线性规划基本概念

线性规划基本概念

线性规划标准型

$$\begin{array}{rl}minimize& {\mathbf{c}}^T\mathbf{x}\\ subjectto& \mathbf{A}\mathbf{x}=\mathbf{b}\\ & \mathbf{x}\ge 0\end{array}$$

其中，$\mathbf{A}$是$m\times n$实数矩阵，$m<n$, $\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}\mathbf{A}=m$. 不失一般性，假设$\mathbf{b}\ge 0$.

任何形式的线性规划问题都可以转换为标准型。

基本解

从$\mathbf{A}$中选择$m$个线性无关的列向量组成方阵$\mathbf{B}$，对$\mathbf{A}$的列向量进行重新排序，可使得$B$中的列向量位于$\mathbf{A}$中的前$m$列，即$A$可写为分块矩阵$\mathbf{A}=[\mathbf{B},\mathbf{D}]$，其中$\mathbf{D}$是$m\times (n-m)$矩阵，它由$\mathbf{A}$中其余的列向量组成。矩阵$\mathbf{B}$是非奇异的，因此，可求得方程$\mathbf{B}{\mathbf{x}}_B=\mathbf{b}$的解${\mathbf{x}}_B$。令$\mathbf{x}$为$n$维向量，且$\mathbf{x}=[{\mathbf{x}}_B^T,0^T{]}^T$。那么$\mathbf{x}$是方程$\mathbf{A}\mathbf{x}=\mathbf{b}$的一个解。
$\mathbf{x}=[{\mathbf{x}}_B^T,0^T{]}^T$是$\mathbf{A}\mathbf{x}=\mathbf{b}$在基$\mathbf{B}$下的基本解，向量${\mathbf{x}}_B$中的元素成为基变量，$\mathbf{B}$中的列向量称为基本列向量。
如果基本解中的某些基变量为零，那么这个基本解称为退化基本解。
满足$\mathbf{A}\mathbf{x}=\mathbf{b},\mathbf{x}\ge 0$的向量$\mathbf{x}$称为可行解。
如果某个可行解也是基本解，那么称之为基本可行解。
如果基本可行解是退化的基本解，那么称之为退化的基本可行解。

线性规划基本定理

对于任何满足约束条件$\mathbf{A}\mathbf{x}=\mathbf{b},\mathbf{x}\ge 0$的向量$\mathbf{x}$，如果它能够使目标函数${\mathbf{C}}^T\mathbf{x}$取得最小值，那么就将其称为最优可行解。如果最优可行解是基本解，那么称为最优基本可行解。
线性规划定理：对于线性规划的标准型，有如下两个命题。

1. 如果存在可行解，那么一定存在基本可行解；
2. 如果存在最优可行解，那么一定存在最优基本可行解；

约束集的极点与基本可行解等价

对任何$\mathbf{x},\mathbf{y}\in \Theta$和任意实数$\alpha ,0<\alpha <1$， 如果有$\alpha \mathbf{x}+(1-\alpha )\mathbf{y}\in \Theta$成立，则称集合${\Theta }^n$为凸集

满足约束条件$\mathbf{A}\mathbf{x}=\mathbf{b},\mathbf{x}\ge 0$的点集是凸集。

对于凸集$\Theta$内的点$\mathbf{x}$，如果在$\Theta$中找不到两个不同的点${\mathbf{x}}_1$和${\mathbf{x}}_2$，对于某个$\alpha \in (0,1)$，使得$\mathbf{x}=\alpha {\mathbf{x}}_1+(1+\alpha ){\mathbf{x}}_2$成立，则称$\mathbf{x}$为$\Theta$的极点。

$\Omega$表示由所有可行解组成的凸集，即集合中的所有$n$维向量$x$满足$$\mathbf{A}\mathbf{x}=\mathbf{b},\mathbf{x}\ge 0$$其中，$A\in {\mathbb{R}}^{m\times n},m<n$。那么，$x$是$\Omega$的极点当且仅当$x$是$\mathbf{A}\mathbf{x}=\mathbf{b},\mathbf{x}\ge 0$的基本可行解。

参考文献

[1]. Chong E K P , Stanislaw H. Żak. An Introduction to Optimization[J]. IEEE Antennas and Propagation Magazine, 1996, 38(2):60.