【管理运筹学】第 4 章——线性规划问题的灵敏度分析

前言

之前的线性规划问题中，目标函数系数 $c_j$ ，右端资源列向量 $b$ 和约束条件系数 $a_{ij}$ 都是固定的常数。但实际上由于市场的变化或者工艺条件的改善以及时间的推移，这些参数是会发生变化的，因此就会有如下问题产生：

1. 这三个参数如果变化了，会不会对原来的最优目标函数造成影响？
2. 这三个参数在什么范围内变动时，原有的线性规划模型依然适用？
3. 这三个参数变化时，目标函数值会如何变化？该怎么更方便地求解？

以上就是 灵敏度分析（sensitivity analysis） 所要解决的问题。当原有的线性规划模型求出最优解后，对于某一个参数变化，如何不重新求解，就可以分析出最优解以及最优目标值的变化。本文只研究单个参数变化的情况。

一、最优单纯形表参数特征

为讨论某个参数的变化对最优解的构成以及最优值的影响，我们首先应了解，当单纯形法迭代到最优单纯形表时，各个参数的特征。

以线性规划问题的标准型为讨论对象：

一般我们会添加松弛变量形成等式，所以初始单纯形表中的系数矩阵 $A$ 可以分为 $(B,N)$ ，其中 $B$ 为基变量对应的系数矩阵，$N$ 为非基变量对应的系数矩阵。同理，变量可分为基变量 $X_B$ ，非基变量 $X_N$ 。基变量对应的目标函数系数为 $C_B$ ，非基变量对应的目标函数系数为 $C_N$ 。

单纯形法本质上是在对增广矩阵进行多次初等行变换，使得最后满足可行和最优性检验，且基变量对应的系数矩阵为单位阵 $E$ 。根据线性代数的知识，我们知道，原来基变量对应的系数矩阵为 $B$ ，想要最后成为一个单位阵，只需左乘上 $B^{-1}$ 。因此，我们做了那么多次迭代，其实就相当于将增广矩阵左乘上一个 $B^{-1}$ 。

初始的基变量为松弛变量对应的矩阵 $N=E$ ，因此初始基变量在最优单纯形表中对应的系数矩阵即为 $B^{-1}N=B^{-1}E=B^{-1}$ 。右端资源向量 $b$ ，最终变为 $B^{-1}b$ 。下表给出了达到最优单纯形表时各个参数的特征。

有了这些特征后，我们可以清晰知道某个参数变化会带来哪些影响。如当右端资源向量 $b$ 变化时，只会影响最终基变量的取值 $B^{-1}b$ 。

二、目标函数系数 $c_j$ 的灵敏度分析

通过分析第一节给出的最优单纯性表各个参数的特征，可知，目标函数系数 $c_j$ 的变化需要分情况讨论。因此 $c_j$ 为 $C_B$ 和 $C_N$ 时，变化带来的影响不一。

2.1 $c_j$ 对应的变量 $x_j$ 为非基变量时

此时 $c_j$ 的改变，只会影响对应决策变量 $x_j$ （非基）的检验数。为保证基变量不变，该非基变量检验数需保持非正，即变化后的 ${\sigma }_j^{\prime }=c_j+\Delta c_j-c_B{B}^{-1}{c}_j\le 0$ ，于是有：$$\Delta c_j\le -{\sigma }_j.$$ 当 $c_j$ 的变化值满足上述条件时，原来的线性规划模型最优解不变。若 $c_j$ 变动超过了上述范围，利用单纯形法继续求解。

2.2 $c_j$ 对应的变量 $x_j$ 为基变量时

此时 $c_j$ 进入 $C_B$ ，会影响所有决策变量的检验数，因此要保证所有非基变量检验数为非正。有：$$max({\sigma }_j/\overline{a_{rj}}|\overline{a_{rj}}>0)\le \Delta c_r\le min({\sigma }_j/\overline{a_{rj}}|\overline{a_{rj}}<0)$$ 式中， $\overline{a_{rj}}$ 为 $c_r$ 对应的基变量在最优单纯形表中的第 $r$ 行，第 $j$ 个元素。

觉得抽象的话没关系，后面会举一个题目为例，到时候就能明白了

三、右端资源列向量 $b$ 的灵敏度分析

右端资源列向量发生的变化的话，最优解中的基变量取值 $B^{-1}b$ 肯定会发生变化，因此我们要保证的是依然满足非负要求。有：$$max(-\overline{b_i}/\overline{a_{ir}}|\overline{a_{ir}}>0)\le \Delta b_r\le min(-\overline{b_i}/\overline{a_{ir}}|\overline{a_{ir}}<0)$$式中， $\overline{a_{ir}}$ 为 $B^{-1}$ 中的第 $i$ 行，第 $r$ 个元素。

当 $b_r$ 在上述范围内变动时，基变量和原来一样，但取值发生了变化，新基变量取值为 $B^{-1}(b_r+\Delta b_r).$ 若变动超过了上述范围，不满足非负约束，需采用对偶单纯形法继续迭代求解。

这是只能求出单个 $b$ 的变动范围，若变动了多个，一般直接求新解 $B^{-1}{b}^{\prime }$ 即可。

四、约束系数 $a_{ij}$ 的灵敏度分析

约束系数 $a_{ij}$ 的变化不仅可能会影响检验数，还可能会改变 $B^{-1}$ 。

4.1 约束系数 $a_{ij}$ 对应 $x_j$ 为非基变量

此时只会改变该非基变量的检验数，保证其非正的情况下，用待定系数法进行变动范围的求解。

4.2 约束系数 $a_{ij}$ 对应 $x_j$ 为基变量

此时 $B^{-1}$ 发生变化，假设变为 ${\overline{B}}^{-1}$ ，最终基变量取值 $B^{-1}b$ 则变为 ${\overline{B}}^{-1}b$ ，所有非基变量检验数 $C_N-C_B{B}^{-1}N$ 变为 $C_N-C_B{\overline{B}}^{-1}N$。用此时会产生下面四种情况：

1. ${\overline{B}}^{-1}b\ge 0,C_N-C_B{\overline{B}}^{-1}N\le 0$ ，即此时既满足非负要求，又满足最优检验，已达到最优解。
2. ${\overline{B}}^{-1}b\ge 0$ 但 $C_N-C_B{\overline{B}}^{-1}N$ 存在正数，即此时虽然满足非负要求，但还有非基变量检验数大于 0 ，用单纯形法继续迭代求解。
3. ${\overline{B}}^{-1}b$ 存在负数，而 $C_N-C_B{\overline{B}}^{-1}N\le 0$ ，即此时最优检验满足了，但非负性不满足，因此利用对偶单纯形法继续迭代求解。
4. ${\overline{B}}^{-1}b$ 存在负数，且 $C_N-C_B{\overline{B}}^{-1}N$ 存在正数，即此时最优性检验和非负性要求均为达到。故需引进人工变量，用人工变量法或者从头算起。

五、增加决策变量和约束条件的影响分析

此部分内容，西南交大是放在前面，而北交大都放在一起了。我认为这也算是灵敏度分析，而且放在一起更好对比联想。

5.1 增加新决策变量

在建立实际问题的数学模型时，可能漏掉了一些内容，或者只考虑了主要内容而忽略了次要内容。这一节解决的问题就是如果新增加了决策变量，如何不重新计算，利用原本的一些结果进行迭代求解。主要步骤如下：
第一步：用 $I_B$ 表示初始单纯形表中初始基变量所对应的单位矩阵，再用 $I_B^{\ast }$ 表示初始基变量在最优单纯形法表中所对应的矩阵。可知 $$I_B^{\ast }=B^{-1}\times I_B$$
因为 $I_B$ 为单位矩阵，所以有 $B^{-1}=I_B^{\ast }$ 。用 $x_{n+1}$ 表示新增加的决策变量，那么它在初始单纯形法表中对应的列向量是已知的，用 $P_{n+1}$ 表示；再用 $P_{n+1}^{\ast }$ 表示新增加的决策变量在最优单纯形法表中对应的矩阵，则有：$$P_{n+1}^{\ast }=B^{-1}\times P_{n+1}=I_B^{\ast }\times P_{n+1}$$
第二步：把列向量$P_{n+1}^{\ast }$补加到最优单纯形法表的最右列，继续利用单纯形法求解即可。

5.2 增加新约束条件

单纯形法的求解过程，就是对它的初始单纯形表做行运算，最终变换到最优单纯形表。

加了一个约束条件方程，还是可以按照原来那样变换，增加的约束条件方程可以一直不变，行运算不针对新加的那一行就是了。因此我们可以不用从头求解，将新增加的约束方程化为等式后，直接补加到原模型的最优单纯形表中，继续用对偶单纯形法求解即可。

求解的主要步骤如下：

1. 检验原来的最优解是否满足新增加的约束方程，如果满足，则原来的最优解就是新的最优解。不满足则进行下一步。
2. 将新增加的约束条件方程加上松弛变量或剩余变量，将其化为等式，补加到原模型的最优单纯形法表中。
3. 令原来的基变量和新增加的松弛或剩余变量作为新的基变量。利用对偶单纯形法继续求解。

六、例题讲解

第 (1) 问

对于第 (1) 问，就是利用前述结论，得到每个参数的变动范围。

$c_4$ 的灵敏度分析如下：

其中的 $a_{4j}$ 指的是最优单纯形表中 $x_4$ 所在那一行的元素 。

$b_2$ 的分析如下：

其中的 $a_{i2}$ 是指 $B^{-1}$ 中的第 2 列各元素。

对 $a_{21}$ 的灵敏度分析如下：

第 (2) 问

第 (2) 问则比较常规，利用第 (1) 问得出的结论判断是否超出。没有超出，则再判断新解是否符合要求。

第 (3) 问

计算新产品的最优单纯形表中的检验数，若大于 0 ，则表明可将新产品作为基变量换入，得到更优解。之后继续利用单纯形法迭代求解即可。

总结

关于灵敏度问题，如果能掌握参数变化带来影响的原因，其实还是比较好理解的。因此在一开始学习单纯形法时，就尽量去看懂关于矩阵形式表达的证明。或者看个大概，等后面接触到对偶问题以及灵敏度分析时，能联想到前面的内容，就应该没啥大问题。