2. 资源分配中的核心概念与建模基础

资源分配问题的本质，是在有限资源条件下决定“把什么给谁、给多少”，从而尽可能好地达成某个目标。要把这类现实问题交给数学方法处理，第一步不是急着套公式，而是把业务语言翻译成一套精确的建模语言。本节围绕六个核心概念——资源、容量、需求、约束、目标函数、决策变量——说明它们各自的含义与相互关系，并给出线性规划与整数规划的基本形式，最后通过一个完整示例演示从实际场景到数学模型的转化过程。

六个核心概念及其关系

资源是分配活动中被消耗或被占用的对象，例如机器工时、带宽、预算、人力、库存。资源通常带有可度量的单位，如“小时”“Mbps”“万元”“人天”。容量描述某一资源在给定周期内可提供的上限，它是资源的属性而非资源本身：一台设备是资源，它每周可运行 40 小时则是容量。容量可以是硬上限（物理不可超越），也可以是软上限（可通过加班、租赁突破，但需付出额外成本）。

需求是任务、客户或业务单元对资源提出的数量要求，例如某订单需要 3 小时加工、某区域需要 200 Mbps 带宽。需求可以是必须全部满足的刚性需求，也可以是“满足越多越好”的弹性需求，后者往往通过收益系数进入目标函数。决策变量是模型中真正由我们决定的量，它回答“分配多少”这一问题，通常记为 x_ij，表示把资源 i 分配给对象 j 的数量。决策变量的取值域（连续、整数、0-1）直接决定了模型的类型与求解难度。

约束是把决策变量限制在可行范围内的等式或不等式，最典型的是容量约束：所有对象消耗某资源的总量不超过其容量。目标函数则是用来比较不同分配方案优劣的标量指标，如总利润最大、总成本最小、总延误最小。约束定义“能做什么”，目标函数定义“什么是好”，二者共同构成优化模型的两大支柱。

线性规划与整数规划的基本形式

当目标函数和所有约束都是决策变量的线性表达式时，模型称为线性规划（LP）。其标准形式可写为：

max  z = c₁x₁ + c₂x₂ + … + cₙxₙ
s.t. a₁₁x₁ + a₁₂x₂ + … + a₁ₙxₙ ≤ b₁
     a₂₁x₁ + a₂₂x₂ + … + a₂ₙxₙ ≤ b₂
     …
     x₁, x₂, …, xₙ ≥ 0

其中 c 是单位收益或成本系数，a 是单位消耗系数，b 是资源容量。线性规划的重要性质是：可行域是凸多面体，若最优解存在，必可在某个顶点取得，这正是单纯形法能够高效求解的依据。线性规划可在多项式时间内求解，规模上万变量仍可处理。

然而现实分配中常有“不可拆分”的要求：一台设备不能分配 0.6 台，一个项目要么上要么不上。此时需引入整数约束，得到整数规划（IP）；若变量只能取 0 或 1，则为 0-1 规划。整数规划失去了凸性，可行解是离散点集，求解难度显著上升，一般属于 NP-hard 问题。实践中常用分支定界、割平面等算法，或借助求解器处理。建模时应尽量收紧约束、给出合理上界，以缩小搜索空间。

从实际场景到数学模型的转化

下面以一个生产排产场景为例，完整走一遍建模过程。某车间有两类设备：车床每周可用 80 小时，铣床每周可用 60 小时。生产甲、乙两种产品，单件消耗与利润如下（示例数据，用于演示建模方法）：

第一步，定义决策变量。设 x₁ 为甲产品周产量，x₂ 为乙产品周产量，单位均为件。这里产量可连续取值（若产品可分割计量），先按 LP 处理。

第二步，写出容量约束。车床总消耗 2x₁ + x₂ 不超过 80；铣床总消耗 x₁ + 3x₂ 不超过 60。同时产量非负：x₁, x₂ ≥ 0。

第三步，写出目标函数。总利润 z = 40x₁ + 50x₂，要求最大化。

第四步，求解与解读。联立两条容量约束取等号：2x₁ + x₂ = 80，x₁ + 3x₂ = 60。由第一式得 x₂ = 80 − 2x₁，代入第二式得 x₁ + 240 − 6x₁ = 60，即 −5x₁ = −180，x₁ = 36，x₂ = 8。此时 z = 40×36 + 50×8 = 1440 + 400 = 1840 元。检验：车床 2×36 + 8 = 80，恰好用满；铣床 36 + 3×8 = 60，也恰好用满。两资源同时成为瓶颈，说明该解位于可行域顶点，是 LP 最优解。

第五步，考虑整数与业务修正。若产品必须整件生产，则需加整数约束，x₁、x₂ ∈ ℤ。此时 (36, 8) 本身已是整数，最优性不变；但若参数变化导致顶点解为小数，例如得到 (35.5, 9)，就需在邻近整数点中比较，取满足约束且利润最大者。此外还应检查是否存在隐含约束，如市场需求上限、最小交货量、设备切换时间等，这些都应转化为额外的不等式加入模型。

建模检查要点

一个可用的资源分配模型，通常满足以下条件：决策变量能明确回答“分配多少”；每个约束都能追溯到具体资源容量或业务规则；目标函数的系数有明确的经济或业务含义；变量取值域与实际问题一致（连续、整数或 0-1）；模型规模在可求解范围内。若模型求解结果与直觉严重不符，优先检查约束是否遗漏、系数单位是否统一、目标方向是否写反，而不是急于调整算法。掌握这套从概念到模型的转化路径，后续的求解方法与灵敏度分析才有稳固的落脚点。