cvxpy 不直接支持 `!=` 约束，但可通过引入小正数 ε 构造绝对值不等式 `|x − c| ≥ ε` 来等价建模，从而将“不等于”转化为标准凸约束（需注意该技巧仅适用于离散化或容差可接受的场景）。
在 CVXPY 中，所有约束必须满足凸性与可解析性要求，因此原生仅支持 ==（仿射等式）、=（凸/凹不等式）三类基本约束。!= 本质上是非凸、非闭合的集合约束（即开集并集：(-∞, c) ∪ (c, +∞)），CVXPY 无法直接处理。但实践中，我们常可借助数值容差将其近似为一个可行的凸替代形式。
✅ 推荐做法：用绝对值下界模拟“不等于”
对任意变量 x 与目标值 c = 3/M，添加约束：
eps = 1e-4 # 建议从 1e-4 开始，根据问题尺度（如 M 大小）调整 constraints.append(cp.abs(z[p][i, j] - 3/M) >= eps)
其中 i = offices.index(office), j = offices.index(linked_office)。该约束强制 z[p][i, j] 落在区间 [0, 3/M − ε] ∪ [3/M + ε, 1] 内，从而避开 3/M 的邻域，逼近你所需的 z ∈ [0, 3/M) ∪ (3/M, 1]。
⚠️ 注意事项：ε 需谨慎选择：若 ε 过大（如 1e-1），可能意外裁剪掉本应可行的解；若过小（如 1e-12），易因数值精度导致求解器判定不可行（feasibility tolerance 冲突）。建议结合 3/M 的量级设定——例如当 M=1000 时，3/M = 0.003，则 eps = 1e-4（约为其 3%）是合理起点。不可用于严格理论证明：该方法是工程近似，不保证数学上完全排除 z[i,j] == 3/M，但在实际优化中可有效规避该点。避免在整数规划中滥用：若 z 本应为整数变量（如 0–1 变量），请改用 cp.Variable(..., boolean=True) 或 integer=True，此时 != 可通过逻辑拆分自然满足（如 z = 1），无需 abs 技巧。
? 整合到你的代码中（推荐写法）
# 在定义 constraints 后、调用 cp.Problem 前插入：
eps = 1e-4
for p in range(P):
for office in offices:
for linked_office in linked_offices[office]:
i = offices.index(office)
j = offices.index(linked_office)
# 添加避开 3/M 的约束
constraints.append(cp.abs(z[p][i, j] - 3/M) >= eps)? 进阶提示：更鲁棒的建模方式
若问题允许，更优策略是重构变量语义：例如将 z[p][i,j] 显式定义为二元组合 z = α * a + β * b，其中 a ∈ [0, 3/M), b ∈ (3/M, 1]，α + β = 1, α, β ∈ {0,1} —— 即引入辅助二元变量，将开区间约束转化为混合整数凸规划（MIP）。但这会显著增加求解难度，仅在精度要求极高且 P, n 较小时考虑。
总之，cp.abs(x - c) >= eps 是 CVXPY 中实现 != 的标准、简洁且广泛验证的工程方案。只要合理设置 eps 并理解其数值意义，即可稳健支撑你的优化建模需求。
