线性与非线性规划

一、线性规划（LP）

数学模型都是求一组非负解，在满足一组以线性等式或线性不等式所表示的限制条件下，使一个线性函数取得最优值（最大值或者最小值）

标准型：
$$\begin{gathered} maxz=\sum _{j=1}^n{c}_j{x}_j \\ s.t.\sum _{j=1}^n{a}_{ij}{x}_j=b_j \\ (i=1,2,3...)s.t.x_j\ge 0(j=1,2,3...) \end{gathered}$$
其中，$a_{ij}、b_i、c_j$都是确定的常数，$x_j$称为决策变量，z为目标函数，$a_{ij}$称为技术系数，$b_i$称为资源系数、$c_j$称为价值系数

二、线性规划问题解的概念：

可行解、基、基可行解、可行基

这里面要先明白可行解的概念，毋庸置疑，在方程中满足约束条件的解称为可行解，其中目标函数值达到最大称为最优解；

如果有B的系数矩阵是m*m的非奇异矩阵，那么B就是基；

满足非负条件的基解，称为基可行解；

基可行解的基称为可行基；

下面图解释一下不同解之间的关系：

三、图解法

适用于两个决策变量

思路：

• 先在直角坐标系平面上画出可行域；

• 其中，非负约束确定了可行域必在第一象限，所求最优解是使目标函数取得最优的可行域上的点

结论：

• 两个变量线性规划的可行域一般是凸多边形；若存在最优解一定可在可行域的某顶点上找到；
• LP约束条件所构成的集合是一凸集合，两个变量时为凸多边形；

四、单纯形法

1、思路1：从线性方程组中找出一个个的单纯形，每一个单纯形可以求得一组解，然后再判断该解使目标函数值是增大还是变小，决定下一步选择的单纯形。这就是迭代，直到目标函数实现最大值或最小值为止。最终得到最优解。

基本思想2：从一个初始基可行解出发，每次选一个非基变量（入基变量）来取代一个基变量（出基变量），也就是说，把一个非基变量从0增加到某一个正数，而把相应的一个基变量从一个正数变为0，多次迭代，最终得到最优解。

单纯形法计算步骤：

1. 将线性规划问题化成标准型 (引入松弛变量)
2. 找出或构造一个m阶单位矩阵作为初始可行基，建立初始单纯形表。
3. 计算各非基变量的检验数$σj=c_j−z_j $若所有检验数≤0，则问题已得到最优解，停止计算。否则，转入下一步。(检验数)
4. 在大于0的检验数中，若某个检验数对应的系数列向量≤ 0，则此问题是无界解，停止计算，否则转入下步。
5. 根据max（检验数j | 检验数j>0）=检验数k的原则，确定为换入变量(进基变量) 再按最小比值法则($b_i{a}_{ik}$，&$a_{ik}$>0)确定换出变量，建立新的单纯形表，此时的基变量中$x_k$代替的换出变量的位置。
6. 以$a_{ik}$为主元素进行迭代，把$x_k$所对应的列向量变为单位列向量，即$a_{ik}$变为1 同列中其他元素变为0，继续计算各非基变量的检验数，进行第三步。

2、例：

• 化标准型

• 系数矩阵可以写成：
  

• 我们可以发现以$x_3,x_4,x_5$的系数可以构成单位矩阵，我们可以以$x_3,x_4,x_5$为基变量，可以化成：

使非基变量$x_1=0，x_2=0$

可以得出，

我们此时可以得到一个基解：X(0)=(0,0,8,16,12)T

只要在目标函数的表达式中还存在有正系数的非基变量，这表示目标函数值还有增加的可能，就需要将非基变量与基变量进行对换。

$x_2与x_5$进行变换，

**以此类推，**求得$X^{(2)}$=(2,3,0,8,0)T，$X^{(3)}$=(4,2,0,0,4)T
$$z=14-1.5x_3-0.125x_4$$

五、化标准型

1、标准式目标函数为最大值，约束条件为等式、右端项为非负、决策变量取值非负：

例：

2、向量形式
$$\begin{gathered} maxz=\sum _{j=1}^n{c}_j{x}_j \\ s.t.\sum _{j=1}^n{a}_{ij}{x}_i=b_j(i=1,2,3...) \\ s.t.x_j\ge 0(j=1,2,3...) \end{gathered}$$
目标函数变为：
$$maxz=z_0+\sum _{j=m+1}^n{\delta }_j{x}_j$$
其中，
$$\begin{gathered} z_0=\sum _{i=1}^m{c}_i{b}_i \\ {\delta }_j=c_j-\sum _{i=1}^m{c}_i{a}_{ij} \end{gathered}$$
${\delta }_j$称为检验数

六、单纯形表

例题：

①先引入三个松弛变量，构造单位矩阵。

得到单位矩阵，构造出初始可行基B

从中我们可以得到信息：基向量组B和非基向量组N

还可以知道所有变量的系数所组成的向量C和基变量$X_B$、非基变量$X_N$：

刚开始，基变量的系数全为0，所以Z=0，Zj=0，可以写出对应的检验数：

可以看出，x2对应的检验数最大，成为换入变量，而且根据最小值法则，知道s3是换出变量。于是将s3的位置换上x2，对应的系数也变成了100。

我们再进行初等行变换，使$x_2，s_1，s_2$对应的基矩阵变成单位矩阵。在此基础上进行计算$Z_j$，就可以利用其算出新一轮的检验数：

我们可以发现，仍然存在检验数大于0的情况，唉，只能进入新一轮的迭代，x1作为换入变量，而经过最小比值规则，可以判定出s1是换出变量

然后，我们再根据新的数据，写出新一轮的Zj和 检验数 ，发现此时的检验数全部≤0，我们成功地找到了最优解！

表格中，检验数全部≤0，根据判断规则，Z值为最优值（Z=27500）

七、单纯形表的衍生（人工变量法）

原始线性规划：
$$\begin{gathered} maxz=\sum _{j=1}^n{c}_j{x}_j \\ s.t.\sum _{j=1}^n{a}_{ij}{x}_j=b_i(i=1,2,3...) \\ s.t.x_j\ge 0(j=1,2,3...) \end{gathered}$$
其中，约束方程组中的系数矩阵不含m阶单位阵

故，引入m个人工变量$x_{n+i}$，得到新约束方程组
$$\begin{gathered} s.t.\sum _{j=1}^n{a}_{ij}{x}_j+x_{n+i}=b_i(i=1,2,3...) \\ s.t.x_j\ge 0(j=1,2,3...) \end{gathered}$$
对上述新规划问题进行单纯形迭代后，若最优解中每个人工变量取值皆为0，则删去它们后，即可得原线性规划的最优解；若至少有一个人工变量取值大于0，则原规划无可行解

7.1 大M法

由于人工变量在最优解中一律取0值，故，可通过引入一个称为罚因子的大正数M，进行修正，即
$$\begin{gathered} maxz=\sum _{j=1}^n{c}_j{x}_j-M\sum _{i=1}^m{x}_{n+i} \\ s.t.\sum _{j=1}^n{a}_{ij}{x}_j+x_{n+i}=b_i(i=1,2,3...) \\ s.t.x_j\ge 0(j=1,2,3...) \end{gathered}$$
若最优解中含有取正值的人工变量，目标函数不能实现最大化；罚因子的作用：迫使所有的人工变量最终取值均为零。

7.2 两阶段法

第一阶段，求初始基可行解：在原线性规划问题中加入人工变量，使约束矩阵出现单位子矩阵，然后以这些人工变量之和W求最小为目标函数，构造如下模型：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kY8qjW47-1638106249224)(C:\Users\28960\AppData\Roaming\Typora\typora-user-images\image-20211128212814741.png)]

对上述模型求解（单纯形法），若W=0，说明问题存在基本可行解，可以进行第二个阶段；否则，原问题无可行解，停止运算。

**第二阶段：**在第一阶段的最终表中，去掉人工变量，将目标函数的系数换成原问题的目标函数系数，作为第二阶段计算的初始表（用单纯形法计算）。