详细内容或原文请订阅后点击阅览
边缘决策：大规模政策匹配
使用 PuLP 进行政策到机构优化边缘决策：大规模政策匹配一文首先出现在走向数据科学上。
来源:走向数据科学本文是与 César Ortega 合作撰写的，他的见解和讨论帮助塑造了本文中提出的想法。
正确的数据产品首先要与业务合作伙伴坐下来了解日常工作流程、交接和瓶颈。在本文中，我们讨论一个不需要复杂解决方案，只需要一个简单的优化问题的挑战。这是一个很好的例子，说明基本工具仍然可以解决高价值问题。具体来说，我们专注于优化将在线保单分配给全球保险公司的值得信赖的合作伙伴（独立保险机构：iia）。
独立保险机构是私营中介机构，销售多家保险公司的保单。与大型保险公司不同，他们不设计产品、设定价格、承保风险或支付索赔；相反，他们会比较不同运营商的选择，并选择最适合客户需求的覆盖范围，通常会因此赚取佣金。在这里，我们的想法是共同努力，为代理机构和客户提供最佳价值。
降低复杂性
现实世界中的优化是一个频谱。一方面是可以证明最优性的精确方法，但它们通常在规模上计算量很大，并且随着问题规模和操作细节的增长而变得困难。另一端是启发式方法，范围从简单的基于规则的基线（易于解释，但随着复杂性的增加而难以维护（通常存在于大型 Excel 表格中）），到更高级的元启发式方法（可在计算上很好地扩展，但可能更难以证明、审计或调试）。
在实践中，最有效的方法通常位于中间：务实的“足够好”公式，通过精心选择的约束来构建，这些约束反映了业务规则和实际操作限制（如人员工作量和服务质量）。
基线
我们要解决什么问题？
良好的老式优化
系统有两种运行模式：
目标函数：