线性规划模型基本原理

关键词：目标函数、约束条件，整数规划，分支定界，割平面，松弛变量

线性规划问题：求多变量线性函数在线性约束条件下的最优值。

两种表示形式：一般形式和标准形式

实际上，任意的线性规划问题都可化为标准形式。需要以下三步：

简单来说就是加负号规范目标函数，引入松弛变量让约束条件变为等式，这都是一些小技巧。

下面是一个我认为线性规划问题标准化比较有代表性的例子：

以上这些工作，都是为了线性规划问题更好的求解。

我们规定了约束条件，满足约束条件的解就称为可行解，满足目标式的可行解则是最优解。

所有可行解的集合称为可行域，是一个凸多边形，即凸集，这个凸边形的顶点称为基本可行解，最优解必在顶点处达到。

以上顶点，从一个顶点出发，转换到另一个顶点，并且使目标函数逐步减小，有限步后即可达到最优解。我们称这种方法为单纯形法。

单纯形法的数学过程：

由于单纯形法能保证每步迭代均使得目标函数严格下降，故不会出现重复现象，所以经过有限步迭代后必可得到最优解。

除了单纯形法求解、代数求解线性规划最优问题，我们还可以通过MATLAB编码求解，主要建议如下：

Matlab中求解线性规划的命令为：

[x,fval] = linprog(c,A,b)

[x,fval] = linprog(c,A,b,Aeq,beq)

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

其中x返回的是决策向量的取值，fval返回的是目标函数的最优值，c为价值向

量，A,b对应的是线性不等式约束，Aeq,beq对应的是线性等式约束，lb和

ub分别对应的是决策向量的下界向量和上界向量。