任务：拉里·爱迪生是巴克利学院计算机中心的主任。他现在需要安排中心的人员配备。从早上8点到午夜开放。Larry在一天中的不同时间监控了中心的使用情况，并确定需要以下数量的计算机顾问：轮班时间最少顾问人数A上午8点-中午4点B中午4点-下午4点8点C下午4点-下午8点10点D下午8点-午夜6点
可以雇用两种类型的计算机顾问：全职和兼职。专职顾问在下列任一班次连续工作8小时：上午（8 AM - 4 PM）、下午（中午- 8 PM）和晚上（4 PM -午夜）。全职顾问的工资为每小时40欧元。可以雇用兼职顾问从事上表所列四个班次中的任何一个。兼职顾问的工资为每小时30欧元。另一项要求是，在每段时间内，必须至少有两名全职咨询人与一名兼职咨询人值班。
Larry想确定每班应该有多少全职和兼职工人工作，以尽可能低的成本满足上述要求。用索引变量建立线性规划模型，并使用Pyomo求解。确保解决方案只能采用整数值，因为不可能只在轮班的一部分雇用工人。
写一个函数：
命名为model_larry_edison，没有参数返回pyomo模型模型应该有：一个目标，名为工资，最小化必须支付的工资金额。两个变量：full_time有三个指数，每个全时轮班一个指数，表明该轮班有多少全时工人值班。part-time有四个指数，每个非全时轮班一个指数，表明该轮班有多少非全时工人值班。八个约束四（A_total，B_total，C_total，D_total），确保满足每个4小时轮班所需的顾问人数。四个（A_ratio、B_ratio、C_ratio、D_ratio），确保在每4小时轮班中，全职顾问的数量至少是兼职顾问数量的两倍。

def model_larry_edison():

  salary_df_ft = pd.DataFrame()
  salary_df_ft.at["FT1", "Salary"] = 40
  salary_df_ft.at["FT2", "Salary"] = 40
  salary_df_ft.at["FT3", "Salary"] = 40

  salary_df_pt = pd.DataFrame()
  salary_df_pt.at["PT1", "Salary"] = 30
  salary_df_pt.at["PT2", "Salary"] = 30
  salary_df_pt.at["PT3", "Salary"] = 30
  salary_df_pt.at["PT4", "Salary"] = 30

  salary_ft = salary_df_ft.astype(int)
  salary_pt = salary_df_pt.astype(int)

  model = pyo.ConcreteModel('ProductionPlan')

  model.salary_ft = pyo.Set(initialize = salary_ft.index)
  model.salary_pt = pyo.Set(initialize = salary_pt.index)

  model.full_time = pyo.Var(model.salary_ft, bounds=(0,None))
  model.part_time = pyo.Var(model.salary_pt, bounds=(0,None))

  model.wage = pyo.Objective(expr = 320*(model.full_time["FT1"]+model.full_time["FT2"]+model.full_time["FT3"]) + 120*(model.part_time["PT1"]+model.part_time["PT2"]+model.part_time["PT3"]+model.part_time["PT4"]), sense=pyo.minimize)

  model.A_total = pyo.Constraint(expr = (model.full_time["FT1"] + model.part_time["PT1"]) >= 4)
  model.B_total = pyo.Constraint(expr = (model.full_time["FT1"] + model.full_time["FT2"] + model.part_time["PT2"]) >= 8)
  model.C_total = pyo.Constraint(expr = (model.full_time["FT2"] + model.full_time["FT3"] + model.part_time["PT3"]) >= 10)
  model.D_total = pyo.Constraint(expr = (model.full_time["FT3"] + model.part_time["PT4"]) >= 6)
  model.A_ratio = pyo.Constraint(expr = model.full_time["FT1"] >= 2*model.part_time["PT1"])
  model.B_ratio = pyo.Constraint(expr = (model.full_time["FT1"] + model.full_time["FT2"]) >= 2*model.part_time["PT2"])
  model.C_ratio = pyo.Constraint(expr = (model.full_time["FT2"] + model.full_time["FT3"]) >= 2*model.part_time["PT3"])
  model.D_ratio = pyo.Constraint(expr = model.full_time["FT3"] >= 2*model.part_time["PT4"])

  return model
model = model_larry_edison()
results = pyo.SolverFactory('cbc').solve(model)
print(model.wage())

预期结果是4160，但我得到4106.666666