几类非线性问题的线性化处理

很长时间没有提笔写博，近两年来一直从事规划领域方面的研究，在熟悉业务的同时，对规划算法也有了新的看法。相比智能算法的概率性，规划算法对求解的精确性要求更高。

本篇博客将围绕非线性问题如何线性化典型问题，分类归纳，给正在入手线性规划的同学们带来系列感悟。

文章目录

• 前言
• 一、非线性规划问题的典型特征
• 二、常用处理技巧
  • 分段函数形式
  • 条件约束形式
  • 绝对值函数形式
  • 最小/大值函数形式
  • 逻辑或形式
  • 含有0-1变量的乘积形式
  • 混合整数形式
  • 分式目标函数
• 总结

---

前言

我们知道，对于线性规划问题，有非常成熟的求解方法——单纯形法。可实际在科研建模时，目标函数或是约束条件，极大概率会出现非线性的形式。

此时若选择采用启发式算法求解，就相当于放弃了求精确解，而实际业务上对问题解的要求更高。因此，了解并懂得何种形式可以转化为线性和如何线性化，是非常重要的。

在解决实际较为复杂的问题时，会面临以下两个问题：

• 我应该构建哪种非线性形式来刻画该问题？
• 这样的非线性刻画还能否线性化（决定了还能否求得精确解）？

为了回答好这两个问题，本文将围绕《非线性问题的典型特征刻画》《线性化处理技巧》两部分解释。

---

一、非线性规划问题的典型特征

笔者认为，经典线性规划问题可以统一转换为矩阵化的范式：

object： 

constraints： 

variables： 满足其他条件等

然后可采用单纯形法进行处理。单纯形法本质是迭代找每个问题解空间的凸点，不断更新凹点最终缩小解空间到截止，则最优解必存在某一凸点上。这也就是凸优化的常用求解途径（很多学者都会研究非凸优化发paper）。有意思的是国内外的凸凹翻译是反的。而我们认为非线性规划就是一个非凸问题。

回到正题，非线性规划问题的典型数学特征为，具有：

• 分段函数形式
• 条件约束形式
• 绝对值函数形式
• 最小/大值函数形式
• 逻辑或形式
• 含有0-1变量的乘积形式
• 混合整数形式
• 分式目标函数

以上均可实现线性化。

二、常用处理技巧

线性化的主要手段其实就两点：

• 引入0-1变量
• 引入很大的整数M

灵活运用这两点会呈现非常巧妙且神奇的线性化技巧。

1.分段函数

（1）示例1