Pyomoを用いた数理最適化で所望の結果が得られない

前提・実現したいこと

Pyomoにて数理最適化の計算を実行したのですが，思うような結果にならないので質問させてもらいます．
下のコードについて, 3から9行目はs_subjectsからrow行目のi, j, n(s_subjectsの要素)を取得し，そのi, j, nに対応する行row2をsut_abilityから取得します(sut_abilityの要素が先頭からi, j, n)．
10行目でsum_responsible[row]にrow2に対応する01変数x[row2]の総和を代入しています．
制約条件ではこの総和が1となるようなものを設けています．
所望の結果であれば，同じi, j, nに対応するx[row2]のどれか1つが1となるはずですが(合計でx[row2]=1となるxが8個あるはず)，結果はx[2]のみ1となってしまいます．
コメントでソースコードの挙動を確認したのですが，問題はなさそうです．

該当のソースコード

Python
1M.sum_responsible = [0 for i in range(0, len(s_subjects))]
2#s_subjectsのrow行目の情報を取得
3for row in range(0, len(s_subjects)):
4    i = int(s_subjects[row][0])
5    j = int(s_subjects[row][1])
6    n = int(s_subjects[row][2])
7#sut_abilityのrow2行目の情報を取得
8    for row2 in range(0,len(sut_ability)):
9        if int(sut_ability[row2][0])==i and int(sut_ability[row2][1])==j and int(sut_ability[row2][2])==n:
10            M.sum_responsible[row] += M.x[row2]
11    print(M.sum_responsible[row])
12
13#M.sum_responsibleに関する制約条件
14def const_rule1(model):
15    return M.sum_responsible[i] == 1

s_subjects
10, 5, 0, 4,
20, 5, 1, 4,
30, 5, 2, 4,
40, 5, 3, 4,
50, 6, 0, 4,
60, 6, 1, 4,
70, 6, 2, 4,
80, 6, 3, 4,

sut_ability
10, 5, 0, 0, 1
20, 5, 0, 1, 1
30, 5, 0, 2, 1
40, 5, 0, 3, 1
50, 5, 0, 4, 1
60, 5, 0, 5, 1
70, 5, 0, 6, 1
80, 5, 0, 7, 1
90, 5, 0, 8, 1
100, 5, 0, 10, 1
110, 5, 0, 11, 1
120, 5, 0, 12, 1
130, 5, 0, 13, 1
140, 5, 0, 14, 1
150, 5, 0, 15, 1
160, 5, 0, 16, 1
170, 5, 0, 17, 1
180, 5, 0, 18, 1
190, 5, 0, 19, 1
200, 5, 0, 20, 1
210, 5, 1, 0, 1
220, 5, 1, 1, 1
230, 5, 1, 2, 1
240, 5, 1, 3, 1
250, 5, 1, 4, 1
260, 5, 1, 5, 1
270, 5, 1, 6, 1
280, 5, 1, 7, 1
290, 5, 1, 8, 1
300, 5, 1, 10, 1
310, 5, 1, 11, 1
320, 5, 1, 12, 1
330, 5, 1, 13, 1
340, 5, 1, 14, 1
350, 5, 1, 15, 1
360, 5, 1, 16, 1
370, 5, 1, 17, 1
380, 5, 1, 18, 1
390, 5, 1, 19, 1
400, 5, 1, 20, 1
410, 5, 2, 0, 1
420, 5, 2, 1, 1
430, 5, 2, 2, 1
440, 5, 2, 3, 1
450, 5, 2, 4, 1
460, 5, 2, 5, 1
470, 5, 2, 6, 1
480, 5, 2, 7, 1
490, 5, 2, 8, 1
500, 5, 2, 10, 1
510, 5, 2, 11, 1
520, 5, 2, 12, 1
530, 5, 2, 13, 1
540, 5, 2, 14, 1
550, 5, 2, 15, 1
560, 5, 2, 16, 1
570, 5, 2, 17, 1
580, 5, 2, 18, 1
590, 5, 2, 19, 1
600, 5, 2, 20, 1
610, 5, 3, 0, 1
620, 5, 3, 1, 1
630, 5, 3, 2, 1
640, 5, 3, 3, 1
650, 5, 3, 4, 1
660, 5, 3, 5, 1
670, 5, 3, 6, 1
680, 5, 3, 7, 1
690, 5, 3, 8, 1
700, 5, 3, 10, 1
710, 5, 3, 11, 1
720, 5, 3, 12, 1
730, 5, 3, 13, 1
740, 5, 3, 14, 1
750, 5, 3, 15, 1
760, 5, 3, 16, 1
770, 5, 3, 17, 1
780, 5, 3, 18, 1
790, 5, 3, 19, 1
800, 5, 3, 20, 1
810, 6, 0, 3, 1
820, 6, 0, 7, 1
830, 6, 0, 8, 1
840, 6, 0, 9, 1
850, 6, 0, 10, 1
860, 6, 0, 11, 1
870, 6, 0, 12, 1
880, 6, 0, 13, 1
890, 6, 0, 14, 1
900, 6, 0, 15, 1
910, 6, 0, 16, 1
920, 6, 0, 17, 1
930, 6, 0, 18, 1
940, 6, 0, 19, 1
950, 6, 0, 20, 1
960, 6, 1, 3, 1
970, 6, 1, 7, 1
980, 6, 1, 8, 1
990, 6, 1, 9, 1
1000, 6, 1, 10, 1
1010, 6, 1, 11, 1
1020, 6, 1, 12, 1
1030, 6, 1, 13, 1
1040, 6, 1, 14, 1
1050, 6, 1, 15, 1
1060, 6, 1, 16, 1
1070, 6, 1, 17, 1
1080, 6, 1, 18, 1
1090, 6, 1, 19, 1
1100, 6, 1, 20, 1
1110, 6, 2, 3, 1
1120, 6, 2, 7, 1
1130, 6, 2, 8, 1
1140, 6, 2, 9, 1
1150, 6, 2, 10, 1
1160, 6, 2, 11, 1
1170, 6, 2, 12, 1
1180, 6, 2, 13, 1
1190, 6, 2, 14, 1
1200, 6, 2, 15, 1
1210, 6, 2, 16, 1
1220, 6, 2, 17, 1
1230, 6, 2, 18, 1
1240, 6, 2, 19, 1
1250, 6, 2, 20, 1
1260, 6, 3, 3, 1
1270, 6, 3, 7, 1
1280, 6, 3, 8, 1
1290, 6, 3, 9, 1
1300, 6, 3, 10, 1
1310, 6, 3, 11, 1
1320, 6, 3, 12, 1
1330, 6, 3, 13, 1
1340, 6, 3, 14, 1
1350, 6, 3, 15, 1
1360, 6, 3, 16, 1
1370, 6, 3, 17, 1
1380, 6, 3, 18, 1
1390, 6, 3, 19, 1
1400, 6, 3, 20, 1