数学建模算法与应用第一周学习

数学建模算法与应用第一周学习

第一章 线性规划

§1 线性规划

1.1 线性规划的实例与应用

在一组线性拘束条件的限制下，求一线性目标函数最大或最小的问题。

1.2 Matlab标准形式

1.3线性规划问题的解的概念

可行解 满足拘束条件的解
最优解 目标函数最大值时的可行解
可行域 所有可行解构成的集合，记为 R

1.4线性规划的图解法

n维空间中，有：
1，凸集中任意两点的连线必在此凸集中；
2，若 x 是凸集 R的一个极点，则 x 不能位于 R 中任意两点的连线上。不难证明，多胞形必为凸集。同
样也不难证明，二维空间中可行域 R 的顶点均为 R 的极点（ R 也没有其它的极点）。

1.5matlab解法

求解例2

在Matlab中进行计算

基本函数形式为 linprog(c,A,b)，它的返回值是向量 x 的值。还有其它的一些函数调用形
式（在 Matlab 指令窗运行 help linprog 可以看到所有的函数调用形式），如：
[x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS)
这里 fval 返回目标函数的值，LB 和 UB 分别是变量 x 的下界和上界，x0 是 x 的初始值，
OPTIONS 是控制参数。

注意函数中拘束条件只有小于号，所以可以适当转换成负数。
求max时linprog中c取负，min中取正。

1.6可以转化成线性规划的问题

斯巴亚一

§2运输问题（产销平衡）

这数据也太多了？所以去找了一下表上作业法。

§3指派问题

3.1指派问题的数学模型

即把Xij变成1或者0，1代表把事情交给I让他去做j，0代表i没有做j，耗费的时间可以使用矩阵Cij表示。
其系数矩阵十分特殊，解分量只有0或1，而m=n，ai=bj=1。

3.2求解指派问题的匈牙利算法

系数矩阵中每行和每列减去相同数字不影响最优指派的结果。通过运算得到每行每列不同的零元素即为最优指派。
疑问：为什么最优指派无法与系数矩阵相乘？
https://blog.csdn.net/z464387937/article/details/51227347
答：那个不是矩阵是对应下标。

§4 对偶理论和灵敏度分析

4.1原始问题和对偶问题

对偶问题和对偶问题的关系：

（1） 原始问题中的第 j 列系数与其对偶问题中的第 j 行的系数相同；
（2） 原始目标函数的各个系数行与其对偶问题右侧的各常数列相同；
（3） 原始问题右侧的各常数列与其对偶目标函数的各个系数行相同；
（4） 在这一对问题中，不等式方向和优化方向相反。

4.2 对偶问题的基本性质

详见P8例10。
严格不等式：指等式两边取不到负号

§5 投资的收益和风险

5.1问题提出

有选择地购买若干种资产
或存银行生息，使净收益尽可能大，使总体风险尽可能小。

5.2 符号规定和基本假设

投资越分散，总的风险越小；
总体风险用投资项目Si中最大的一个风险来度量；

5.3模型的建立和分析和简化

注：因为M非常大，故可以忽略交易定额
建立模型：

模型简化，将多目标规划变成单目标规划（a）（b），或者设定投资偏好系数s（c）。

5.4 模型求解

第三章 非线性规划

§1 非线性规划

概念；在求一个函数的最值的时候，至少有一个非线性函数。
与线性规划的区别：最优解可以在可行域的任何一个地方找到。
Matlab解法：X=FMINCON(FUN,X0,A,B,Aeq，Beq,LB,UB,NONLCON,OPTIONS)
其中无局限的元素可用[ ]表示，FUN是用M文件定义的函数f(x)，NONLCON是用M文件定义的非线性向量函数C(x),Ceq(x)。

求解非线性规划的基本迭代格式

关键问题；如何构建每一轮的搜索方向和确定适当的步长。

p为搜索方向，t为搜索步长。
注：凸规划的可行域为凸集，其局部最优解即为全局最优解，而且其最优解的集合形成一个凸集。当凸规划的目标函数 f (x)为严格凸函数时，其最优解必定唯一（假定最优解存在）。

§2 无约束问题

一维搜索的方法很多，常用的有：（1）试探法（“成功—失败”，斐波那契法，0.618 法等）；
（2）插值法（抛物线插值法，三次插值法等）；
（3）微积分中的求根法（切线法、线法，二分法等）。
1，斐波那契法

3.3约束极值问题

带有约束条件的极值问题称为约束极值问题，也叫规划问题。
求解约束极值问题要比求解无约束极值问题困难得多。为了简化其优化工作，可采
用以下方法：将约束问题化为无约束问题；将非线性规划问题化为线性规划问题，以及
能将复杂问题变换为较简单问题的其它方法。
库恩—塔克条件是非线性规划领域中最重要的理论成果之一，是确定某点为最优点
的必要条件，但一般说它并不是充分条件（对于凸规划，它既是最优点存在的必要条件，
同时也是充分条件）。

3.3.1二次规划

若某非线性规划的目标函数为自变量 x 的二次函数，约束条件又全是线性的，就称
这种规划为二次规划。
Matlab 中二次规划的数学模型可表述如下：
min $1/2x^{T}Hx+f^{T}x$,
s.t. Ax<=b,
Aeq*x=beq,
lb<=x<=ub.
这里 H 是实对称矩阵， f ,b 是列向量， A 是相应维数的矩阵。
Matlab 中求解二次规划的命令是
[X,FVAL]= QUADPROG(H,f,A,b,Aeq,beq,LB,UB,X0,OPTIONS)
返回值 X 是决策向量 x 的值，返回值 FVAL 是目标函数在 x 处的值。（具体细节可以参
看在 Matlab 指令中运行 help quadprog 后的帮助）.
求解线性规划：
min $f(x)=2x_1^2-4x_1{x}_2+4x_2^2-6x_1-3x_2$,
s.t. $x_1+x_2<=3$,
$4x_1+x_2<=9$,
$x_1,x_2>=0$.
解:
h=[4,-4;-4,8];
f=[-6;-3];
a=[1,1;4,1];
b=[3;9];
[x,value]=quadprog(h,f,a,b,[],[],zeros(2,1))
求得:
$x_1=1.9500,x_2=1.0500,minf(x)=-11.0250$.