1 线性规划

第一章 线性规划

P: 如何利用现有资源来安排生产，以取得最大经济效益的问题。此类问题构成了运筹学的一个重要分支——数学规划，而线性规划（Linear Programming,LP）则是数学规划的一个重要分支。

1.1 线性规划模型及概念

1.线性规划建模过程

（1）问题分析

①如何制定一个最优的计划
②有何约束条件
③达到最终目标的最值函数

（2）模型假设

①条件假设：

②符号说明：
（通常情况$x_i$为决策变量）

③模型建立：
建立最终目标函数
添加约束条件

（3）综上所述，可以为该类问题建模

线性规划的一般形式为：
$$\begin{gathered} max(或min)z=\sum _{j=1}^n{c}_j{x}_j \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}{\sum }_{j=1}^n{a}_{ij}{x}_j\ge （或=,\le )b_i,i=1,2,...,m,\\ x_j\ge 0,j=1,2,...,n.\end{array}\end{array} \end{gathered}$$

其向量表示形式为：
$$\begin{gathered} max(或min)z=c^{T}x \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}{\sum }_{j=1}^n{P}_j{x}_j\ge （或=,\le )b,\\ x\ge 0.\end{array}\end{array} \end{gathered}$$

其矩阵表示形式为：
$$\begin{gathered} max(或min)z=c^{T}x \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}Ax\ge （或=,\le )b,\\ x\ge 0.\end{array}\end{array} \end{gathered}$$

式中：
$c=[c_1,c_2,...,c_n{]}^T$为目标函数的系数向量，又称为价值向量；
$x=[x_1,x_2,...,x_n{]}^T$为决策向量;
$A=(a_{ij}{)}_{m\ast n}$为约束方程组的系数矩阵；
$P_j=[a_{1j},a_{2j},...,a_{mj}{]}^T,j=1,2,...,n$为A的列向量，又称为约束方程组的系数向量；
$b=[b_1,b_2,...,b_n{]}^T$为约束方程组的常数向量。

2.线性规划问题的标准式

一般的，称
$$\begin{gathered} maxz=\sum _{j=1}^n{c}_j{x}_j \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}{\sum }_{j=1}^n{a}_{ij}{x}_j=b_i,i=1,2,...,m,\\ x_j\ge 0,j=1,2,...,n.\end{array}\end{array} \end{gathered}$$

式中：
$b_i\ge 0,i=1,2,...,m$，

为线性规划问题的数学标准型。

可行解：满足约束条件（4）的解$x=[x_1,x_2,...,x_n{]}^T$，成为线性规划问题的可行解，而使（4）中$maxz={\sum }_{j=1}^n{c}_j{x}_j$达到最大值的可行解称为最优解。

可行域：所有可行解构成的集，记为$R^{\prime }$

3.灵敏度分析

是指对系统因周围条件变化显示出来的敏感程度的分析。

对于数学规划模型，一定要做灵敏度分析（详见第3章）

1.2 线性规划模型求解及应用

1.线性规划的Matlab求解

（1）Matlab基于求解器的求解方法：

①Matlab基于求解器的求解方法中规定线性规划的标准形式为：

$$\begin{gathered} \underset{x}{\min }=f^{T}x \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}A\cdot x\le b,\\ Aeq\cdot x=beq,\\ lb\le x\le ub.\end{array}\end{array} \end{gathered}$$
式中：
$f,x,b,beq,lb,ub$为列向量，其中，$f$为价值向量,$b$为资源向量；
$A,Aqe$分别为不等式约束对应的矩阵。

②Matlab基于求解器的求解线性规划函数调用格式为

[x,fval] = linprog(f,A,b)
[x,fval] = linprog(f,A,b,Aeq,beq)
[x,fval] = linprog(f,A,b,Aeq,beq,lb,ub)

其中，
x返回决策向量的取值；
fval返回目标函数的最优值；
f为价值向量；
A，b对应线性不等式约束；
Aeq，beq,对应线性等式约束；
lb和ub分别对应决策向量的下界向量和上界向量。

（2）Matlab基于问题的求解方法

Resource: https://blog.csdn.net/weixin_52901292/article/details/119385051

相比于matlab求解器linprog函数，fmincon等函数，它们更适合用于一些简单约束条件和目标函数条件的方程，如下所举的例题（但是是用optimproblem做的），但是如果当约束条件和目标函数比较复杂，运用求和符号或者连乘符号表示的话，就用optimproblem函数比较简便

e.g.：

这里设置目标函数为f=4x1+3x2
约束条件为:
2*x1+x2<=10;
x1+x2<=8;
x2<=7.
x的下界为0，上界为正无穷

具体详解和例子如代码:

%基于问题求解
clear
clc
prob=optimproblem('ObjectiveSense','max');
%这里ObjectiveSense是目标类型为求最大值的意思
%有时候直接是prob=optimproblem就是默认求最小值

b=[10;8;7];
A=[2,1
    1,1
    0,1];
x=optimvar('x',1,2,'TYPE','integer','LowerBound',0,'UpperBound',inf);

%optimvar函数是一种类似于赋值的函数
%第一个‘x’里面是变量名，后面说的是该变量所包含的行数和列数
%‘TYPE’，后面定义的是该函数所属类型，比如说integer整数型，double双精度型号等
%‘LowerBound'与'UpperBound'表示下界与上界所跟的0，inf分别是范围
prob.Objective=f*x;
%目标函数需要得到一个标量数值，不是矩阵向量！，所以注意自己不能用.*
%这里是设置目标函数
prob.Constraints.con=A*x<=b;
%注意这里不是.*！那个得到的是一个矩阵，这个是线性代数里的矩阵相乘，得到数值，注意维度

[sol fval flag]=solve(prob);
fval
sol.x

2.可以转化为线性规划的问题

很多看起来不是线性规划的问题，也可以转变为线性规划的问题来解决。

（1）数学规划问题：

$$\begin{gathered} min|x_1|+|x_2|+...+|x_n|, \\ s.t.Ax\le b. \end{gathered}$$
式中：
$x=[x_1,x_2,...,x_n{]}^T$;
A和b为相应维数的矩阵和向量。

要把上面的问题变换成线性规划问题，只要注意到事实：对任意的$x_i$，存在$u_i,v_i\ge 0$满足
$$x_i=u_i-v_i,|x-i|=u_i+v_i,$$

事实上，只要取$u_i=\frac{x_i+|x_i|}{2},v_i=\frac{|x_i|-x_i}{2}$就可以满足上面的条件。

这样，记$u=[u_1,u_2,...,u_n{]}^T,v=[v_1,v_2,...,v_n{]}^T$,从而可以把上面的问题变成
$$\begin{gathered} min\sum _{i=1}^n(u_i+v_i) \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}A(u-v)\le b,\\ u,v\ge 0.\end{array}\end{array} \end{gathered}$$

进一步将矩阵改写成
$$\begin{gathered} min\sum _{i=1}^n(u_i+v_i) \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}[A,-A]\left[\begin{array}{c}u\\ v\end{array}\right]\le b,\\ u,v\ge 0.\end{array}\end{array} \end{gathered}$$

（2）对于带有绝对值的非线性规划问题，尽量先手工进行线性化，再使用软件求解，这样可以提高求解效率。

e.g.$\underset{x_i}{\min }${$\underset{y_i}{\max }|{\epsilon }_i|$},其中${\epsilon }_i=x_i-y_i$。

对于这个问题，如果我们取$v=\underset{y_i}{\max }|{\epsilon }_i|$,这样，上述问题可以变换成
$$\begin{gathered} minv, \\ \begin{array}{c}\mathbf{s}.\mathbf{t}.=\{\begin{array}{l}{x}_1-y_1\le v,x_2-y_2\le v,...,x_n-y_n\le v,\\ y_1-x_1\le v,y_2-x_2\le v,...,y_n-x_n\le v.\end{array}\end{array} \end{gathered}$$

此即通常的线性规划问题。