线性规划导论-2

线性规划图解法与线性代数基础

在本节中我们考虑一些简单的例子来说明线性规划问题的本质，即从图形视角来学习。

考虑如下问题：

我们假设用z来代表目标函数，即z=-x1-x2,对于所有的（x1,x2）来说，这都是穿过向量（-1，-1）的线.下图中的阴影部分便是可行域。

我们的目的是要要最小化z，那我们就是要沿着-c的方向尽可能的移动，我们最能做到的便是z=-2，可以看到我们是在可行域的角上。对于三维的问题来说时同样的，只不过点的集合从线变成了一个平面。

标准问题的可视化

接下来我们讨论一种方法使得尽管维数超过三维也可以可视化。假设我们有一个矩阵A（m*n）,决策向量X的维数是n，m个等式约束。假设m<=n，约束Ax=b迫使x在（n-m）维的集合。特别的，当n-m=2时，可行集可以画成由n个线性不等式约束定义的二维集合。

为了说明这个问题，我们考虑可行集由x1+x2+x2=1约束，n=3,m=1,则可行集出现在二维空间中的一个三角形上。并且每个边都代表约束x1,x2,x3>=0中的一个。见下图。

线性代数背景

本节主要讲了一些基本的线性代数知识，包括集合，矩阵表示，转置，逆的一些概念。

本章的末尾还介绍了规划一词的由来，传统上是做计划的人描述业务规划和资源分配的过程。后来意识到这个过程总是伴随着包含线性约束和目标函数的优化问题，因此出现了线性规划。二战后随着军事问题发展起来，1947年Dantzig发明了著名的单纯性法（也是DW分解算法的提出者）

好了，具体的内容就是这么多，下节我们阅读线性规划的几何。凸集，极点，投影....