用途：帮助解决把工人、机器、车辆、时段等资源与任务、订单、路线、地点进行一对一或多对一匹配的分配优化问题，目标可以是最小化总成本、最大化效率、平衡工作量或最小化完成时间。
主要能力：区分并处理六类问题——线性分配（LAP，n对n，匈牙利算法 O(n³)）、瓶颈分配（最小化最大成本）、非平衡分配（m≠n，补虚拟行列）、广义分配（GAP，一个工人可接多任务且带容量约束，NP-hard，用分支定界/启发式/近似解）、二次分配（QAP，成本依赖分配对，用模拟退火、遗传算法等）、多目标分配（加权和或帕累托优化）。还提供技能约束分配（工人技能需覆盖任务要求）与动态任务分配管理（按优先级与最低工作量指派，支持任务完成回填与再平衡）。
使用方式：以成本/收益矩阵、资源能力、任务需求与优先级等数据为输入。线性分配可调用 scipy.optimize.linear_sum_assignment；贪心启发式做快速近似；GAP、技能约束等可用 PuLP 建立 MIP 并调用 CBC 求解（prob.solve(PULP_CBC_CMD(msg=0))）。代码给出成本矩阵构建、决策变量、每人一任务/每任务一人约束、容量约束等示例。
适用场景：运营与供应链中的订单分派、仓库拣货、配送路线、呼叫中心与排班等一对一或带容量的资源分配。
限制：多数资料只给出方法论与代码示例，未提供收费、价格、平台支持或效果数据；GAP 与 QAP 为 NP-hard，大规模问题需依赖启发式或近似解，可能非最优；技能与动态分配部分依赖用户自备数据与建模。