以表示为：

$$ \begin{aligned} &\text{最小化} \sum_{i\in M}\sum_{j\in N} w_i d_{ij} y_{ij} \ &\text{约束条件:} \ &\quad \sum_{j\in N} x_j = P \quad \text{(选择P个设施)} \ &\quad \sum_{j\in N} y_{ij} = 1 \quad \forall i \in M \quad \text{(每个需求点只分配一个设施)} \ &\quad y_{ij} \leq x_j \quad \forall i\in M, j\in N \quad \text{(只有开放的设施才能服务)} \ &\quad x_j, y_{ij} \in {0,1} \end{aligned} $$

其中：

• $x_j$表示是否选择位置j作为设施
• $y_{ij}$表示需求点i是否由设施j服务
• $w_i$是需求点i的权重(如人口数量)
• $d_{ij}$是需求点i到设施j的距离

2.2 Python实现与求解

使用PuLP库实现的完整代码如下：

import pulp import numpy as np def solve_p_median(demands, distance_matrix, p): """ 求解P-中位问题 """ n_facilities = len(distance_matrix[0]) n_customers = len(demands) # 创建问题实例 prob = pulp.LpProblem("P_Median_Problem", pulp.LpMinimize) # 创建决策变量 x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") y = pulp.LpVariable.dicts("y", [(i,j) for i in range(n_customers) for j in range(n_facilities)], cat="Binary") # 设置目标函数 prob += pulp.lpSum([demands[i] * distance_matrix[i][j] * y[(i,j)] for i in range(n_customers) for j in range(n_facilities)]) # 添加约束条件 prob += pulp.lpSum([x[j] for j in range(n_facilities)]) == p for i in range(n_customers): prob += pulp.lpSum([y[(i,j)] for j in range(n_facilities)]) == 1 for i in range(n_customers): for j in range(n_facilities): prob += y[(i,j)] <= x[j] # 求解问题 prob.solve() # 提取结果 selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] assignments = {} for i in range(n_customers): for j in range(n_facilities): if pulp.value(y[(i,j)]) == 1: assignments[i] = j break return selected, assignments, pulp.value(prob.objective)

2.3 实际应用示例

假设我们在一个5×5的网格区域中有25个候选位置，需要选择3个位置建立配送中心，服务周边10个社区：

# 生成模拟数据 np.random.seed(42) locations = np.random.rand(25, 2) * 10 # 25个设施的坐标 customers = np.random.rand(10, 2) * 10 # 10个需求点的坐标 demands = np.random.randint(50, 200, size=10) # 各需求点的需求量 # 计算距离矩阵 distance_matrix = np.zeros((10, 25)) for i in range(10): for j in range(25): distance_matrix[i,j] = np.linalg.norm(customers[i]-locations[j]) # 求解问题 selected, assignments, total_cost = solve_p_median(demands, distance_matrix, p=3) print(f"选中的设施位置索引: {selected}") print(f"各需求点分配方案: {assignments}") print(f"总加权距离: {total_cost:.2f}")

运行结果可能如下：

选中的设施位置索引: [3, 12, 20] 各需求点分配方案: {0: 3, 1: 12, 2: 3, 3: 20, 4: 12, 5: 20, 6: 3, 7: 12, 8: 20, 9: 3} 总加权距离: 342.56

3. P-中心问题：应急设施的公平布局

3.1 问题特点与模型构建

P-中心问题(P-center Problem)追求的是最差情况下的最优解，即最小化所有需求点到其最近设施的最大距离。这在医院、消防站等应急设施布局中尤为重要。

数学模型与P-中位问题类似，但目标函数变为：

$$ \begin{aligned} &\text{最小化} \quad D \ &\text{约束条件:} \ &\quad \sum_{j\in N} w_i d_{ij} y_{ij} \leq D \quad \forall i \in M \ &\quad \text{(其他约束与P-中位问题相同)} \end{aligned} $$

其中D表示所有需求点到最近设施的最大距离。

3.2 Python实现关键点

def solve_p_center(distance_matrix, p): """ 求解P-中心问题 """ n_facilities = len(distance_matrix[0]) n_customers = len(distance_matrix) prob = pulp.LpProblem("P_Center_Problem", pulp.LpMinimize) # 决策变量 x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") y = pulp.LpVariable.dicts("y", [(i,j) for i in range(n_customers) for j in range(n_facilities)], cat="Binary") D = pulp.LpVariable("D", lowBound=0) # 最大距离变量 # 目标函数 prob += D # 约束条件 prob += pulp.lpSum([x[j] for j in range(n_facilities)]) == p for i in range(n_customers): prob += pulp.lpSum([y[(i,j)] for j in range(n_facilities)]) == 1 for i in range(n_customers): for j in range(n_facilities): prob += y[(i,j)] <= x[j] prob += distance_matrix[i][j] * y[(i,j)] <= D prob.solve() selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] assignments = {i: j for i in range(n_customers) for j in range(n_facilities) if pulp.value(y[(i,j)]) == 1} return selected, assignments, pulp.value(D)

3.3 应用案例：城市消防站布局

假设一个城市有8个区域，需要在其中选择若干个位置建立消防站，确保任何区域发生火灾时，消防车都能在10分钟内到达：

# 消防站到各区域的最短到达时间(分钟) response_time = [ [7, 12, 18, 20, 24, 26, 25, 28], # 消防站1到各区域时间 [14, 5, 8, 15, 16, 18, 18, 18], # 消防站2 [19, 9, 4, 14, 10, 22, 16, 13], # 消防站3 [14, 15, 15, 10, 18, 15, 14, 18], # 消防站4 [20, 18, 12, 20, 9, 25, 14, 12], # 消防站5 [18, 21, 20, 16, 20, 6, 10, 15], # 消防站6 [22, 20, 15, 16, 15, 5, 9, 8], # 消防站7 [30, 22, 15, 20, 14, 18, 8, 6] # 消防站8 ] # 转换为覆盖矩阵(1表示能在10分钟内到达) coverage = [[1 if t <= 10 else 0 for t in row] for row in response_time] # 求解集合覆盖问题(最小化消防站数量) selected, _, max_time = solve_p_center(np.array(response_time), p=4) print(f"选择的消防站位置: {selected}") print(f"最长的响应时间: {max_time}分钟")

4. 集合覆盖问题：5G基站部署优化

4.1 模型特点与适用场景

集合覆盖问题(Set Covering Problem)要求在覆盖所有需求点的前提下，使用最少数量的设施。这在通信基站部署、公共设施布局中很常见。

数学模型为：

$$ \begin{aligned} &\text{最小化} \sum_{j\in N} c_j x_j \ &\text{约束条件:} \ &\quad \sum_{j\in N_i} x_j \geq 1 \quad \forall i \in M \ &\quad x_j \in {0,1} \end{aligned} $$

其中$N_i = {j | a_{ij}=1}$是能覆盖需求点i的候选设施集合。

4.2 Python实现与优化技巧

def solve_set_covering(coverage_matrix, costs=None): """ 求解集合覆盖问题 """ n_facilities = len(coverage_matrix) n_customers = len(coverage_matrix[0]) if costs is None: costs = [1] * n_facilities # 默认每个设施成本相同 prob = pulp.LpProblem("Set_Covering_Problem", pulp.LpMinimize) x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") # 目标函数：最小化总成本 prob += pulp.lpSum([costs[j] * x[j] for j in range(n_facilities)]) # 约束条件：每个需求点至少被一个设施覆盖 for i in range(n_customers): prob += pulp.lpSum([x[j] for j in range(n_facilities) if coverage_matrix[j][i] == 1]) >= 1 prob.solve() selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] return selected, pulp.value(prob.objective)

4.3 5G基站部署实战案例

假设某城区需要部署5G基站，现有20个候选站址，需要覆盖50个重点区域：

# 生成随机覆盖矩阵(20基站×50区域) np.random.seed(42) coverage = np.random.randint(0, 2, size=(20, 50)) # 设置部分基站成本不同(如地形因素) costs = [1] * 15 + [2] * 5 # 后5个基站建设成本更高 selected, total_cost = solve_set_covering(coverage, costs) print(f"需要建设{len(selected)}个基站") print(f"选中的基站索引: {selected}") print(f"总建设成本: {total_cost}")

5. 最大覆盖问题：疫苗接种点布局策略

5.1 问题定义与模型构建

最大覆盖问题(Maximal Covering Problem)是在设施数量有限的情况下，最大化被覆盖的需求量。适用于资源受限时的设施布局。

数学模型为：

$$ \begin{aligned} &\text{最大化} \sum_{i\in M} w_i z_i \ &\text{约束条件:} \ &\quad z_i \leq \sum_{j\in N_i} x_j \quad \forall i \in M \ &\quad \sum_{j\in N} x_j = P \ &\quad x_j, z_i \in {0,1} \end{aligned} $$

其中$z_i$表示需求点i是否被覆盖。

5.2 Python实现与结果分析

def solve_maximal_covering(demands, coverage_matrix, p): """ 求解最大覆盖问题 """ n_facilities = len(coverage_matrix) n_customers = len(demands) prob = pulp.LpProblem("Maximal_Covering_Problem", pulp.LpMaximize) x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") z = pulp.LpVariable.dicts("z", range(n_customers), cat="Binary") # 目标函数：最大化覆盖的需求量 prob += pulp.lpSum([demands[i] * z[i] for i in range(n_customers)]) # 约束条件 prob += pulp.lpSum([x[j] for j in range(n_facilities)]) == p for i in range(n_customers): prob += z[i] <= pulp.lpSum([x[j] for j in range(n_facilities) if coverage_matrix[j][i] == 1]) prob.solve() selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] covered = [i for i in range(n_customers) if pulp.value(z[i]) == 1] coverage_rate = sum(demands[i] for i in covered) / sum(demands) return selected, covered, coverage_rate

5.3 疫苗接种点布局实战

假设某地区有30个社区，卫生部门计划设立5个疫苗接种点：

# 社区人口数据(千人) population = np.random.randint(5, 50, size=30) # 生成覆盖矩阵(假设每个接种点能覆盖周边8-12个社区) np.random.seed(42) coverage = np.zeros((30, 30)) for j in range(30): # 随机选择10±2个社区能被该接种点覆盖 covered = np.random.choice(30, np.random.randint(8, 13), replace=False) coverage[j, covered] = 1 selected, covered, rate = solve_maximal_covering(population, coverage, p=5) print(f"选中的接种点位置: {selected}") print(f"覆盖了{len(covered)}个社区") print(f"人口覆盖率: {rate:.1%}")

6. 高级应用：带容量限制的选址问题

6.1 问题扩展与模型增强

现实中的设施通常有服务能力限制。带容量限制的选址问题(Capacitated Facility Location)在基础模型上增加了设施容量约束：

$$ \begin{aligned} &\text{最小化} \sum_{j\in N} f_j x_j + \sum_{i\in M}\sum_{j\in N} c_{ij} y_{ij} \ &\text{约束条件:} \ &\quad \sum_{j\in N} y_{ij} = 1 \quad \forall i \in M \ &\quad \sum_{i\in M} d_i y_{ij} \leq C_j x_j \quad \forall j \in N \ &\quad x_j, y_{ij} \in {0,1} \end{aligned} $$

其中：

• $f_j$是设施j的固定开设成本
• $c_{ij}$是需求点i由设施j服务的成本
• $d_i$是需求点i的需求量
• $C_j$是设施j的容量

6.2 Python实现与大规模问题处理

def solve_capacitated_fl(demands, costs, fixed_costs, capacities): """ 求解带容量限制的选址问题 """ n_facilities = len(fixed_costs) n_customers = len(demands) prob = pulp.LpProblem("Capacitated_FL", pulp.LpMinimize) x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") y = pulp.LpVariable.dicts("y", [(i,j) for i in range(n_customers) for j in range(n_facilities)], cat="Binary") # 目标函数：固定成本+运输成本 prob += (pulp.lpSum([fixed_costs[j] * x[j] for j in range(n_facilities)]) + pulp.lpSum([costs[i][j] * y[(i,j)] for i in range(n_customers) for j in range(n_facilities)])) # 约束条件 for i in range(n_customers): prob += pulp.lpSum([y[(i,j)] for j in range(n_facilities)]) == 1 for j in range(n_facilities): prob += (pulp.lpSum([demands[i] * y[(i,j)] for i in range(n_customers)]) <= capacities[j] * x[j]) prob.solve() selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] assignments = {i: j for i in range(n_customers) for j in range(n_facilities) if pulp.value(y[(i,j)]) == 1} total_cost = pulp.value(prob.objective) return selected, assignments, total_cost

6.3 物流仓库选址实战案例

某电商企业需要在华北地区建立区域仓库：

# 20个城市的需求量(万件/月) demands = np.random.randint(50, 200, size=20) # 10个候选仓库的固定成本(万元)和容量(万件/月) fixed_costs = np.random.randint(500, 1000, size=10) capacities = np.random.randint(1000, 3000, size=10) # 运输成本矩阵(万元/万件) transport_costs = np.random.rand(20, 10) * 0.5 + 0.2 selected, assignments, total_cost = solve_capacitated_fl( demands, transport_costs, fixed_costs, capacities) print(f"选中的仓库位置: {selected}") print(f"总成本(固定+运输): {total_cost:.2f}万元")

7. 动态与随机选址问题进阶

7.1 动态选址问题

动态选址考虑时间因素，设施布局可能随时间变化。解决方法通常是将时间分段，在每个时间段求解静态问题，并考虑切换成本。

7.2 随机选址问题

当需求或成本不确定时，可以使用随机规划。常见方法是场景法(Scenario Approach)，对每种可能场景求解后取期望值。

def solve_stochastic_fl(demands_scenarios, probs, costs, fixed_costs, capacities): """ 求解随机选址问题(场景法) """ n_scenarios = len(demands_scenarios) n_facilities = len(fixed_costs) n_customers = len(demands_scenarios[0]) prob = pulp.LpProblem("Stochastic_FL", pulp.LpMinimize) # 第一阶段决策：设施选址(在所有场景中相同) x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") # 第二阶段决策：每个场景下的分配 y = pulp.LpVariable.dicts("y", [(s,i,j) for s in range(n_scenarios) for i in range(n_customers) for j in range(n_facilities)], cat="Binary") # 目标函数：固定成本 + 期望运输成本 prob += (pulp.lpSum([fixed_costs[j] * x[j] for j in range(n_facilities)]) + pulp.lpSum([probs[s] * costs[i][j] * y[(s,i,j)] for s in range(n_scenarios) for i in range(n_customers) for j in range(n_facilities)])) # 约束条件 for s in range(n_scenarios): for i in range(n_customers): prob += pulp.lpSum([y[(s,i,j)] for j in range(n_facilities)]) == 1 for s in range(n_scenarios): for j in range(n_facilities): prob += (pulp.lpSum([demands_scenarios[s][i] * y[(s,i,j)] for i in range(n_customers)]) <= capacities[j] * x[j]) prob.solve() selected = [j for j in range(n_facilities) if pulp.value(x[j]) == 1] return selected

7.3 实际应用：季节性需求下的零售网络优化

# 三种需求场景(正常、旺季、淡季)及其概率 demands_scenarios = [ np.random.randint(50, 150, size=15), # 正常 np.random.randint(100, 250, size=15), # 旺季 np.random.randint(20, 80, size=15) # 淡季 ] probs = [0.6, 0.3, 0.1] # 其他参数 fixed_costs = [800, 800, 1000, 1000, 1200] capacities = [2000, 2000, 2500, 2500, 3000] transport_costs = np.random.rand(15, 5) * 0.8 + 0.2 selected = solve_stochastic_fl(demands_scenarios, probs, transport_costs, fixed_costs, capacities) print(f"最优仓库选址: {selected}")

8. 性能优化与实战建议

8.1 大规模问题求解技巧

当问题规模较大时(如超过1000个变量)，可以尝试以下优化方法：

1. 启发式算法：如遗传算法、模拟退火等
2. 分解算法：如Benders分解
3. 商业求解器：如Gurobi、CPLEX等
4. 问题简化：聚类减少需求点数量

8.2 数据预处理建议

1. 距离计算优化：

from scipy.spatial.distance import cdist # 高效计算距离矩阵 locations = np.random.rand(100, 2) * 100 # 100个设施的坐标 customers = np.random.rand(500, 2) * 100 # 500个需求点的坐标 distance_matrix = cdist(customers, locations, 'euclidean')

2. 稀疏矩阵处理：

from scipy.sparse import csr_matrix # 将覆盖矩阵转换为稀疏格式 coverage = np.random.randint(0, 2, size=(50, 200)) sparse_coverage = csr_matrix(coverage)

8.3 模型验证与结果解读

1. 敏感性分析：检查关键参数变化对结果的影响
2. 场景测试：在极端情况下验证模型鲁棒性
3. 可视化验证：在地图上绘制选址结果

import matplotlib.pyplot as plt def plot_solution(locations, customers, selected, assignments): """ 可视化选址结果 """ plt.figure(figsize=(10, 8)) # 绘制所有候选位置 plt.scatter(locations[:,0], locations[:,1], c='blue', label='候选位置', alpha=0.5) # 绘制选中的设施 plt.scatter(locations[selected,0], locations[selected,1], c='red', s=100, label='选中设施') # 绘制需求点及其分配 colors = plt.cm.tab10(np.linspace(0, 1, len(selected))) for i, j in assignments.items(): plt.plot([customers[i,0], locations[j,0]], [customers[i,1], locations[j,1]], c=colors[selected.index(j)], alpha=0.3) plt.scatter(customers[:,0], customers[:,1], c='green', marker='^', label='需求点') plt.legend() plt.xlabel('经度') plt.ylabel('纬度') plt.title('选址方案可视化') plt.grid(True) plt.show() # 使用前面的P-中位问题结果进行可视化 plot_solution(locations, customers, selected, assignments)

9. 行业应用全景图

选址模型在各行业的典型应用场景：

10. 常见问题与解决方案

Q1：如何处理非欧几里得距离？

在实际应用中，距离可能不是直线距离，而是：

• 道路网络距离(使用OSMNX库计算)
• 运输时间(考虑交通状况)
• 物流成本(结合多种运输方式)

import osmnx as ox # 获取城市道路网络 G = ox.graph_from_place('北京市, 中国', network_type='drive') # 计算两点间的最短路径距离 orig = (39.9042, 116.4074) # 天安门 dest = (39.9999, 116.3262) # 中关村 orig_node = ox.distance.nearest_nodes(G, orig[1], orig[0]) dest_node = ox.distance.nearest_nodes(G, dest[1], dest[0]) route = ox.shortest_path(G, orig_node, dest_node, weight='length') road_distance = sum(ox.utils_graph.get_route_edge_attributes(G, route, 'length'))/1000 # km

Q2：如何考虑地理限制因素？

可以通过以下方式在模型中融入地理限制：

1. 预处理排除不可行位置
2. 添加约束条件
3. 在目标函数中加入惩罚项

Q3：模型求解时间过长怎么办？

1. 使用启发式算法获得近似解
2. 缩小问题规模(如聚类合并需求点)
3. 尝试不同的求解器参数
4. 考虑分解算法或并行计算

11. 技术选型对比

不同选址问题适用的Python工具对比：

12. 前沿发展方向

1. 机器学习结合：使用预测模型预估未来需求
2. 多目标优化：同时考虑成本、覆盖率、公平性等
3. 鲁棒优化：应对极端情况下的系统稳定性
4. 实时动态调整：基于物联网数据的自适应优化

# 示例：使用机器学习预测需求 from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split # 假设有历史需求数据及相关特征 X = np.random.rand(100, 5) # 特征：人口密度、收入水平等 y = np.random.randint(50, 200, size=100) # 历史需求量 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = RandomForestRegressor() model.fit(X_train, y_train) # 预测新区域的需求 new_area_features = np.random.rand(10, 5) predicted_demands = model.predict(new_area_features)

13. 完整项目实战框架

一个完整的选址分析项目通常包含以下步骤：

1. 需求分析：明确业务目标和约束条件
2. 数据准备：
   • 收集候选位置数据
   • 获取需求点分布
   • 构建成本/距离矩阵
3. 模型构建：选择合适的数学模型
4. 求解实现：编写Python求解代码
5. 结果验证：敏感性分析和场景测试
6. 方案部署：将结果整合到决策系统

典型项目目录结构：

/project_root │── /data │ ├── facilities.csv # 候选设施数据 │ ├── customers.csv # 需求点数据 │ └── distance_matrix.npy # 预计算的距离矩阵 │── /notebooks │ ├── 01_data_prep.ipynb # 数据预处理 │ └── 02_model_solving.ipynb # 模型求解 │── /src │ ├── location_models.py # 核心模型代码 │ └── visualization.py # 结果可视化 └── requirements.txt # 依赖库

14. 关键业务指标对接

将数学模型结果转化为业务决策时，需要关注以下指标：

1. 成本效益分析：

   • 投资回报率(ROI)
   • 盈亏平衡时间

2. 服务质量评估：

   • 平均服务距离/时间
   • 服务覆盖率

3. 风险指标：

   • 最坏情况下的服务表现
   • 需求波动的敏感度

15. 决策支持系统集成

将选址模型集成到企业决策系统的常见方式：

1. REST API服务：

from flask import Flask, request, jsonify import numpy as np app = Flask(__name__) @app.route('/solve_location', methods=['POST']) def solve_location(): data = request.json demands = np.array(data['demands']) distance_matrix = np.array(data['distance_matrix']) p = data['p'] # 调用求解函数 selected, assignments, obj_value = solve_p_median(demands, distance_matrix, p) return jsonify({ 'selected': selected, 'assignments': assignments, 'total_cost': obj_value }) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

2. 可视化仪表盘：使用Dash/Streamlit构建
3. GIS系统集成：与ArcGIS/QGIS对接
4. 商业BI工具插件：如Tableau/Power BI扩展

16. 持续优化与迭代

选址方案需要定期评估和调整：

1. 监控关键指标：实际运营数据与模型预测对比
2. 反馈机制：收集用户满意度等定性数据
3. 模型迭代：根据新数据重新训练和优化
4. A/B测试：在小范围内试验新布局方案

# 示例：方案对比评估 def evaluate_solution(demands, distance_matrix, selected): """ 评估选址方案性能 """ n_customers = len(demands) n_selected = len(selected) # 计算每个需求点到最近设施的距离 min_distances = np.min(distance_matrix[:, selected], axis=1) metrics = { 'total_cost': np.sum(demands * min_distances), 'avg_distance': np.mean(min_distances), 'max_distance': np.max(min_distances), 'p95_distance': np.percentile(min_distances, 95) } return metrics # 比较不同选址方案 metrics1 = evaluate_solution(demands, distance_matrix, [3, 12, 20]) metrics2 = evaluate_solution(demands, distance_matrix, [5, 15, 18]) print("方案1:", metrics1) print("方案2:", metrics2)

17. 伦理与社会责任考量

在应用选址模型时，还需考虑：

1. 公平性：避免服务盲区，特别是弱势群体区域
2. 环境影响：评估设施建设的生态影响
3. 社区影响：考虑对周边社区的综合影响
4. 长期可持续性：适应未来城市发展

可以通过多目标优化平衡这些因素：

def solve_multi_objective(demands, distance_matrix, p, equity_weight=0.3): """ 考虑公平性的多目标选址 """ n_facilities = len(distance_matrix[0]) n_customers = len(demands) prob = pulp.LpProblem("Multi_Objective_Location", pulp.LpMinimize) x = pulp.LpVariable.dicts("x", range(n_facilities), cat="Binary") y = pulp.LpVariable.dicts("y", [(i,j) for i in range(n_customers) for j in range(n_facilities