【第一章:人工智能基础】04.数学建模基本方法-(1)优化问题与线性规划

第一章 人工智能基础

第四部分：数学建模基本方法

第一节：优化问题与线性规划

内容：目标函数、约束条件，单纯形法的基本原理。

---

一、什么是优化问题

优化问题（Optimization Problem）是指在给定条件下，对一个目标函数进行最大化或最小化。

一般形式为：

目标函数：    Max 或 Min  f(x)  
约束条件：    g₁(x) ≤ b₁  
              g₂(x) = b₂  
              ...
变量范围：    x ∈ ℝⁿ，或 x ≥ 0 等

---

二、线性规划（Linear Programming）

线性规划是一类特殊的优化问题，要求：

• 目标函数是线性的

• 约束条件是线性等式或不等式

标准形式：

Maximize:      z = c₁x₁ + c₂x₂ + ... + cₙxₙ  
Subject to:    a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ ≤ b₁  
               ...
               aₘ₁x₁ + aₘ₂x₂ + ... + aₘₙxₙ ≤ bₘ  
               x₁, x₂, ..., xₙ ≥ 0

其中：

• x₁...xₙ 是决策变量

• z 是目标函数

• 系数矩阵 aᵢⱼ、常数向量 bᵢ 和目标函数系数 cⱼ 均为已知常量

---

三、几何理解（二维情况下）

在二维空间中，每个约束条件对应一条直线，将空间划分为可行区域。
目标函数的值在可行区域边界某个点达到最优。

---

四、单纯形法（Simplex Method）原理简介

单纯形法是一种高效的线性规划算法，通过从一个可行解出发，在可行区域的边界上沿“边”移动，逐步寻找最优解。

基本流程：

1. 将线性规划转化为标准形式

2. 引入松弛变量（将 ≤ 转为等式）

3. 构造初始单纯形表

4. 选择进入基变量（即改善方向）

5. 选择离基变量（保持可行性）

6. 迭代直到所有目标系数 ≤ 0（最优）

特点：

• 适用于中小规模问题

• 可以在“有限步”内找到最优解（若存在）

• 时间复杂度最坏为指数级，但实际表现优良

---

示例（简化版）

问题：

Maximize z = 3x + 2y
Subject to:

x + y ≤ 4  
x ≤ 2  
y ≤ 3  
x, y ≥ 0

解法思路：

1. 绘制约束线，找出可行区域

2. 在可行区域顶点处代入目标函数求值

3. 取最大值即为最优解（例如 x=2, y=2）

---

总结表格：

概念	描述
目标函数	需要优化（最大化/最小化）的数学表达式
约束条件	限制决策变量的线性等式/不等式
可行解	满足所有约束的变量取值组合
最优解	在可行解中使目标函数最优的解
单纯形法	沿边界迭代求最优解的线性规划算法
应用领域	工程调度、资源分配、物流运输、经济管理、生产计划等