线性规划基本概念
线性规划标准型
m i n i m i z e c T x s u b j e c t t o A x = b x ≥ 0 \begin{aligned} minimize & \qquad \boldsymbol c^T \boldsymbol x \\ subject\quad to&\qquad \boldsymbol A \boldsymbol x= \boldsymbol b \\ &\qquad \boldsymbol x \geq \boldsymbol 0 \end{aligned} minimizesubjecttocTxAx=bx≥0
其中, A \boldsymbol A A是 m × n m\times n m×n实数矩阵, m < n m<n m<n, r a n k A = m {\rm rank}\boldsymbol A=m rankA=m. 不失一般性,假设 b ≥ 0 \boldsymbol b \geq \boldsymbol 0 b≥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
A
\boldsymbol A
A中选择
m
m
m个线性无关的列向量组成方阵
B
\boldsymbol B
B,对
A
\boldsymbol A
A的列向量进行重新排序,可使得
B
B
B中的列向量位于
A
\boldsymbol A
A中的前
m
m
m列,即
A
A
A可写为分块矩阵
A
=
[
B
,
D
]
\boldsymbol A=[\boldsymbol B,\boldsymbol D]
A=[B,D],其中
D
\boldsymbol D
D是
m
×
(
n
−
m
)
m\times (n-m)
m×(n−m)矩阵,它由
A
\boldsymbol A
A中其余的列向量组成。矩阵
B
\boldsymbol B
B是非奇异的,因此,可求得方程
B
x
B
=
b
\boldsymbol B\boldsymbol x_B=\boldsymbol b
BxB=b的解
x
B
\boldsymbol x_B
xB。令
x
\boldsymbol x
x为
n
n
n维向量,且
x
=
[
x
B
T
,
0
T
]
T
\boldsymbol x=[\boldsymbol x^T_B,\boldsymbol 0^T]^T
x=[xBT,0T]T。那么
x
\boldsymbol x
x是方程
A
x
=
b
\boldsymbol A\boldsymbol x=\boldsymbol b
Ax=b的一个解。
x
=
[
x
B
T
,
0
T
]
T
\boldsymbol x=[\boldsymbol x^T_B,\boldsymbol 0^T]^T
x=[xBT,0T]T是
A
x
=
b
\boldsymbol A\boldsymbol x=\boldsymbol b
Ax=b在基
B
\boldsymbol B
B下的基本解,向量
x
B
\boldsymbol x_B
xB中的元素成为基变量,
B
\boldsymbol B
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
A
x
=
b
,
x
≥
0
\boldsymbol A\boldsymbol x=\boldsymbol b,\boldsymbol x \geq \boldsymbol 0
Ax=b,x≥0的向量
x
\boldsymbol x
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
A
x
=
b
,
x
≥
0
\boldsymbol A\boldsymbol x=\boldsymbol b,\boldsymbol x \geq \boldsymbol 0
Ax=b,x≥0的向量
x
\boldsymbol x
x,如果它能够使目标函数
C
T
x
\boldsymbol C^T\boldsymbol x
CTx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。
- 如果存在可行解,那么一定存在基本可行解;
- 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 x , y ∈ Θ \boldsymbol x,\boldsymbol y\in \Theta x,y∈Θ和任意实数 α , 0 < α < 1 \alpha, 0<\alpha <1 α,0<α<1, 如果有 α x + ( 1 − α ) y ∈ Θ \alpha \boldsymbol x+(1-\alpha)\boldsymbol y\in \Theta αx+(1−α)y∈Θ成立,则称集合 Θ n \mathbb{\Theta}^n Θn为凸集
满足约束条件 A x = b , x ≥ 0 \boldsymbol A\boldsymbol x=\boldsymbol b,\boldsymbol x \geq \boldsymbol 0 Ax=b,x≥0的点集是凸集。
对于凸集 Θ \Theta Θ内的点 x \boldsymbol x x,如果在 Θ \Theta Θ中找不到两个不同的点 x 1 \boldsymbol x_1 x1和 x 2 \boldsymbol x_2 x2,对于某个 α ∈ ( 0 , 1 ) \alpha\in (0,1) α∈(0,1),使得 x = α x 1 + ( 1 + α ) x 2 \boldsymbol x=\alpha \boldsymbol x_1 + (1+\alpha)\boldsymbol x_2 x=αx1+(1+α)x2成立,则称 x \boldsymbol x x为 Θ \Theta Θ的极点。
Ω \Omega Ω表示由所有可行解组成的凸集,即集合中的所有 n n n维向量 x x x满足 A x = b , x ≥ 0 \boldsymbol A \boldsymbol x= \boldsymbol b,\qquad \boldsymbol x \geq \boldsymbol 0 Ax=b,x≥0其中, A ∈ R m × n , m < n A \in \mathbb{R}^{m\times n}, m<n A∈Rm×n,m<n。那么, x x x是 Ω \Omega Ω的极点当且仅当 x x x是 A x = b , x ≥ 0 \boldsymbol A\boldsymbol x=\boldsymbol b,\boldsymbol x\geq \boldsymbol 0 Ax=b,x≥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.