Python+Gurobi实战：物流取送货路径优化建模全解析

物流配送中的取送货问题（Pick and Delivery Problem, PDP）是供应链优化领域的核心挑战之一。想象一下，你管理着一个城市配送车队，每天需要从不同地点取货并送往多个目的地，同时还要确保车辆不超载、路线最短、成本最低——这就是典型的PDP场景。本文将带你用Python和商业求解器Gurobi，从零构建一个完整的取送货优化模型。

1. 环境准备与数据加载

在开始建模前，我们需要配置好Python环境并理解数据结构。推荐使用Anaconda创建独立环境：

bash复制conda create -n logistics python=3.8
conda activate logistics
pip install gurobipy pandas numpy matplotlib

典型的取送货数据集包含以下关键字段：

数据加载与预处理代码：

python复制import pandas as pd
import numpy as np

def load_data(filepath):
    """加载并预处理取送货数据"""
    df = pd.read_csv(filepath)
    # 计算节点间距离矩阵
    coords = df[['X_COORD', 'Y_COORD']].values
    dist_matrix = np.sqrt(((coords[:, np.newaxis] - coords) ** 2).sum(axis=2))
    return df, dist_matrix

注意：配送中心（仓库）通常标记为节点0，其DEMAND值应为0

2. 模型构建核心要素

2.1 决策变量定义

PDP问题需要三类关键决策变量：

1. 路径变量：二进制变量x[i,j,k]，表示车辆k是否从节点i行驶到j
2. 负载变量：连续变量f[i,j]，表示弧(i,j)上的货物量
3. 辅助变量：用于消除子回路的流变量

Gurobi中的变量定义实现：

python复制from gurobipy import Model, GRB, quic