线性规划——单纯形算法の板子

以下内容全是口胡，请谨慎观看 ——From ATP

什么是线性规划？

参见高中数学必修五第三章

根据ATP的理解。。。线性规划就是设出一些变量，给出一些对于变量取值的限制，同时给出一个与这些变量相关的目标函数，要求在满足限制的前提下最大化或最小化目标函数。

举个例子：设有变量$x_1,x_2,x_3$，那么下面这一坨东西：

$Maxmize\space\space\space 5*x_1+2*x_2-3*x_3$
满足约束：
$2*x_1+3*x_3 \leq 5$
$3*x_2-4*x_3 \leq 8$
$4*x_1-2*x_2 \leq 7$
$x_1,x_2,x_3 \geq 0$

就是一个线性规划啦。。（上面那一坨东西是ATP随便打上去的有没有解就不一定了= =）

形式化地，设$x$为n维列向量代表设定的变量，$A$为m*n的矩阵代表每个限制中每个变量的系数，$B$为m维列向量代表每个限制中的常数项，$C$为n维行向量代表目标函数的系数。举个栗子说，对于上面那一坨东西，它的各个元素表示如下：

$$A=\begin{bmatrix} 2 & 0 & 3\\ 0 & 3 & -4\\ 4 & -2 & 0\\ \end{bmatrix}$$
$$B=\begin{bmatrix} 5\\ 8\\ 7\\ \end{bmatrix}$$
$$C=\begin{bmatrix} 5 & 2 & -3 \end{bmatrix}$$

我们在这里仅讨论线性规划的标准型。线性规划的标准型表示如下：
$Maxmize\space\space\space\space Cx$
$S.T. \space\space\space Ax \leq B,x \geq 0$

但是很多时候好像遇到的线性规划并不是标准型？难道它们不能做吗。。。其实并不是，在大多数情况下，不是标准型的线性规划都可以通过做一些适当的转化表示成标准型。比如……

1. 目标函数要求最小化（$Minmize$）?
   似乎可以把所有系数取反，求得答案以后再反回来？
   在某些情况下，下面提到的“对偶定理”会更加好用。

2. 首先线性规划的限制应该都是大于等于或者小于等于这种形式的（不然计算机怎么搞出“无限接近”这种类型的答案来= =），但是在标准型里面限制都要求是小于等于，如果遇到别的符号？
   如果是带“$\geq$”的限制，直接把所有系数取反就可以；而如果是带“=”的限制，例如$a=b$，我们可以转化成$a \leq b$和$b \leq a$两个限制。

总之通过类似这样的变换我们可以把任意的线性规划转化为标准型，并且它们的最优解都是不变的。

求解线性规划——单纯形算法

求解线性规划最常用的算法是单纯形算法。它的理论时间复杂度是指数级别的。。但是跑得奇快无比啊并且也基本上卡不掉。。所以放心大胆用就是了。。

单纯形算法的几何意义很多地方都有解释。。但是这里ATP主要解释它在代数方面的原理。

首先，为了对线性规划使用单纯形算法，我们需要把线性规划转化为“松弛型”，也就是说把所有的不等式变为等式。以下都用m来表示限制个数，n来表示变量个数。

为了做到这一点，我们对于每一个形如$\sum\limits_{i=1}^n A_{k,i}x_i \leq B_k$的限制增加一个叫做“基变量”的东西，把它称作