MATLAB-线性规划

关于线性规划问题，首先要建立数学模型以及线性规划模型。

有基于求解器求解和基于问题求解两种方法。

将线性规划问题转换为MATLAB标准型：（linprog函数是求取最小值，且约束条件要为小于）

基于求解器求解

线性规划的标准形式

其中f,x,b,beq,lb,ub为列向量，f称为价值向量，b为资源向量，A、Aeq为不等式约束和等式约束对应的矩阵。听起来很难，但是结合例题之后会很好理解。

例1.3的标准型中，s.t.约束，第一行为不等式，第二行为等式，第三行为取值范围，可得：

f = [-2,-3,5];

A = [-2,5,-1;1,3,1];b = [-10;12];

Aeq = [1,1,1];beq = 7;

lb = zeros(3,1); % 只有下界

linprog函数

函数调用格式：

[x,fval] = linprog(f,A,b)

[x,fval] = linprog(f,A,b,Aeq,beq)

[x,fval] = linprog(f,A,b,Aeq,beq,lb,ub)

其中x返回的是决策向量的取值，fval返回的是目标函数的最优值，f为价值向量，A、b对应的是线性不等式约束，Aeq、beq对应的是线性等式约束，lb、ub分别对应的是决策向量的下界向量和上界向量。

根据题目，我们选择第三种调用格式即可。

MATLAB程序：

clc,clear

f = [-2,-3,5];

A = [-2,5,-1;1,3,1];b = [-10;12];

Aeq = [1,1,1];beq = 7;

lb = zeros(3,1);

[x,fval] = linprog(f,A,b,Aeq,beq,lb);

x,fval = -fval % 目标函数最大化

基于问题求解

首先需要用变量和表达式构造优化问题，然后用solve函数求解。

MATLAB程序：

clc,clear

prob = optimproblem('ObjectiveSense','max');% 目标函数最大化的优化问题

% 这里ObjectSense 表示目标类型为求最大值的意思

% 如果直接写prob=optimproblem 默认求最小值

x = optimvar('x',3,'LowerBound',0);% 决策变量

% 'x' 为变量名 ，3表示有三个变量

% 'LowerBound'表示下界，即下界为0，此处省略上界'UpperBound'

prob.Objective = 2*x(1) + 3*x(2) - 5*x(3);  % 目标函数

prob.Constraints.con1 = x(1) + x(2) + x(3) == 7;% 约束条件

prob.Constraints.con2 = 2*x(1) - 5*x(2) + x(3) >= 10;

prob.Constraints.con3 = x(1) + 3*x(2) + x(3) <=12;

[sol,fval,flag,out] = solve(prob)% fval返回最优值

sol.x    % 显示决策变量的值

在MATLAB基于问题的求解方法中，不能把不同类型的约束条件写在同一个约束集合中。

当然还可以将约束范围写成向量的形式：

clc,clear
prob = optimproblem('ObjectiveSense','max');
x = optimvar('x',3,'LowerBound',0);

f = [2,3,-5];
A = [-2,5,-1;1,3,1];b = [-10;12];
Aeq = [1,1,1];beq = 7;
lb = zeros(3,1);

prob.Objective = f*x;
prob.Constraints.con1 = Aeq*x == beq;
prob.Constraints.con2 = A*x <= b;
[sol,fval,flag,out] = solve(prob)
sol.x